硅谷大廠還在發論文，TikTok就已經把AI 文字轉圖片做到了產品里

來源：“硅星人”（ID：guixingren123），作者｜杜晨，編輯｜VickyXiao

原標題：《TikTok 亂拳打死老師傅：硅谷大廠還在發論文，它產品已經上線了》

突然間，AI 文字轉圖片成為了全球科技業的一大流行技術趨勢。

幾周前我們報道了“新一代梗圖之王” DALL·E mini，一個腦洞十分清奇的文字轉圖片 AI 小工具。當時我們也提到， 包括谷歌、OpenAI  等大公司和頂級研究機構都在開發相關模型，就連時尚雜誌《COSMO》都採用 AI 來設計雜誌封面。 

圖片來源：COSMO 雜誌 

然而令許多人沒想到是： 

就在各家硅谷大廠斥巨資研發、砸了無數的人力、發了無數的論文，卻還在測試相關技術的時候，TikTok 居然異軍突起，首先把 AI 文字轉圖片做到了產品里，而且直接交到了全球十億用戶的手上……

亂拳打死老師傅，中國速度太快了

在 TikTok 的特效菜單下，最近增加了一個名叫“AI 綠幕” (AI Greenscreen) 的新選項。 

點擊這個選項，然後在屏幕中間的對話框里輸入一段文字描述，只用不到5秒的時間，TikTok 就可以根據文字描述生成一張豎版畫作，用作短視頻的背景： 

圖片來源：硅星人截圖 

TikTok 用的這個文字轉圖片模型，還是非常簡單的。 硅星人測試了幾個含義大相徑庭的提示，生成的圖片可以說都十分的“迷幻"，沒有任何寫實色彩。 

但這並不是缺點缺點——正相反，生成結果具有 非常強的水彩/油畫感覺，風格遷移 (style transfer) 的痕迹明顯，而且用的顏色也都鮮亮明快，給人一種耳目一新的感受。 

圖片來源：TechCrunch 截圖 

我特別想單獨說一下我自己生成的兩張圖片：

下圖左邊的提示字段是知名遊戲“最後生還者”。生成結果的辨識度太高了，這不正是遊戲主角 Ellie 被泥漿血水浸濕的頭髮嗎？ 

右圖更有意思，提示是“轟炸”：我完全沒有想到如此“不和諧”的字段，TikTok 的模型居然生成的結果卻相當的“自洽”，特別是圖中的“轟炸機”反而看起來像是代表和平的“白鴿”——是否你也能讀出一點諷刺的意味？ 

圖片來源：硅星人截圖 

當然話說回來，這些只是我自己的解讀和感受，絕不可能是模型的“本意”。但是有趣的藝術作品不正應該是這樣嘛，讓人能夠發現一些巧妙的“彩蛋”，甚至浮想聯翩，解讀出另外的含義。 

從這一角度，我還是非常認可 TikTok 目前部署的這個模型的。 

模型的質量也值得一提。The Verge、TechCrunch 等美國媒體測試了一些特殊的敏感字段，AI 綠幕生成結果更加抽象了，顯示出字節部署的模型在爭議字段上可能已經做出了提前規避。 

要知道 AI 文字生成圖片本來就不是簡單的技術，避免爭議/道德風險更是一項相當複雜的工作。 

圖片來源：The Verge 截圖 

正如文章前面提到，谷歌、OpenAI 等巨頭公司和知名機構開發的 AI 文字生成圖片模型，目前都處於剛剛發布或者小範圍測試，還在“紙上談兵”的階段。 

這邊 TikTok 不僅很快跟進推出了同類模型，更厲害的是已經將其投放到全球十億用戶量級別的產品里了。

本來以為 AI 藝術創作的潮流還是幾個硅谷大廠在引領，沒想到字節跳動居然“亂拳打死老師傅”——必須給中國互聯網科技公司的工作速度和質量點贊了。

AI創作成潮流，硅谷大廠擠破頭

早在2020年，全球知名的人工智能基礎科研機構 OpenAI 發布了一個名為 GPT-3 語言模型。 當時 OpenAI 的論文題為“Language Models are Few-Shot Learners ” ，直接點出了超大規模語言模型在多種非訓練人物上具備強大、快速的學習和掌握能力。 

GPT-3 也完全沒令人失望 ，在小 範圍開放 測 試 A PI 之 后， 外界人士用它開發出了各種各樣神奇的 demo，展示了寫段子、翻譯公式、解數學題、完成用戶界面設計、生成財務報表等能力。 

“AI 文字生成圖片” 也是這些能力的其中一項。 

圖片來源：硅星人 

包括  O pen AI、谷歌、 Midjourney、Stability AI  等一眾 大小 公司 ，已經開發出了多個 文字轉圖片生成模型，展示出神經 網絡模型具備令人驚訝的藝術創作能力。 

