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，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。
孙宇晨地址从Aave撤回超5000万枚稳定币:8月1日消息，PeckShield监测显示，孙宇晨从Aave中提取5250万枚稳定币，包括约4070万枚USDT和1170万枚USDC。[2023/8/1 16:11:21]
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。
CLIP模型
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VisionTransformer，文字编码器叫Transformer。下图是VisionTransformer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。
数据：3000万枚ARKM代币从Arkham财库转移到空投合约:7月18日消息，据0xScope监测，7月18日14:24，3000万枚ARKM代币从Arkham财库转移到空投合约。[2023/7/18 11:02:09]
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。
GLIDE模型
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。
左图为增加噪声的过程，右图为除去噪声的过程
Web3钱包Zerion称其App已从AppStore中暂时下架:5月23日消息，Web3 钱包 Zerion 表示其 App 已被 App Store 暂时下架，团队正在努力解决该问题，将实时发布更多进展更新。[2023/5/23 15:21:06]
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。
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。
PRIOR模型
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。
Lido Finance提醒用户从Anchor中撤出bETH并转换为stETH:5月25日消息，质押协议Lido Finance在推特上提醒称，请使用anchor.lido.fi.从Anchor中撤出bETH并解封（unwrap）为stETH。所有的stETH资金都是安全的，但由于围绕UST的极端市场情况，bETH的每日奖励没有积累。[2022/5/25 3:40:31]
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。
三个模型的关系
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。
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TextEncoder，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ImageEncoder，也就是视觉转换器VisionTransformer，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。
标记为孙宇晨的地址将约1亿枚USDT从Aave转入币安:5月11日消息，PeckShield 在推特表示，被 Etherscan 标记为波场创始人孙宇晨的地址将约1亿枚USDT从Aave转入币安。[2022/5/11 3:06:02]
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。
发展历程
整个梦开始的地方，始于2017年Google发布的一篇论文《Attentionisallyouneed》。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VisionTransformer。
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GANnetwork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ToB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ToC。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ToC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。
最后分享一些我常用的工具，它们对于做投资判断来说很有重要性，希望可以对你有所帮助。
论文追踪：
https://paperswithcode.com
工程模型追踪：
https://huggingface.co/
AI项目追踪：
https://theresanaiforthat.com
来源：元宇宙之心
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。