TL;DR：得益于最新的技术进展，人工智能模型现在能将文本转化为其他形态。这篇文章回顾了AIGC的发展历程及现状，并预测未来的发展。
“一种基于文本指令创建绘图的算法”-?MidJourney
你现在看到的是文字——文字作为一种媒介，让我向你传达一连串的想法。自从人类用文字记录事物，而不再依靠记忆，我们就一直在使用一连串符号来传递信息，你可以把所有这些称为“文本”。
今时今日，以及在过去的几个世纪里，我们已经将我们对世界的知识、我们的想法、我们的幻想转化为文字。也就是说，人类的大部分知识现在都以文字的形式存在，我们也在用其他方式交流，比如肢体语言、图像、声音等。但文字是我们用于记录交流、思想和观念的最丰富的媒介，因为使用起来非常便利。
当GPT-3被输入互联网信息时，它消化了我们对周围世界的观察、我们的无聊世事、我们彼此之间疯狂的争论……，学会了在一连串符号化的人类混乱表达中预测下面的内容。
在学习我们连词成句进行交流的过程中，一个大型的语言模型会模仿我们如何开玩笑、安慰和发布命令。GPT-3开启了一场“革命”，在“从文本到文本”方面表现得非常好：输入一些任务例子或对话开头，这个生成模型就可以学习任务或继续对话。
我们在文字的使用方式中，几乎存在一定的“普遍性”，而我们的技术只是在最近才达到这样的程度：人工智能系统可以加以整合，发掘我们使用语言的方式，从而描述其他形态。实现强大文本生成能力的技术，也能用以实现文本条件下的多形态生成。“从文本到文本”变成了“从文本到X”。
在“从文本到文本”中，你可以要求模型对一只狗进行描述。在“从文本到图像”中，你可以将该描述转化为其对应的视觉效果。文本-图像模型提供了一种现有图像生成系统所不具备的新能力。现有的模型，例如GANs，经过训练，可以在给定的噪声输入下生成真实的图像。但这些模型的可控水平不高，难以达到DALL-E2、Imagen等模型的高度：用户可以要求生成一只戴着太阳镜的袋鼠，站在特定的建筑物前，拿着带有特定短语的牌子。你的愿望就是算法的命令。
AI Meta Club（AMC）的治理代币AMC即将上线Gate. io交易所:据官方公告，聚合AI与元宇宙Web3项目的AI Meta Club（AMC）的治理代币AMC将在新加坡时间：7月7日20:00 上线GATE.IO。其代币已在MEXC、Poloniex、CoinTR上交易。
AMC是以AIGC赋能元宇宙Web3项目的DAO平台。先前因以聚合AI工具生成马斯克前女友Grimes明星歌手的说唱而出名。[2023/7/4 22:17:47]
谷歌Parti生成的图片
在“文本到图像”得以有效实现之后，更多的应用随之而来：“文本到视频”是下一个热点。“文本到音频”技术已经存在。“文本到动图”和“文本到3D”技术说明了文字可以转化为其他事物。
这篇文章的主题是“从文本到一切”的一年。最近的技术发展，使人们能够以更有效的方式快速地将文本转换为其他形态。这些发展令人兴奋的，并有望在未来几年内实现大量的应用和产品。但是我们也应该记住，“文本的世界”是有局限性的，只是一些空洞的思考，描述世界却不与其发生实际互动。我将讨论时至今日的技术进步，也会思考如果文本信息的“呈现”仅仅停留在文本领域，“从文本到一切”会有怎样的局限性。
Hedera将在其分布式网络上推出封装AI NFT:金色财经报道，Hedera 公共分布式网络将推出封装人工智能 NFT，据悉该功能是欧洲深度科技初创公司 Humans.ai 与总部位于阿联酋的咨询公司 Deca4 合作在 Hedera 的人工智能区块链 Alverse 上开发，后续还会与 Hedera 链上众多项目进行整合，首个集成的项目是 AI 视频生成工具 Klon，该项目目前处于封闭测试阶段，用户获得 AI NFT 后可以解锁特定功能，比如在视频中设定特殊语音等。（prnewswire）[2023/2/3 11:45:36]