從 AI 文字轉圖片生成技術開始得到公眾關注，到今天各路大廠和小公司擠破頭也要摻和，各種不開放的、開放的、收費和免費的模型層出不窮……也就過去了一年左右的時間。

在這些模型當中，OpenAI 的 DALL·E 是最著名的一款。該模型一代於2021年推出，今年剛剛更新到了二代。用戶只需提供自然語言描述，模型就能夠生成非常寫實 (photorealisitic) 的圖片。

圖片來 源：OpenAI 

除了從零開始生成全新照片，DALL·E 2 還有更多功能，適合現實中多種藝術工作場景。 

比如它的編輯能力，可以在一張已經存在的照片中，在用戶任選的位置“刪除”或者“添加”物體，並且編輯后的效果仍然很寫實： 

圖示：在照片的不同位置添加“火烈鳥”。圖片來 源：OpenAI 

再比如 DALL·E 2 還具備“啟發”的能力，能夠根據一張已經給定的圖片，生成風格近相同的新照片：

圖片來 源：OpenAI 

順便一提：有個跟 OpenAI 沒關係的第三方開發者，自己仿着 DALL·E 做了一個圖片生成模型，還給免費開放了，取名為 DALL·E mini。

結果這個“仿製品”比正品還受歡迎，在社交網絡 Twitter 上專門搬運這個模型生成的奇怪圖片的賬號，粉絲量都破了百萬。甚至逼得 OpenAI 專門出來澄清跟它沒關係，要求開發者做出改變。現在這個免費小工具已經改名為  Craiyon 了。

（聽說此事之後，粉絲們還做了一張梗圖，嘲笑 OpenAI 那邊還在控制測試權限，這邊 DALL·E mini 早就給全網玩嗨了……） 

圖片來 源：FALSEKNEES 

而在硅谷大廠的行列當中，現在谷歌是已知動作最快的，在 DALL·E 2 出來不久后也發布了自己的模型，名為 Imagen。

就像 DALL·E 的根源是語言超大模型 GPT-3，Imagen 的根源也是谷歌開發的泛用型超大語言模型 T5。至於 Imagen 的這個命名，其實是圖片 (image) +生成 (generate) 的混成詞。

圖片來 源：Google Research 

雖然做的比 DALL·E 晚，同樣作為硅谷知名 AI 研究型公司的谷歌，還是非常不服 OpenAI 的，宣稱找人做了一堆同類模型的盲測，結果是受試者更喜歡 Imagen 生成的結果，認為其在“生成質量”和“文字描述還原度”上都更勝一籌。

——當然，究竟是 DALL·E 2 和 Imagen 誰的生成結果更好，還是一個很主觀的，見仁見智的事情。在技術實現上，這兩家其實大同小異，都是用了 Diffusion（擴散）模型生成，然後再用 Super-Resolution（超分辨率) 技術來讓生成結果更加清晰。

圖片來源：Google Research

還有更多規模更小的新創公司也在做 AI 圖片生成和藝術創作這件事。

其中一家比較有意思的公司就是 Midjourney，其創始人是原知名動作感應技術公司 Leap Motion 創始人 David Holz；公司的投資人和顧問團隊更是相當強大，都是蘋果、特斯拉、AMD、GitHub 等知名公司的核心人物。

Midjourney 跟 OpenAI、谷歌的寫實方向背道而馳，而是在抽象、藝術性、獨特風格之間尋求某種巧妙的結合點，這也是這家公司和其模型比較特別之處。另外 Midjourney 開放模型技術的做法也很“年輕化”，不是發布 API 和文檔，而是把服務接口做到了聊天軟件 Discord 里。

圖片來源：Midjourney

說完這些比較知名的公司，再來看一家名不見經傳，但是和 TikTok 一樣出手極快的美國公司：Stability AI。

這家公司總部位於硅谷 Los Altos，在上周剛剛發布了一個可以免費使用的 AI 圖片生成產品 Stable Diffusion。

圖片來源：Stability AI

Stable Diffusion 和前面介紹的幾個寫實派模型沒有太大不同。但是和產品、公司名稱里的“穩定”正相反，這個模型在有害/爭議字段的處理上，可以說完全沒有任何作為。而又因為產品是完全免費提供給公眾的，已經有很多用戶用它製作 deepfake、暴力、恐怖主義、虛假新聞圖片等有害的內容了……

最近大半年，AI 圖片生成已經成為了一個名副其實的科技行業“熱詞”，只是沒想到，Open AI 和谷歌做了這麼多年，卻被 TikTok 給悄無聲息地跑贏了。接下來，應該會有更多的科技公司也參與其中，不少全民應用背後的大廠估計又要忙活着把這項技術加到產品中了。