2023年的AI繪畫領(lǐng)域是由兩家公司的動態(tài)引爆的。

3月17日百度發(fā)布文心一言，網(wǎng)友們瘋狂發(fā)散想象力，令人捧腹的圖片接連被生成。關(guān)于文心一言文字生成圖片的討論熱情空前高漲。

緊接著，3月18日，美國Midjourney公司宣布第五版AI圖像生成服務(wù)，即MidjourneyV5。本來就處在行業(yè)領(lǐng)先水平的Midjourney，這一次版本更新真正讓AI繪畫圈沸騰了。因為MidjourneyV5生成的圖片堪稱驚艷。

(資料圖片僅供參考)

兩個系統(tǒng)幾乎同時發(fā)布，免不了被對比。深燃體驗后發(fā)現(xiàn)，文心一言的圖片生成功能，能夠識別簡單元素、文本沒有歧義的人或事物，但涉及到成語、專有名詞，以及字面意思和實際意義不同的表述，它就會跑偏。Midjourney在這方面幾乎沒什么問題。另外，Midjourney接收到的提示詞（prompt）越詳細(xì)精準(zhǔn)，生成的圖片越符合要求，但文心一言需求越多，系統(tǒng)越容易出錯。

調(diào)侃背后，AI生成圖片其實不是一件簡單的事情，需要在數(shù)據(jù)、算法、算力等方面綜合發(fā)力，既對技術(shù)和硬件有高要求，還對數(shù)據(jù)采集和標(biāo)注等苦活累活高度依賴。文心一言的AI繪圖功能與Midjourney在以上三方面都有不小的差距。

百度方面公開表示，“大家也會從接下來文生圖能力的快速調(diào)優(yōu)迭代，看到百度的自研實力。文心一言正在大家的使用過程中不斷學(xué)習(xí)和成長，請大家給自研技術(shù)和產(chǎn)品一點信心和時間。”從業(yè)者預(yù)估，文心一言全力追趕，用一年左右的時間有希望達(dá)到國外80%以上的水平。

AI繪圖這個戰(zhàn)場，槍聲已經(jīng)打響，追逐賽、排位賽都將一輪輪上演。

01

搞不定成語和專有名詞，提示詞越多AI越廢

文心一言最近接受的最大考驗，莫過于畫一幅中餐菜名圖。在網(wǎng)友們的熱情創(chuàng)作下，驢肉火燒、紅燒獅子頭等菜品出來的畫做一個比一個離譜，車水馬龍的街道、虎頭虎腦的大胖小子，同樣驚掉了大家的下巴。

網(wǎng)友體驗文心一言時截圖，目前已更新

網(wǎng)民熱心找bug，百度程序員應(yīng)該也在背后發(fā)力，深燃測試發(fā)現(xiàn)，以上內(nèi)容均已更新為可以正確顯示對應(yīng)圖片。不過，像娃娃菜、臉盆、虎皮雞蛋、三杯雞，還有胸有成竹的男人、虎背熊腰的男人，文心一言仍然給出的是字面直譯后的圖片，畫風(fēng)一言難盡。

深燃截圖

即便輸入提示詞時強(qiáng)調(diào)“畫一個衛(wèi)浴器材水龍頭”，文心一言畫出的仍然是水中龍的頭像；當(dāng)深燃輸入“畫一個風(fēng)姿綽約的人”時，系統(tǒng)畫出的是一位男士，顯然AI沒能理解風(fēng)姿綽約形容的是女人。

深燃截圖

程序員改bug的速度比不上網(wǎng)友找漏洞的速度。很快又有人發(fā)現(xiàn)，文心一言畫圖時有把提示詞中譯英之后根據(jù)英文意思生成圖片的可能性，據(jù)此有人推測百度可能用國外的作圖產(chǎn)品接口，套了一個自己的殼。

