TikTok乱拳打死老师傅：硅谷大厂还在发论文，它产品已经上线了

突然间，AI文字转图片成为了全球科技业的一大流行技术趋势。几周前我们报道了“新一代梗图之王” DALL·Emini，一个脑洞十分清奇的文字转图片AI小工具。当时我们也提到，包括谷歌、OpenAI 等大公司和顶级研究机构都在开发相关模型，就连时尚杂志《COSMO》都采用AI来设计杂志封面。
文/杜晨
来源/硅星人

图片来源：COSMO杂志
然而令许多人没想到是：
就在各家硅谷大厂斥巨资研发、砸了无数的人力、发了无数的论文，却还在测试相关技术的时候，TikTok居然异军突起，首先把AI文字转图片做到了产品里，而且直接交到了全球十亿用户的手上……
乱拳打死老师傅，中国速度太快了
在TikTok的特效菜单下，最近增加了一个名叫“AI绿幕”(AIGreenscreen)的新选项。
点击这个选项，然后在屏幕中间的对话框里输入一段文字描述，只用不到5秒的时间，TikTok就可以根据文字描述生成一张竖版画作，用作短视频的背景：

图片来源：硅星人截图
TikTok用的这个文字转图片模型，还是非常简单的。硅星人测试了几个含义大相径庭的提示，生成的图片可以说都十分的“迷幻”，没有任何写实色彩。
但这并不是缺点缺点——正相反，生成结果具有非常强的水彩/油画感觉，风格迁移(styletransfer)的痕迹明显，而且用的颜色也都鲜亮明快，给人一种耳目一新的感受。

图片来源：TechCrunch截图
我特别想单独说一下我自己生成的两张图片：
下图左边的提示字段是知名游戏“最后生还者”。生成结果的辨识度太高了，这不正是游戏主角Ellie被泥浆血水浸湿的头发吗？
右图更有意思，提示是“轰炸”：我完全没有想到如此“不和谐”的字段，TikTok的模型居然生成的结果却相当的“自洽”，特别是图中的“轰炸机”反而看起来像是代表和平的“白鸽”——是否你也能读出一点讽刺的意味？

图片来源：硅星人截图
当然话说回来，这些只是我自己的解读和感受，绝不可能是模型的“本意”。但是有趣的艺术作品不正应该是这样嘛，让人能够发现一些巧妙的“彩蛋”，甚至浮想联翩，解读出另外的含义。
从这一角度，我还是非常认可TikTok目前部署的这个模型的。
模型的质量也值得一提。TheVerge、TechCrunch等美国媒体测试了一些特殊的敏感字段，AI绿幕生成结果更加抽象了，显示出字节部署的模型在争议字段上可能已经做出了提前规避。
要知道AI文字生成图片本来就不是简单的技术，避免争议/道德风险更是一项相当复杂的工作。

图片来源：TheVerge截图
正如文章前面提到，谷歌、OpenAI等巨头公司和知名机构开发的AI文字生成图片模型，目前都处于刚刚发布或者小范围测试，还在“纸上谈兵”的阶段。
这边TikTok不仅很快跟进推出了同类模型，更厉害的是已经将其投放到全球十亿用户量级别的产品里了。
本来以为AI艺术创作的潮流还是几个硅谷大厂在引领，没想到字节跳动居然“乱拳打死老师傅”——必须给中国互联网科技公司的工作速度和质量点赞了。
AI创作成潮流，硅谷大厂挤破头
早在2020年，全球知名的人工智能基础科研机构OpenAI发布了一个名为GPT-3语言模型。当时OpenAI的论文题为“LanguageModelsareFew-ShotLearners”，直接点出了超大规模语言模型在多种非训练人物上具备强大、快速的学习和掌握能力。
GPT-3也完全没令人失望，在小范围开放测试API之后，外界人士用它开发出了各种各样神奇的demo，展示了写段子、翻译公式、解数学题、完成用户界面设计、生成财务报表等能力。
“AI文字生成图片”也是这些能力的其中一项。
图片来源：硅星人
包括 OpenAI、谷歌、Midjourney、StabilityAI 等一众大小公司，已经开发出了多个文字转图片生成模型，展示出神经网络模型具备令人惊讶的艺术创作能力。
从 AI文字转图片生成技术开始得到公众关注，到今天各路大厂和小公司挤破头也要掺和，各种不开放的、开放的、收费和免费的模型层出不穷……也就过去了一年左右的时间。
在这些模型当中，OpenAI的DALL·E是最著名的一款。该模型一代于2021年推出，今年刚刚更新到了二代。用户只需提供自然语言描述，模型就能够生成非常写实 (photorealisitic) 的图片。