多形态终于成为现实
从技术上说，GPT-3揭开了一切的序幕。这已经被提到很多次了，所以我就简单说一下：OpenAI训练了基于transformer?架构的大语言模型。这个模型比之前的GPT-2大得多，训练的数据也多得多，OpenAI当时认为发布这个模型太危险了。它可以做一些事情，比如编写不那么复杂的JavaScript代码。有些人会觉得很酷，有些人会觉得一点也不酷，有些人会觉得一般般。创业公司都建立在新的最大的模型上，新闻和学术文章都在赞扬和批评新模型，美国以外的国家也在发展自己的大语言模型参与竞争。
2021年1月，OpenAI推出了一个名为CLIP的新人工智能模型，它拥有与GPT-3类似的zero-shot能力。CLIP向连接文本和其他形态迈出了一步，它提出了一种简单、优雅的方法来训练图像和文本模型，当有人进行查询时，整个系统可以在可能的标题选择中，把图像与相应的标题相匹配。
DALL-E可能是第一个“善于”从文本产生图像的系统，与CLIP在同一天发布。CLIP在第一代DALL-E中没有使用，但在其后续版本中发挥了重要作用。由于能够根据文字提示生成合理的图像，DALL-E上了多个新闻头条。
扩散模型登场
虽然一些人工智能先驱感叹，如果我们想实现“真正的”通用智能，深度学习不是办法，但“文本到图像”模型无疑适合运用深度神经网络的力量。深度学习模型中的一些互补性进展，使得“文本到图像”模型取得了进一步的飞跃：扩散模型被发现，实现了极高的生成图像质量。。
Rai Finance：黑客已归还部分被盗RAI:Rai Finance发推表示，经团队调查，黑客已将220万枚RAI返还给ChainSwap Deployer。此次事件造成的总损失减少到670000 RAI。[2021/7/5 0:26:52]
DALL-E2的发布时间距离DALL-E约一年多，利用扩散模型的技术进步，创造出比DALL-E更逼真的图像。而DALL-E2的风头很快就被Imagen和Parti抢去——前者使用扩散模型展现了惊艳的水准，后者则摸索出了一种补充性的自回归方法来生成图像。
故事并没有到此结束。Midjourney是一个用于图像生成的商业扩散模型，由同名实验室发布。稳定扩散模型借鉴了对潜在扩散模型的新研究，可以用有限的计算资源进行训练，因为StabilityAI公司选择公开该模型及其权重，StableDiffusion的发布受到了万众瞩目。
神经网络架构的创新并不是促成以上改进的唯一原因。雅虎在2015年发布了YahooFlickrCreativeCommons100MillionDataset，在当时是有史以来最大的公共多媒体数据集合。最近，Large-scaleArtificialIntelligenceOpenNetwork发布的数据集更在规模上令YFCC100M黯然失色。2021年发布的LAION-400M包含4亿个图像-文本对，然后是2022年发布的LAION-5B包含50亿个图像-文本对。
值得注意的是，虽然这些数据集能够大规模地训练图像-文本模型，但它们并非没有问题。TheDecoder的报告曾发现LAION的数据集包含未经同意发布的病人图像，研究人员也评论说，该数据集的质量并不纯正。如此庞大的数据集必然会有其他的伦理问题出现，OpenReview上的作者和审稿人似乎就这些问题进行了颇有见地的意见交流。
从文本到一切！
如果人工智能模型可以将文本转换为图像，那么它们可以将文本转换为视频吗？当然可以！10月份，一批从文本到视频的生成软件面市。Meta公司的Make-a-Video可以根据文本和静止图像生成视频，而谷歌大脑的Phenaki可以根据一系列构成故事的提示词生成一个连续视频。
