LON:从AIGC看到新世界正在到来

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。

数据:某地址近1个月从Amber、Dragonfly购买120万枚DYDX和300万枚BLUR:金色财经报道,据推特用户余烬监测,有鲸鱼/机构以场外交易的方式从Amber、Dragonfly购买了120万枚DYDX和300万枚BLUR。

该鲸鱼/机构自3/7以来,转给Amber 177万枚USDC并从Amber地址接收了250万枚BLUR。转给Dragonfly 338万枚USDC并从Dragonfly地址接收了120万枚DYDX和50万枚BLUR。[2023/4/7 13:49:36]

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。

安全团队:被标记为孙宇晨的地址从Aave撤回5000万枚BUSD:10月21日消息,据派盾(PeckShield)监测,被标记为孙宇晨的地址从Aave V2中撤回5000万枚BUSD,此外该地址还向Paxos Treasury相关地址转入7000万枚BUSD。[2022/10/21 16:33:47]

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。

PeckShield:孙宇晨控制地址从Aave V2撤回5000万枚USDT并转入与Poloniex相关地址:金色财经报道,PeckShield在推特上表示,被Etherscan标记为孙宇晨控制的地址从Aave V2撤回5000万枚USDT并转入与Poloniex相关的地址,此外该地址还向Poloniex相关地址转入10万枚TUSD。[2022/10/17 17:29:10]

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。

DAM Finance从Arrington Capital Moonbeam Growth Fund获得战略投资:8月11日消息,dPRIME Asset Modules Finance(DAM Finance)从Arrington Capital Moonbeam Growth Fund获得战略投资。对DAM Finance的投资是Arrington Capital Moonbeam Growth Fund的第三次重大投资,该基金是最近推出的1亿美元基金,旨在为Moonbeam生态系统提供动力。(Crypto Daily)[2022/8/11 12:19:20]

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。

Cardano将于下周从Alonzo blue过渡到Alonzo White:IOHK 技术经理 Kevin Hammond 表示,Cardano将于下周从Alonzo blue过渡到Alonzo White。过渡将分步进行,这些步骤将包含节点新版本和增强型 CLI 的发布。根据路线图,Alonzo Purple、Alonzo Red和 Alonzo Black将在2021年第三季度最后一个月的HFC活动之前跟随Blue和White。

注:Alonzo是Cardano的一次硬分叉升级,本次升级将把智能合约带入Cardano,第一版测试网已于5月底上线,主网计划在2021年9月左右推出。在Alonzo之前,还有两次硬分叉,分别是Allegra和Mary,Alonzo将是开启Goguen阶段的最后一次硬分叉。(ambcrypto)[2021/6/27 0:09:29]

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。

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。

地球链

[0:15ms0-1:16ms