图片来源：OpenAI
除了从零开始生成全新照片，DALL·E2还有更多功能，适合现实中多种艺术工作场景。
比如它的编辑能力，可以在一张已经存在的照片中，在用户任选的位置“删除”或者“添加”物体，并且编辑后的效果仍然很写实：

图示：在照片的不同位置添加“火烈鸟”。图片来源：OpenAI
再比如 DALL·E2还具备“启发”的能力，能够根据一张已经给定的图片，生成风格近相同的新照片：

图片来源：OpenAI
顺便一提：有个跟OpenAI没关系的第三方开发者，自己仿着DALL·E做了一个图片生成模型，还给免费开放了，取名为DALL·Emini。
结果这个“仿制品”比正品还受欢迎，在社交网络Twitter上专门搬运这个模型生成的奇怪图片的账号，粉丝量都破了百万。甚至逼得OpenAI专门出来澄清跟它没关系，要求开发者做出改变。现在这个免费小工具已经改名为 Craiyon了。
（听说此事之后，粉丝们还做了一张梗图，嘲笑OpenAI那边还在控制测试权限，这边DALL·Emini早就给全网玩嗨了……）

图片来源：FALSEKNEES
而在硅谷大厂的行列当中，现在谷歌是已知动作最快的，在DALL·E2出来不久后也发布了自己的模型，名为Imagen。
就像DALL·E的根源是语言超大模型GPT-3，Imagen的根源也是谷歌开发的泛用型超大语言模型T5。至于Imagen的这个命名，其实是图片(image)+生成(generate)的混成词。


图片来源：GoogleResearch
虽然做的比DALL·E晚，同样作为硅谷知名AI研究型公司的谷歌，还是非常不服OpenAI的，宣称找人做了一堆同类模型的盲测，结果是受试者更喜欢Imagen生成的结果，认为其在“生成质量”和“文字描述还原度”上都更胜一筹。
——当然，究竟是DALL·E2和Imagen谁的生成结果更好，还是一个很主观的，见仁见智的事情。在技术实现上，这两家其实大同小异，都是用了Diffusion（扩散）模型生成，然后再用Super-Resolution（超分辨率)技术来让生成结果更加清晰。

图片来源：GoogleResearch
还有更多规模更小的新创公司也在做AI图片生成和艺术创作这件事。
其中一家比较有意思的公司就是Midjourney，其创始人是原知名动作感应技术公司LeapMotion创始人DavidHolz；公司的投资人和顾问团队更是相当强大，都是苹果、特斯拉、AMD、GitHub等知名公司的核心人物。
Midjourney跟OpenAI、谷歌的写实方向背道而驰，而是在抽象、艺术性、独特风格之间寻求某种巧妙的结合点，这也是这家公司和其模型比较特别之处。另外Midjourney开放模型技术的做法也很“年轻化”，不是发布API和文档，而是把服务接口做到了聊天软件Discord里。

图片来源：Midjourney
说完这些比较知名的公司，再来看一家名不见经传，但是和TikTok一样出手极快的美国公司：StabilityAI。
这家公司总部位于硅谷LosAltos，在上周刚刚发布了一个可以免费使用的AI图片生成产品StableDiffusion。

图片来源：StabilityAI
StableDiffusion和前面介绍的几个写实派模型没有太大不同。但是和产品、公司名称里的“稳定”正相反，这个模型在有害/争议字段的处理上，可以说完全没有任何作为。而又因为产品是完全免费提供给公众的，已经有很多用户用它制作deepfake、暴力、恐怖主义、虚假新闻图片等有害的内容了……
最近大半年，AI图片生成已经成为了一个名副其实的科技行业“热词”，只是没想到，OpenAI和谷歌做了这么多年，却被 TikTok给悄无声息地跑赢了。接下来，应该会有更多的科技公司也参与其中，不少全民应用背后的大厂估计又要忙活着把这项技术加到产品中了。