公告 | 雪碧交易平台2月25日开启Deep AI Network的认购:据官方消息，Deep AI Network（简称DAN）将于雪碧交易平台开启两轮认购，第一场2月25日17时-18时，1DAN=0.12USDT；第二场2月26日17时-18时，1DAN=0.24USDT，用户认购前需实名且持有7000个XB。平台将于2月27日14:00开放DAN/USDT交易。
深度AI网络（Deep AI Network），是一个实践了“人工智能+区块链”的区块链产品，能够在区块链上实现智能协作、开源的底层系统，打造了一个平台，提供了相应的编程语言，使开发人员能够利用人工智能算力和区块链技术来建立和发布分布式应用。
雪碧交易平台成立于2019年，创始团队来自火币，已获得BiKi产业基金战略投资，注册用户约10万，是一家“社区联邦制”的数字资产交易平台。[2020/2/24]
也许更有用，或者说更令人担忧的是，这些生成模型也能胜任代码的编写。当用户注意到GPT-3可以写出像样的代码时，GPT-3开始登上新闻头条，声名鹊起。从那时起，代码生成语言模型的能力有了很大的进步。OpenAI的Codex能将自然语言转化为代码，并且许多其他类似的模型也在纷纷效仿。DeepMind的AlphaCode也能以合理的水平解决编程问题。
这些技术进步彼此追赶的速度令人印象深刻，正如KevinRoose等人所评论的那样：“AI的发展速度如此惊人，怎么强调都不为过。我刚写完一篇关于AI惊人发展速度的文章，市场上就有了一些重大发布，包括OpenAI的Whisper和文字到视频的生成软件。”
而且AI还可以更进一步：文本也可以转化为其他媒介，包括音频、动作和3D。
动态 | 比特币钱包Samourai Wallet研发团队收到10万美元投资:据Coindesk消息，比特币钱包Samourai Wallet的研发团队已获得了第一轮风险投资。该钱包的维护者Katana Cryptographic已收到Cypherpunk Holdings 10万美元的投资。[2019/6/3]
而且，正如我们的同伴JackyLiang博士所展示的，语言模型甚至可以根据自然语言指令编写机器人政策代码。
看起来生成式AI的可能性是无穷无尽的。我们只是看到了人工智能模型创造力的雏形。我预计，随着越来越强大的模型开发出来，文本将能够指导大量的发明创新。红杉资本最近发布的《生成式AI应用格局》，已经展示了许多不同的细分赛道。
在一个特定的生成赛道内，有许多可能性和商业领域可以应用这种类型的生成工具。文本生成不仅可以承担文章的写作，还可以承担平台的后期语言调整；图像生成和文本转3D工具可以为游戏、信息应用和市场营销创造各种工艺品；其他应用提供了生成文档的能力。而且，正如上图所指出的，音乐、音频和生物/化学方面的应用还没有到来。
ChatGPT和更多的“文字到文字”
即使是在“文本到文本”领域，也有海量的事情可以做：最近推出的ChatGPT在互联网上炸开了锅，基本上是因为该模型有能力以对话的形式全面回答问题。你可以要求它为你制定一个简单的锻炼计划，写一个课程大纲，建议你做什么，向你某位哲学家的作品，以及其他很多事情。
不够值得注意的是，ChatGPT的知识有严重的局限性。
事实上，如果你要求ChatGPT提供关于某个特定主题的更多细节，它就会开始自己绕圈子——挺符合你对一篇高中生作文的期望。事实上，ChatGPT的存在可能会改变我们对写作技巧的某些方面的理解。
>也许有理由感到乐观，如果你把这一切放在一边。也许每个学生现在都能立即进入更高的写作层次，每个学生都可以直接进入写作事业的更精细的方面，任何难以模仿的东西都将变得更明显。逗号连接、主谓不一致、冗长的修饰语等令人头痛的机械性问题都不复存在，写作的基础技能已经直接给定了。
正如我所提到的，ChatGPT似乎还只能对它所阐述的主题作比较浅层次的描述，无法太深入。它可以写得足够流畅，并给你一些所需要的细节，但如果你能提供它所缺乏的深入分析和深刻理解，它就还不能替代你的工作。