深燃也驗證了一下某用戶的測試。比如輸入“水瓜”，畫出的是西瓜，這也對應(yīng)西瓜的英文單詞Watermelon；要求畫樹葉、封面、蘋果，畫出的圖是樹葉覆蓋蘋果，顯然系統(tǒng)是把封面翻譯成了Cover，這個單詞也有覆蓋的意思；畫“土耳其張開翅膀”，出現(xiàn)的畫面是張開翅膀的火雞，我們都知道，Turkey是土耳其，也是火雞。

深燃截圖

對此，百度對外回應(yīng)稱，文心一言完全是百度自研的大語言模型，文生圖能力來自文心跨模態(tài)大模型ERNIE-ViLG。“在大模型訓(xùn)練中，我們使用的是全球互聯(lián)網(wǎng)公開數(shù)據(jù)，符合行業(yè)慣例。”

亞洲視覺科技研發(fā)總監(jiān)陳經(jīng)也在接受媒體采訪時表示，“百度的畫圖AI采用了英文標(biāo)注的開源圖片素材進(jìn)行訓(xùn)練，因此需要中翻英來當(dāng)prompt（提示詞）。目前，全球AI研發(fā)有開源的傳統(tǒng)，特別是訓(xùn)練數(shù)據(jù)庫，不然收集圖片效率太低了。”

深燃體驗后還發(fā)現(xiàn)，文心一言在單個需求描述時表現(xiàn)尚可，比如畫一幅憤怒的小孩、開心的農(nóng)民、一只很餓的流量貓，但一幅圖一旦提出多個作圖需求，AI就有點懵。

比如請文心一言“生成一幅畫，在一個下雨天，小紅在植樹，小王在看書”，系統(tǒng)生成的圖片里只有背靠樹看書的一個人；還有，“畫一幅畫，里面有大笑的年輕人、哭泣的小孩、愁容滿面的老人”，系統(tǒng)把哭泣和愁容滿面等表情集合在了一張臉上，畫出了一個小孩和老人的結(jié)合體。如下圖所示，還有一些類似的情況，系統(tǒng)同樣沒能準(zhǔn)確完成給出的指令。

深燃截圖

深燃又把上述提示詞輸入到MidjourneyV4測試了一下，如下圖所示，即使是V4版本，表現(xiàn)也遠(yuǎn)高出文心一言。MidjourneyV4基本能理解句子中的意思，做出的圖幾乎可以包含所有的要素。

深燃體驗MidjourneyV4后截圖

深燃還測試了AI繪畫領(lǐng)域一直以來難以攻克的畫手指難的問題。在這方面，文心一言也沒能經(jīng)受住考驗。比如“畫一位30歲的女士，雙手豎起大拇指”，文心一言生成的圖片大拇指是豎起來了，但是其中一只手有7根手指；輸入“畫一個人，兩只手做點贊姿勢”時，系統(tǒng)也無法實現(xiàn)這一手部姿勢。

深燃截圖

Midjourney此前的版本同樣存在手指誤差的問題，最新發(fā)布的V5版本，已經(jīng)能夠正確畫出五根手指，雖然有人依舊指出其繪出的大拇指有點長，但相比以往已經(jīng)有不小的進(jìn)步。有從業(yè)者評價：“Midjourney的此前版本就像是近視患者沒有戴上眼鏡，而MidjourneyV5就是戴上眼鏡后的清晰效果，4K細(xì)節(jié)拉滿”。

比如MidjourneyV5畫出的《三體》角色圖，效果被網(wǎng)友評價為幾乎要“成精了”。而文心一言畫《三體》角色時，系統(tǒng)全然不顧描述里提到的留著黑色短發(fā)、戴著眼鏡的要求，畫出了一個扎著發(fā)髻，不戴眼鏡，古風(fēng)穿著的男士。

