你知道 《太空歌剧院》 吗？
它是一幅 AI 作的画，并拿到了艺术比赛的一等奖。在 2022 年，AI 作画已经变得如此简单，你只要会打字就行。在一片高斯噪声中逐渐显露出精彩绝伦的颜色和图案，AI 是怎么画画的？为什么能画得这么好？会不会取代人类设计师？
更令人费解的在于，AI 有没有自己的逻辑思辨能力？
其实，我们还处在人工智能的早期，AI 对真正的逻辑和某个垂直领域的理解还不深，但不断强化它的逻辑思维能力一定会是接下来研发的重点。
书接上回，这次真格投资副总裁林惠文将带领我们，从上次 ChatGPT 的 AI 文字跳到 AI 图片（ChatGPT：又一个AI突破的时刻｜真格投资人专栏），继续探索 AI 世界。从 AIGC 图片背后的模型，到模型之间的关系以及发展历程。 除此之外，我们还准备了对 AI 领域相关问题的解惑和一些好用的工具推荐，请一定不要错过～
非常荣幸今天能跟大家分享一些 AIGC 图片相关的梳理，在漫漫的熊市之中，近期我们看到了很多惊人的生成效果。
首先我们来看一下 AI 生成的图片。
这是最近非常火的 AI 生成图片平台 Midjourney （强烈推荐大家试试看）产生的一些图片效果，可以看到非常真实，也有很强的创意效果。它是如何做到的？
通俗易懂地来讲有三个步骤。首先，把人类的文字转换成计算机能够理解的表达，然后把计算机能理解的文本表达转换成计算机能理解的视觉描述，再接下来，把计算机能理解的视觉描述生成人类能够看懂的图片。
DigiDaigaku：Dragon Egg空投已结束:金色财经报道，DigiDaigaku在其官方社交媒体账号上宣布Dragon Egg空投已结束，同时DigiDaigaku还表示如果用户错过了此前官方报名，目前还有2500个免费Dragon Egg在FreeNFT平台上提供。Dragon Egg于上个月12号为该生态系统NFT持有者（包括Genesis、Heroes和Super Villains）启动空投，以帮助婴儿龙成长进化。[2023/3/17 13:10:00]
以 DALLE2 为例，它训练了 3 个模型来做这件事情。接下来，我会分别讲述。
第一个模型是 CLIP 模型，负责将文本和视觉图像联系起来。
过去的很多算法就像是拿 1 万张人类已经标注了类别的照片，让计算机去寻找不同类别照片的差异化特征。最大的缺点是，它无法标注世间万物，只能分类有限的集合，同时人力标注会成为学习的上限。
CLIP 模型带来的新思路是什么？它很像是真实生活中教小朋友认识物体。看到一个东西就直接告诉小朋友，这是一只游泳的鸭子，而不是一次性拿 20 张鸭子的图片告诉他，这是鸭子，你记住它的所有特征。CLIP 模型的算法实现了这样一个特点，只要我们有充足的算力，就能学会世间的万物。
CLIP 模型的数据集从哪来？它来自于互联网上图文的匹配对，总共收集了 4 亿张的图文匹配对，再经过一个图文编码器，把人类能看懂的文字和图片转换成计算机能懂的数据结构。
CLIP 模型用到了两个编码器，视觉编码器叫 Vision Transformer，文字编码器叫 Transformer。下图是 Vision Transformer 编码器产生的效果图，可以看到两张图片里背景部分的颜色被大幅弱化，强调了网球和黑狗的轮廓。这就是优秀的编码器能实现的效果：用人类的视角找重点，进行数据降维。
DigiDaigaku：将向攻击者寻求赔偿:11月3日消息，DigiDaigaku官方就CEO Gabriel Leydon账户被盗并发布钓鱼网站一事进行更新：Gabriel Leydon的推特帐户因SIM卡调换（美国东部时间5:39PM）被盗。DigiDaigaku要求攻击者降低其法律风险并删除已发布的推文，在确定攻击者身份后会提出指控并寻求损害赔偿。[2022/11/3 12:13:22]
CLIP 模型做的事是什么？把来自互联网的 4 亿张图片和 4 亿条文本进行编码，并两两配对，形成一个 4 亿 * 4 亿的矩阵。
CLIP 模型的训练目标是什么？通过各种各样的复杂计算，让原本匹配的图片和文本产生正相关。将苹果的照片和苹果的文字进行匹配，而不是摩托车或其他。
CLIP 模型实现的功能是什么？给定任何一个文本，能返回相关性最高的图片；给定任何一张图片，能返回相关性最高的文本描述。实现海量的图像和文字特征的 mapping。
有了 mapping 以后，接下来重要的是如何从视觉的描述中产生图像，这是 GLIDE 扩散模型。
它就像是教小朋友学画画，先给小朋友看一张简笔画，逐渐把它擦掉，让小朋友在大人的引导之下，试着从白纸开始恢复这张简笔画。
从计算机的视角来看，擦除的过程就是给图片不断增加噪声的过程，这种噪声是一种正态分布的噪声，叫高斯噪声，直到最后变成一张纯噪声的图片。恢复的过程就是通过概率除去噪声的过程，这中间往往会加一些指引，叫 Guidance，以确保恢复的过程朝着对的方向。