文本能超越自己吗？
通过在多模态数据集上训练模型，我们可以理解文字、语言中编码的信息如何映射到图像、三维图像和我们周围世界的其他表现形式。“文本到图像”表明，生成的图像可以反映精确的文字描述。但是生成式AI还不能做到尽善尽美，StableDiffusion模型在其生成的图像中明显存在着赋予人类正确手指数量的问题。
但值得注意的是，在“文本到图像”系统中，仅仅通过扩大语言模型就能实现改进。Imagen使用仅在文本上训练的T5编码器，产生的图像比DALL-E2更逼真，后者的文本编码器已被训练为产生类似于匹配图像嵌入的文本嵌入。
也就是说，将文本转化为其他模态的可能性并不明显。对那些看到真正发展限制的观点，我感同身受：尽管“文本到图像”数据集可以告诉我们这个世界的很多景象，但它们不存在于物质世界中，缺乏像我们一样能够与物体、与其他人类互动的能力，并通过互动从周围世界中收集视觉和非视觉信息。
但是显然，有很多事情可以做。谷歌最近的RT-1展示了如何利用自然语言来解决机器人任务。
“ChatGPT可以为你策划一场主题派对，但它能帮你在派对结束后打扫屋子吗？很可惜不能。我在谷歌机器人的朋友刚刚公布了RT-1，一款带有眼睛、手臂和轮子的变形机器人！”
正如Fran?oisChollet在一次采访中向我指出的那样，在“文本到图像”这个领域，神经网络的能力可以大放异彩。我也对潜在的二级应用场景感到兴奋，比如在文本指导下的分子设计和其他并不显而易见的创意。
然而，我认为要真正发掘“文本到X”模型的潜能，着实需要有更好的界面：我们需要以更好的方式，向模型表达我们的意思、概念和想法。提示工程作为一门学科出现，可以反映出我们目前与GPT-3等模型的交流方式是低效的。
展望未来，我认为在我们使“文本到一切”成为现实的过程中，我们需要解决两个驱动发展的问题：
1.我们如何构建界面，使我们能够更好地将我们的意图传达给AI模型？
2.这些模型能够为我们带来哪些有用的生成结果或行动？
但是在实际问题之外，我认为另一个问题更有意思：文本到{文本、图像、视频等}的模型并不完美，但非常好用。在将想法以图像或视频的形式呈现出来这一方面，这些模型远比普通人，甚至是本身颇有艺术造诣的人类要好得多。正如DanielHerman关于ChatGPT提出的问题：对从事艺术、从事视频制作而言，文本到一切意味着什么？我们是否会进入这样一个时期：艺术的基础知识变得更加商品化，任何人都可以通过不同的媒介，以更精细的艺术手法传递自己的思想？在那里，水彩画的技巧被简化为提示中的文字，剩下的就是人类和AI系统之间的共舞互动？
一如既往，我们不应该夸大这些AI系统的能力——它们经常会出现显而易见的错误。但是，当遇到正确的问题时，AI可以表现得很出色，为人类提供更多空间去做更有趣的事情，并追寻写作、艺术的更高层次。
而且，除了这些直接的应用之外，“文本到X”模型及其基础技术还有哪些尚待探索的进一步应用？研究人员已经在考虑如何使用NLP模型来预测蛋白质的氨基酸序列，这是预测字母序列的一个明显的应用，离生成文本只有一步之遥。投资者和人工智能报告的作者NathanBenaich，在我最近与他的谈话中提到，他对最先进的扩散模型如何应用于生物和化学领域感到兴奋。
今年是“从文本到一切”的一年，如果说从今年的惊人发展中可以学到什么的话，那就是文本作为一种“发出指令”的媒介，正变得更加强大。你不需要艺术培训，也不需要一套数字艺术软件或绘画工具，也能来把“漂浮的城市”这一想法变成视觉现实。你可以把它说出来或打出来，让它存在。
你将用你的文字创造什么？
来源：DeFi之道
作者：DanielBashir
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。