AI 绘画一日,人间一年。


上半年走红的 Dall-E 2、Midjourney,下半年风头完全被 Stable Diffusion 盖过。


近期火热的绘图产品,名字里都有“diffusion”,它们均得益于人工智能“扩散”算法。该算法突破了 AI 绘画的应用临界点,更易上手,效果更好。


1.jpg

由Stable Diffusion生成


机器作画已经有半个世纪的历史,而两年之内,AI 绘画忽然成了“进击的巨人”,不仅质量肉眼可见的提升,生成图片的速度也从年初的几个小时缩短到十几秒钟。


AI 绘画技术的大幅度进步,激发了人们对“创意 AI”的兴趣——从美术到诗歌,一系列 AI 工具正在模仿人类的创造力。但没有什么人真正觉得惶恐。


前一阵子,有不少人猜测生物学家颜宁离美归国,是因为 AlphaFold 人工智能系统能够预测蛋白质结构,被抢了饭碗。


实际上,能写新闻资讯的软件早就存在,并没有记者为此失业。AI 连写豆腐块的人都无法替代,更不用说能替代顶尖科学家了。


扩散算法是什么? 


当下的人工智能模型,使用的都是深度学习神经网络。自学习模型,比如 GPT-3 是其中最著名的模型,它会在大约 45 TB 文本数据的神经网络上“学习”,生成和人类产出相差无几的作品。


Stable Diffusion 是深度学习家族的一部分。具体来说,Stable Diffusion 通过潜在的扩散模型,学习图像和文本之间的联系。它的工作原理是,获取图像数据,并对其添加“噪点”。


噪点,也叫噪声,是指数码摄影器材拍摄的图像中,存在的粗糙点,一般受电子干扰产生。


一幅画面被逐步加入噪点,一直到整个画面都变成白噪点。该模型记录这一过程,进行逆转,给 AI 学习。


1.jpg


从 AI 的角度,先看到的是一幅布满噪点的画面,再看到画面一点点变清晰,最后成为画作。AI 学的是整个去噪点的过程,特别是如何处理高斯噪声,最后生成画作。


高斯噪声指的是概率密度函数服从高斯分布(即正态分布)的一类噪声,扩散算法添加高斯噪声,一是为了验证“实际”图像的有效性,因为使用环境里的图像都是带噪点的;一是为了方便学习,只要噪点不符合标准正态分布,就算失效。


Stable Diffusion 的基础数据库叫 LAION-Aesthetics,包含了带图说的图像,还根据“审美风格”进行过滤。


其他经训练的人工智能模型也对数据库进行“修正”,来预测人们如何回答“你有多喜欢这幅画”时的打分评级,以便消除一些黄暴内容。


和“前辈”有何差别?


Stable Diffusion 和 Dall-E 2、Midjourney 类似,都要靠“文字描述”生成图像


不过,Stable Diffusion 是开源的,其基础代码也是公开的。而 Open AI 和 Google 都没有开放自己的人工智能模型。


Stability AI 由 4000 多个英伟达 A100 GPU 组成,在亚马逊云(AWS)中运行。据报道,Stability AI 公司的运营和云支出成本,超过 5000 万美元。


1.jpg


该公司声称可以提供“速度和质量的突破”,内存低于 10G 的 GPU 也能跑。他们还会提供运行在 AMD、苹果 M1/M2 芯片的版本——普通消费者也玩得起。


目前,Stable Diffusion 的功能是,可以在几秒内将文本转换为 512x512 像素的图像;图像可以转换、放大、修改和替换;使用 GFP-GAN 建模,允许用户上传模糊的面部图像,进行放大或恢复原貌


上个月,Stability AI 公司融资 1.01 亿美元。首席执行官 Emad Mostaque 毕业于牛津大学,获数学和计算机科学硕士学位,此前曾在多家对冲基金担任分析师。


目前,该公司估值 10 亿美元,除了 Stable Diffusion,还有 Dance Diffusion——可以进行音乐剪辑。