澳本聪Craig Wright称中本聪从未登录Bitcointalk 论坛:澳本聪Craig Wright最近称，中本聪从未登录使用过论坛Bitcointalk。该网站是已知最早的比特币论坛之一，并且有许多帖子来自声称是Satoshi的帐户。Wright称中本聪未使用该平台进行交流，他说中本聪使用该网站是一个“神话”。
“这是一个神话，Bitcointalk上Satoshi的账号是我的，上面所有帖子实际上都是我发的，并且未被编辑或更改，并且网站登录名属于我”。（Bitcoin.com）[2020/4/28]
左图为增加噪声的过程，右图为除去噪声的过程
GLIDE 扩散模型带来最大的创新就是在训练的过程中融入了文本的信息。在 CLIP 模型的基础上，在恢复的过程中嵌入文本的信息，这就导致了难度的快速叠加，因为它既要学会恢复的算法，又需要学会识别的算法。然而，在恢复的过程中，它并没有把知识完全融入其中，如何才能把知识彻底地融入到图像生成里？
GLIDE 模型的抽象理解，就像是爸爸教小朋友骑车，目标是希望在有爸爸扶和没有爸爸扶的时候，小朋友都能骑出同样的曲线。这往往通过一种中间形态来实现，从一直扶到偶尔扶，偶尔撒手，最终的训练目标就是不断在这种状态里达成。
GLIDE 扩散模型的目标也是如此，在它的原理中，爸爸扶着小朋友就是分类器，能帮助分类或目标识别，撒手就意味着无分类器指引，有时会将一些文本的信息替换成空的字符串，随机替换掉一些信息。当有分类器产生的曲线和没有分类器指引产生的曲线一致时，整个文本的信息就融入到了生成过程中。
声音 | Craig Wright：比特币是一种投机资产:据Ambcrypto消息，在最近的一篇文章中， Craig Wright谈到了通过劳动实现价值的谬误，以及它是如何被用来为比特币辩护的。他说，许多人认为比特币之所以有价值，仅仅是因为它在制造比特币时所消耗的能量。然而，这是一个非常错误的观念。他补充道：“增加价值的不是事物的创造，而是对其的主观需求”。对于比特币核心(BTC)来说， “是一种投机性资产，是一种庞氏局，它的目的就是要把钱打出来。”另一方面，他表示，比特币是一种P2P现金系统，主要解决的问题是双倍消费。[2018/10/6]
有了 GLIDE 扩散模型以后，还可以制定不同的引导目标，因此会产生不同的效果，如果你想生成与某张图片一样效果的图片，你可以输入这张图片，接着就会得到一张类似风格的图片。这就像是一个小朋友的爸爸告诉他，自行车的前轮其实是个装饰品，他最终在不断的强调之下，就会学会这样骑车的方式。
当 CLIP 模型将文本和视觉相连，GLIDE 模型通过概率恢复一张随机的模糊照片，并把文本信息融入其中，我们还缺少了这两者之间的联结，如何把文本描述映射到视觉描述中，这就是 PRIOR 模型的核心。
有了 CLIP 模型，虽然能够实现文本和视觉之间相关性的描述，但还缺少一个转换器，那就是面对一个新的描述，如何产生一张新的图片。就像你教会了小朋友画帽子，也教会了画兔子，现在如何让他画一张戴帽子的兔子。PRIOR 模型其实是在 CLIP 模型之后产生一个新的效果，在 CLIP 模型中用到的文本和图片编码器，给编码后的东西再增加一个特征，这就使得文本和图片的信息都融合在同个维度，便于我们去操作。
CLIP 模型理解了图片与文字的关系，PRIOR 模型就是在理解图片与文字的关系之上，从文字中产生一个脑海中的构图，GLIDE 扩散模型就是要把脑海中的构图画出来，画出人类能懂的视觉图片。
声音 | 眼镜蛇Cobra：Craig Wright不是中本聪:眼镜蛇Cobra在推特称，Craig Wright不是中本聪。今年2月份，澳大利亚企业家Craig Wright公开承认自己是比特币的创始人“中本聪”。媒体爆料后，澳大利亚当局很快搜查了Wright住所。V神一直以来都对Craig Wright称自己为中本聪表示怀疑。[2018/9/1]
我们再从下图论文的原理来理解一下。图中有一条虚线，虚线的上方是预训练的过程。左边的 Text Encoder，就是之前提到的文字转换器 Transformer，它把一段文字转换成计算机能理解的表达。右边的 Image Encoder，也就是视觉转换器 Vision Transformer，把人类理解的视觉图片转换成计算机的数据结构。
在经过大量的训练之后，这两者之间产生了具有相关性的连接，也就是文字和图片之间的关系产生了非常强的理解。
虚线之下是生成的过程，把文本放进 PRIOR 模型里面，从这段文本中生成计算机能理解的视觉表达结构，再用 GLIDE 模型生成人类能看懂的图片。虽然上下两只小狗的图片看起来不一样，但它们本质上包含了同样的文本语义，这样就实现了任何一段文本都能生成出一张人类能看懂的图片。
