AIGC：新世界正在到来｜真格投资人专栏

2023-01-12 07:01

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～

插播一则今晚的活动预告，北京时间 20:00 真格基金与拾象科技、海外独角兽联合举办「AIGC 的逻辑与未来」线上活动～想了解 DALLE2 和 ChatGPT 的原理及发展历史？想探寻 AI 的发展趋势？想获取对 AI 领域的投资建议？欢迎来和我们交流。

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。

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 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。

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

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。

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 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。

发展历程

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，同时也非常欢迎你报名今晚的活动，与我们进行更多的交流。

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。