首頁
專家專欄
從AIGC看到新世界正在到來

從AIGC看到新世界正在到來

發表於 2023-01-15 13:40 作者：元宇宙之心

你知道《太空歌劇院》嗎？

它是一幅 AI 作的畫，並拿到了藝術比賽的一等獎。在 2022 年，AI 作畫已經變得如此簡單，你只要會打字就行。在一片高斯噪聲中逐漸顯露出精彩絕倫的顏色和圖案，AI 是怎么畫畫的？爲什么能畫得這么好？會不會取代人類設計師？

更令人費解的在於，AI 有沒有自己的邏輯思辨能力？

其實，我們還處在人工智能的早期，AI 對真正的邏輯和某個垂直領域的理解還不深，但不斷強化它的邏輯思維能力一定會是接下來研發的重點。

書接上回，這次真格投資副總裁林惠文將帶領我們，從上次 ChatGPT 的 AI 文字跳到 AI 圖片（ChatGPT：又一個AI突破的時刻｜真格投資人專欄），繼續探索 AI 世界。從 AIGC 圖片背後的模型，到模型之間的關系以及發展歷程。除此之外，我們還准備了對 AI 領域相關問題的解惑和一些好用的工具推薦，請一定不要錯過～

非常榮幸今天能跟大家分享一些 AIGC 圖片相關的梳理，在漫漫的熊市之中，近期我們看到了很多驚人的生成效果。

首先我們來看一下 AI 生成的圖片。

這是最近非常火的 AI 生成圖片平台 Midjourney （強烈推薦大家試試看）產生的一些圖片效果，可以看到非常真實，也有很強的創意效果。它是如何做到的？

通俗易懂地來講有三個步驟。首先，把人類的文字轉換成計算機能夠理解的表達，然後把計算機能理解的文本表達轉換成計算機能理解的視覺描述，再接下來，把計算機能理解的視覺描述生成人類能夠看懂的圖片。

以 DALLE2 爲例，它訓練了 3 個模型來做這件事情。接下來，我會分別講述。

CLIP 模型

第一個模型是 CLIP 模型，負責將文本和視覺圖像聯系起來。

過去的很多算法就像是拿 1 萬張人類已經標注了類別的照片，讓計算機去尋找不同類別照片的差異化特徵。最大的缺點是，它無法標注世間萬物，只能分類有限的集合，同時人力標注會成爲學習的上限。

CLIP 模型帶來的新思路是什么？它很像是真實生活中教小朋友認識物體。看到一個東西就直接告訴小朋友，這是一只遊泳的鴨子，而不是一次性拿 20 張鴨子的圖片告訴他，這是鴨子，你記住它的所有特徵。CLIP 模型的算法實現了這樣一個特點，只要我們有充足的算力，就能學會世間的萬物。

CLIP 模型的數據集從哪來？它來自於互聯網上圖文的匹配對，總共收集了 4 億張的圖文匹配對，再經過一個圖文編碼器，把人類能看懂的文字和圖片轉換成計算機能懂的數據結構。

CLIP 模型用到了兩個編碼器，視覺編碼器叫 Vision Transformer，文字編碼器叫 Transformer。下圖是 Vision Transformer 編碼器產生的效果圖，可以看到兩張圖片裏背景部分的顏色被大幅弱化，強調了網球和黑狗的輪廓。這就是優秀的編碼器能實現的效果：用人類的視角找重點，進行數據降維。

CLIP 模型做的事是什么？把來自互聯網的 4 億張圖片和 4 億條文本進行編碼，並兩兩配對，形成一個 4 億 * 4 億的矩陣。

CLIP 模型的訓練目標是什么？通過各種各樣的復雜計算，讓原本匹配的圖片和文本產生正相關。將蘋果的照片和蘋果的文字進行匹配，而不是摩托車或其他。

CLIP 模型實現的功能是什么？給定任何一個文本，能返回相關性最高的圖片；給定任何一張圖片，能返回相關性最高的文本描述。實現海量的圖像和文字特徵的 mapping。