上圖為MidjourneyV5生成的三體角色圖 圖片來源 / Ai總編推書

下圖為文心一言作圖 / 深燃截圖

最近MidjourneyV5畫的一對情侶的圖片掀起了業(yè)內(nèi)一陣驚呼。作圖的提示詞是：“一對年輕的情侶穿著牛仔褲和夾克坐在樓頂上”，背景分別是2000年和2023年的北京。最后出圖的效果大大超出很多人的想象。深燃把類似表述輸入文心一言時，系統(tǒng)直接給出了毫不相關(guān)的圖片。

左圖為MidjourneyV5作圖圖片來源 / 量子位

右為深燃對比體驗文心一言截圖

對比來看，Midjourney作圖已經(jīng)在細(xì)節(jié)上幾近完美了，文心一言還處在難以準(zhǔn)確分辨字面意思和實際意思的初級階段。Midjourney提示詞描述越詳細(xì)，生成的圖片越精準(zhǔn)，文心一言能理解的文字長度有限，過多描述會讓它直接報錯或者胡亂生成圖片。

02

AI文生圖到底有多難？

按出現(xiàn)時間來算，AI繪畫算是AI領(lǐng)域的新事物。

公開報道顯示，2021年1月，OpenAI發(fā)布了兩個連接文本與圖像的神經(jīng)網(wǎng)絡(luò)：DALL?E和 CLIP。DALL?E可以基于文本直接生成圖像，CLIP能夠完成圖像與文本類別的匹配。DALL?E是基于GPT-3的120億參數(shù)版本實現(xiàn)的。

隨后在2022年，DALL·E 2、Stable Diffusion等文生圖底層大模型發(fā)布，帶動了應(yīng)用層的發(fā)展，出現(xiàn)了一大批爆款產(chǎn)品，包括Midjourney。2022年也被認(rèn)為是“AI繪畫元年”。

StabilityAI的Stable Diffusion是一個開源模型，很多開發(fā)者基于這個模型開發(fā)訓(xùn)練出了更多不同的生成模型。國內(nèi)很多科技公司的AI繪畫項目也是由Stable Diffusion提供技術(shù)支撐。Midjourney是付費(fèi)訂閱的，公開信息顯示，Midjourney每年的收入可能達(dá)到1億美元左右。另外，有AI繪圖業(yè)務(wù)的還有Google、Meta等公司。百度的文心一言和此前就發(fā)布的文心一格算是國內(nèi)最早的具備AI繪畫功能的大模型。

文心一言的發(fā)布和升級了的MidjourneyV5更是將AI繪畫行業(yè)推向高潮。這一次迭代是Midjourney自去年推出以來最大的更新，Midjourney也成了目前市面上最先進(jìn)的AI圖像生成器之一。

熱度還在繼續(xù)。最近，行業(yè)內(nèi)又有一系列企業(yè)跟進(jìn)推出AI繪畫功能。3月21日，微軟宣布，必應(yīng)搜索引擎接入了OpenAI的DALL·E模型，將AI圖像生成功能引入新版必應(yīng)和Edge瀏覽器，免費(fèi)開放。就在同一天，Adobe發(fā)布AI模型Firefly，支持用文字生成圖像、藝術(shù)字體。

可以說，2023年，AI繪畫行業(yè)迎來了真正的大爆發(fā)。

調(diào)侃文心一言之余，客觀來說，AI生成圖片本身就不是一件容易實現(xiàn)的事情。系統(tǒng)的語義理解能力、充分的數(shù)據(jù)標(biāo)注、細(xì)節(jié)處理、用戶的提示詞選擇，都在AI作圖中起著重要作用。

AI領(lǐng)域資深從業(yè)者郭威告訴深燃，之前AI生成圖片只需要確認(rèn)風(fēng)格、物品等，用GAN（生成式對抗網(wǎng)絡(luò)）生成圖片。文心一言和Midjourney這一代模型的做法是先理解自然語義，再生成圖片。把自然語言輸入到系統(tǒng)里，AI對語義的理解和人類的理解不可避免會有偏差。