整个梦开始的地方，始于 2017 年 Google 发布的一篇论文《Attention is all you need》。它让算法学会了人类的注意力机制，就是当我们去看一张图片时，会看到重点，同时忽略背景的信息。
这篇论文发表之后，带来一个 NLP 的模型，叫 Transformer，一经发布便快速屠榜，接着很快有了 BERT 模型，有了 OpenAI 的 GPT-3 模型。在视觉领域，有 DERT 模型，iGPT 模型，以及上面提到的 Vision Transformer。
Transformer 模型的重要性在于，它是我们刚才提到的三个模型的底座，学会找出图片和文字的重点，才能够搭建CLIP 模型，才可能有之上的 PRIOR 和 GLIDE 扩散模型。
梦想的实现还有另一半，图像生成。
从 2005 年开始的求解特定概率密度函数，通俗理解就是通过最快的方法去估算正态分布，再到 2008 年的去噪自编码器的研发，加入高斯噪声，一种正态分布的噪声，再将它去除，我们用到的很多拍照中的去噪、降噪功能就是从这里来的。到了 2011 年，有人尝试将这两种算法结合在一起，2015 年，开始尝试用这种思想还原照片。但这时候还原照片的质量还不是很高。
时间拨转到 2019 年，中国的宋飏博士把朗之万动力学引入到数据分布的估算中，产生了非常好的效果。2020 年，Google 发布名叫 DDPM 的论文，这篇论文核心就是结合朗之万动力学和扩散模型，产生了非常高的图片生成质量。
2014 年引起轩然大波的 GAN network 对抗生成网络，已经能生成出效果不错的图片，但它的训练难度很高，扩散模型降低了图像生成模型的训练难度，还能生成比 GAN 更多元的图像。
在梦想实现的 2021 和 2022 年，OpenAI 和 Google 都开始尝试把文本信息加入到扩散生成的过程中，产生了今天的 GLIDE 模型。OpenAI 在思想上的突破，用 Transformer 去海量地理解图片和文本，产生了 CLIP 模型，再用扩散模型在图像生成中融入海量的图文信息，优质的 AIGC 图片终于诞生。
接下来，我们将围绕一些问题进行讨论。
1、从产品化、商业化的角度出发思考，目前 AIGC 的技术层面的发展会产生影响？
有两个维度。第一个维度是在海量数据中寻找我们最想要的内容，第二个维度是在海量数据中得出新的内容，反向给予我们创造的灵感。
从 AI 本身的能力再进行泛化的话，一方面很多现有产品的使用体验能得到巨大的提升，例如在笔记类的软件中加入 AI 后，在写作过程中能得到更好的体验；另一方面，未来创意不强，生成能力较弱的人可能会被 AI 替代。
2、回到基本逻辑，我想确认下自己的理解是否正确：相较于 Transformer，ChatGPT 并不是在 AI 领域出现了一个颠覆性的技术创新，而只是在一个模式上加了人类的 feedback，设置了不断迭代的参数，它自己越搞越聪明了。
过去的所有模型的进化，其实围绕两个方向在进化。第一个是 DNA，第二个是方法论。DNA 很像真实世界中材料的研发，方法论更像是真实世界中材料的使用。
Transformer 是 DNA 的进化，是更核心的突破。ChatGPT 是方法论，但它就更简单了吗？并不是的，它在探索的过程中经历了很长的时间，同时要满足很多先决条件，这个方法论才能得以运用。不论方法论突破还是 DNA 突破，都很有意义。
3、未来的生意模式会怎么样？会不会更集中？围绕这样 ChatGPT 的模型，它会产生哪些创业方向？
可能有两种商业模式，一种是 To B 的，就跟阿里云一样，另外一种就是让开发者在这种大模型上去 To C。不论是 DNA 还是在方法论上的突破，它都可能让一个企业产生垄断，产生巨头效应。
ChatGPT 和用户不断互动，会得到源源不断的反馈数据，数据也是一种资产，一种生产要素。这种生产要素产生的产品会是人类更高频使用的东西，它的频率越高，这种生产要素就越来越重要，反馈能够创造的要素提升就越来越重要，同时带来的经济价值就越来越大。
4、会不会有规模效应或双边网络效应？
我觉得背后既有这种网络效应，又有一些规模效应。如果设想一下，第一个研发出来的这种中文大模型，它会快速地获取市场上有限量的开发者，开发者在用它的产品去面向 To C 去获取 C 端用户，它的数据会源源不断反馈回来，去优化它的效果，其实就会产生更强的垄断效应。
5、从投资的角度，在 AIGC，我们应该投什么样的团队？
我觉得传奇的团队是有创造 DNA 能力的团队，黄金的团队是有能力把应用层和 AI 完美结合的能力，白银的团队就是打造 AI 领域的基础设施的团队。
36氪
媒体专栏
阅读更多
金色财经
金色早8点
Odaily星球日报
澎湃新闻
Arcane Labs
深潮TechFlow
欧科云链
链得得
MarsBit
BTCStudy
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。