GLIDE 模型

有了 mapping 以後，接下來重要的是如何從視覺的描述中產生圖像，這是 GLIDE 擴散模型。

它就像是教小朋友學畫畫，先給小朋友看一張簡筆畫，逐漸把它擦掉，讓小朋友在大人的引導之下，試着從白紙开始恢復這張簡筆畫。

從計算機的視角來看，擦除的過程就是給圖片不斷增加噪聲的過程，這種噪聲是一種正態分布的噪聲，叫高斯噪聲，直到最後變成一張純噪聲的圖片。恢復的過程就是通過概率除去噪聲的過程，這中間往往會加一些指引，叫 Guidance，以確保恢復的過程朝着對的方向。

左圖爲增加噪聲的過程，右圖爲除去噪聲的過程

GLIDE 擴散模型帶來最大的創新就是在訓練的過程中融入了文本的信息。在 CLIP 模型的基礎上，在恢復的過程中嵌入文本的信息，這就導致了難度的快速疊加，因爲它既要學會恢復的算法，又需要學會識別的算法。然而，在恢復的過程中，它並沒有把知識完全融入其中，如何才能把知識徹底地融入到圖像生成裏？

GLIDE 模型的抽象理解，就像是爸爸教小朋友騎車，目標是希望在有爸爸扶和沒有爸爸扶的時候，小朋友都能騎出同樣的曲线。這往往通過一種中間形態來實現，從一直扶到偶爾扶，偶爾撒手，最終的訓練目標就是不斷在這種狀態裏達成。

GLIDE 擴散模型的目標也是如此，在它的原理中，爸爸扶着小朋友就是分類器，能幫助分類或目標識別，撒手就意味着無分類器指引，有時會將一些文本的信息替換成空的字符串，隨機替換掉一些信息。當有分類器產生的曲线和沒有分類器指引產生的曲线一致時，整個文本的信息就融入到了生成過程中。

有了 GLIDE 擴散模型以後，還可以制定不同的引導目標，因此會產生不同的效果，如果你想生成與某張圖片一樣效果的圖片，你可以輸入這張圖片，接着就會得到一張類似風格的圖片。這就像是一個小朋友的爸爸告訴他，自行車的前輪其實是個裝飾品，他最終在不斷的強調之下，就會學會這樣騎車的方式。

PRIOR 模型

當 CLIP 模型將文本和視覺相連，GLIDE 模型通過概率恢復一張隨機的模糊照片，並把文本信息融入其中，我們還缺少了這兩者之間的聯結，如何把文本描述映射到視覺描述中，這就是 PRIOR 模型的核心。

有了 CLIP 模型，雖然能夠實現文本和視覺之間相關性的描述，但還缺少一個轉換器，那就是面對一個新的描述，如何產生一張新的圖片。就像你教會了小朋友畫帽子，也教會了畫兔子，現在如何讓他畫一張戴帽子的兔子。PRIOR 模型其實是在 CLIP 模型之後產生一個新的效果，在 CLIP 模型中用到的文本和圖片編碼器，給編碼後的東西再增加一個特徵，這就使得文本和圖片的信息都融合在同個維度，便於我們去操作。

三個模型的關系

CLIP 模型理解了圖片與文字的關系，PRIOR 模型就是在理解圖片與文字的關系之上，從文字中產生一個腦海中的構圖，GLIDE 擴散模型就是要把腦海中的構圖畫出來，畫出人類能懂的視覺圖片。

我們再從下圖論文的原理來理解一下。圖中有一條虛线，虛线的上方是預訓練的過程。左邊的 Text Encoder，就是之前提到的文字轉換器 Transformer，它把一段文字轉換成計算機能理解的表達。右邊的 Image Encoder，也就是視覺轉換器 Vision Transformer，把人類理解的視覺圖片轉換成計算機的數據結構。

在經過大量的訓練之後，這兩者之間產生了具有相關性的連接，也就是文字和圖片之間的關系產生了非常強的理解。

虛线之下是生成的過程，把文本放進 PRIOR 模型裏面，從這段文本中生成計算機能理解的視覺表達結構，再用 GLIDE 模型生成人類能看懂的圖片。雖然上下兩只小狗的圖片看起來不一樣，但它們本質上包含了同樣的文本語義，這樣就實現了任何一段文本都能生成出一張人類能看懂的圖片。

發展歷程

整個夢开始的地方，始於 2017 年 Google 發布的一篇論文《Attention is all you need》。它讓算法學會了人類的注意力機制，就是當我們去看一張圖片時，會看到重點，同時忽略背景的信息。