“更大的難點，還是標(biāo)注數(shù)據(jù)。語義比詞組的空間更大，需要大量數(shù)據(jù)，而且標(biāo)注難度和成本更高。”郭威說。

很多人以為，系統(tǒng)生成圖片有誤時，后臺改一個標(biāo)注就能矯正系統(tǒng)了。比如生成“驢肉火燒”出了錯，只是告訴系統(tǒng)這是一道菜，而不是一頭驢就行了，但這種方式只是一對一修改而沒有一層層訓(xùn)練，修正了單個錯誤，并不會增強(qiáng)系統(tǒng)的理解能力，治標(biāo)不治本。

也就是說，即便是有大量開源的全球數(shù)據(jù)庫圖片可以用，國內(nèi)的系統(tǒng)在中文提示詞與英文素材對應(yīng)方面還需要做大量工作。

另外，AI生成的圖片極難完善眼睛、手、腳等部位細(xì)節(jié)。一直以來，行業(yè)內(nèi)就有“AI不會畫手”的說法，很多人判斷是不是AI作圖，就看圖片中的手畫得怎么樣。“因為深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)沒有足夠的數(shù)據(jù)學(xué)習(xí)手指與手指之間的架構(gòu)邏輯，加上手指關(guān)節(jié)間特征屬于細(xì)小顆粒度，生成的手容易出錯。”資深A(yù)loT算法從業(yè)者連路詩說。目前除了MidjourneyV5，其他AI作圖產(chǎn)品細(xì)節(jié)方面的問題還沒有完全解決。

到了最終生成圖片環(huán)節(jié)，用戶選擇用什么提示詞（prompt）和風(fēng)格（style）來生成想要的圖片也很重要，新用戶往往不得方法，很難找到精準(zhǔn)的提示詞或足夠契合的風(fēng)格。

此外，目前的AI繪圖產(chǎn)品還存在一些共同的挑戰(zhàn)。

連路詩提到，一方面是時效性不夠，目前AI繪畫知識庫的更新、數(shù)據(jù)的引入不完全是實時的，如果加入實時性數(shù)據(jù)，需要巨大的成本；另一方面，目前各系統(tǒng)對數(shù)據(jù)過濾的嚴(yán)謹(jǐn)程度不一樣，有的設(shè)置了相對嚴(yán)格的禁用詞，有的沒有，法律或道德邊界不清。

還有一個是AI繪圖帶來的版權(quán)問題。目前行業(yè)內(nèi)大部分企業(yè)不對外宣布自己用來訓(xùn)練AI的圖片來源，這樣的AI生成圖片商用時，可能存在未知的法律風(fēng)險。且目前AI作的圖也不受版權(quán)保護(hù)。

03

多久才能追上？

行業(yè)共性問題之外，根據(jù)多位從業(yè)者的說法，在數(shù)據(jù)、算法、算力三方面，文心一言都跟Midjourney差距不小。

數(shù)據(jù)方面，文心一言數(shù)據(jù)的數(shù)量和質(zhì)量都需要提升。

連路詩解釋，NLP（即natural language process，自然語言處理）分成幾個過程，第一步是自然語言理解，比如，實體識別，系統(tǒng)會根據(jù)專屬名詞生成自己的理解；接下來是自然語言生成，包括生成文字和圖片。大多數(shù)問題出在對自然語言的理解不準(zhǔn)確，這時候就需要人工對句子進(jìn)行數(shù)據(jù)處理、參數(shù)調(diào)整等。

“中文本身難在字與字之間沒有間距，人工分詞一方面要隔開字詞的間距，同時要界定動詞、名詞等詞性，還要標(biāo)注主語、謂語、賓語，以及是否為常用詞等”，連路詩補(bǔ)充，“分詞需要龐大的人力投入，一般一個小組至少需要5000人。AI公司通常把這一需求外包給人力成本較低的省份的公司，另外，AI生成圖片的結(jié)果也需要人類的反饋增強(qiáng)學(xué)習(xí)。”