這篇論文發表之後，帶來一個 NLP 的模型，叫 Transformer，一經發布便快速屠榜，接着很快有了 BERT 模型，有了 OpenAI 的 GPT-3 模型。在視覺領域，有 DERT 模型，iGPT 模型，以及上面提到的 Vision Transformer。

Transformer 模型的重要性在於，它是我們剛才提到的三個模型的底座，學會找出圖片和文字的重點，才能夠搭建CLIP 模型，才可能有之上的 PRIOR 和 GLIDE 擴散模型。

夢想的實現還有另一半，圖像生成。

從 2005 年开始的求解特定概率密度函數，通俗理解就是通過最快的方法去估算正態分布，再到 2008 年的去噪自編碼器的研發，加入高斯噪聲，一種正態分布的噪聲，再將它去除，我們用到的很多拍照中的去噪、降噪功能就是從這裏來的。到了 2011 年，有人嘗試將這兩種算法結合在一起，2015 年，开始嘗試用這種思想還原照片。但這時候還原照片的質量還不是很高。

時間撥轉到 2019 年，中國的宋颺博士把朗之萬動力學引入到數據分布的估算中，產生了非常好的效果。2020 年，Google 發布名叫 DDPM 的論文，這篇論文核心就是結合朗之萬動力學和擴散模型，產生了非常高的圖片生成質量。

2014 年引起軒然大波的 GAN network 對抗生成網絡，已經能生成出效果不錯的圖片，但它的訓練難度很高，擴散模型降低了圖像生成模型的訓練難度，還能生成比 GAN 更多元的圖像。

在夢想實現的 2021 和 2022 年，OpenAI 和 Google 都开始嘗試把文本信息加入到擴散生成的過程中，產生了今天的 GLIDE 模型。OpenAI 在思想上的突破，用 Transformer 去海量地理解圖片和文本，產生了 CLIP 模型，再用擴散模型在圖像生成中融入海量的圖文信息，優質的 AIGC 圖片終於誕生。

接下來，我們將圍繞一些問題進行討論。

1、從產品化、商業化的角度出發思考，目前 AIGC 的技術層面的發展會產生影響？

有兩個維度。第一個維度是在海量數據中尋找我們最想要的內容，第二個維度是在海量數據中得出新的內容，反向給予我們創造的靈感。

從 AI 本身的能力再進行泛化的話，一方面很多現有產品的使用體驗能得到巨大的提升，例如在筆記類的軟件中加入 AI 後，在寫作過程中能得到更好的體驗；另一方面，未來創意不強，生成能力較弱的人可能會被 AI 替代。

2、回到基本邏輯，我想確認下自己的理解是否正確：相較於 Transformer，ChatGPT 並不是在 AI 領域出現了一個顛覆性的技術創新，而只是在一個模式上加了人類的 feedback，設置了不斷迭代的參數，它自己越搞越聰明了。

過去的所有模型的進化，其實圍繞兩個方向在進化。第一個是 DNA，第二個是方法論。DNA 很像真實世界中材料的研發，方法論更像是真實世界中材料的使用。

Transformer 是 DNA 的進化，是更核心的突破。ChatGPT 是方法論，但它就更簡單了嗎？並不是的，它在探索的過程中經歷了很長的時間，同時要滿足很多先決條件，這個方法論才能得以運用。不論方法論突破還是 DNA 突破，都很有意義。

3、未來的生意模式會怎么樣？會不會更集中？圍繞這樣 ChatGPT 的模型，它會產生哪些創業方向？

可能有兩種商業模式，一種是 To B 的，就跟阿裏雲一樣，另外一種就是讓开發者在這種大模型上去 To C。不論是 DNA 還是在方法論上的突破，它都可能讓一個企業產生壟斷，產生巨頭效應。

ChatGPT 和用戶不斷互動，會得到源源不斷的反饋數據，數據也是一種資產，一種生產要素。這種生產要素產生的產品會是人類更高頻使用的東西，它的頻率越高，這種生產要素就越來越重要，反饋能夠創造的要素提升就越來越重要，同時帶來的經濟價值就越來越大。

4、會不會有規模效應或雙邊網絡效應？

我覺得背後既有這種網絡效應，又有一些規模效應。如果設想一下，第一個研發出來的這種中文大模型，它會快速地獲取市場上有限量的开發者，开發者在用它的產品去面向 To C 去獲取 C 端用戶，它的數據會源源不斷反饋回來，去優化它的效果，其實就會產生更強的壟斷效應。