基礎(chǔ)標(biāo)注工作做好之后，系統(tǒng)會將這些詞轉(zhuǎn)成向量進(jìn)行計算，向量越不準(zhǔn)確，生成的結(jié)果越模糊。“目前百度可能做了一部分工作，但還沒達(dá)到能準(zhǔn)確理解大部分語義的程度，可以判定為不及格。”連路詩說。

陳經(jīng)也提到，大模型需要的數(shù)據(jù)庫里的“圖片是要標(biāo)注的，這更加大了收集整理圖片的難度。當(dāng)前也有中文標(biāo)準(zhǔn)的訓(xùn)練數(shù)據(jù)，但是少很多。由于發(fā)布時間倉促，百度對于畫圖AI的中文輸入詞還沒完全搞定，后續(xù)應(yīng)該會根據(jù)用戶反饋，把中文的提示詞與英文的訓(xùn)練素材更好的對應(yīng)上。”

第二大差距是算法。

算法方面，各公司在底層大模型的使用層數(shù)上有差別。連路詩認(rèn)為，以文心一言目前在算法方面的表現(xiàn)來看，有可能與Midjourney等模型的深度神經(jīng)網(wǎng)絡(luò)的層數(shù)有十倍左右的差距。

“AI生成圖片不準(zhǔn)確還有一種可能性，該系統(tǒng)的底層架構(gòu)不是深度神經(jīng)網(wǎng)絡(luò)，也沒有根據(jù)底層Vector（向量）一點點像素級生成圖片，而是系統(tǒng)先用搜索引擎匹配知識圖譜，再生成圖像，也可以理解為拼湊貼圖。神經(jīng)網(wǎng)絡(luò)在對圖片進(jìn)行計算的時候，本來就有圖片的旋轉(zhuǎn)、切割、拼湊，這樣的系統(tǒng)生成的圖片有可能是顆粒度很粗的片狀圖片拼湊出來的。”連路詩做了這樣的推測。不過，文心一言屬于哪種技術(shù)還不清楚。

第三，算力上的差距。OpenAI號稱自己的模型是千億規(guī)模參數(shù)，也就是每次計算的時候擁有1000張以上顯卡分布式計算的算力。百度與國外幾家主要科技企業(yè)的算力差距同樣不小。

當(dāng)然，百度和Midjourney目前的發(fā)展程度不一，與其發(fā)展階段也有關(guān)系。

Midjourney于2022年3月首次面世，目前已經(jīng)迭代到了第五代。百度文心一言所具備的AI作圖功能，即文心一格，雖然在2022年8月就推出了，但目前沒有看到相關(guān)的升級迭代信息。而在AI領(lǐng)域，變化幾乎是以天為單位的。

國內(nèi)AI繪圖多久能趕上國際水平？郭威對此比較樂觀。在他看來，“數(shù)據(jù)方面雖然有差異，但最多也只有半年左右的差距，中文類的數(shù)據(jù)國內(nèi)比國外更多，拼命補(bǔ)一下能趕上。”

至于算法差異，他表示，OpenAI等幾家機(jī)構(gòu)比Google、Facebook、百度等高出半年到一年的水平，之前因為不確定性大，各企業(yè)沒有重點布局，現(xiàn)在驗證這條路是有前途的，針對性追趕，很快也能趕上。雖然OpenAI沒開源，但從OpenAI出來的一些人很快也會把技術(shù)思路共享到小圈子里，頭部公司很容易跟進(jìn)。

“算力的差距就很難彌補(bǔ)了，短期內(nèi)難追上去，但是用一年多時間把國內(nèi)系統(tǒng)做到國外80分或90分以上的程度是可能的。”郭威說。

無論如何，接下來，AI繪畫將會走到舞臺中央大放異彩是確定的事實，對各公司來說，拼的是速度。行業(yè)規(guī)則是公開的，所有選手都在往前跑，這時候，競爭是最大的動力，拿結(jié)果說話才是硬道理。

*應(yīng)受訪者要求，文中郭威為化名。

標(biāo)簽：