沈向洋：“一言胜千图”时代到来，AIGC将发生颠覆式变化

来源：澎湃新闻

记者 邵文

·“单从技术角度而言，AIGC（AI生成内容）所具备的能力还不够全面，现在只是从文字生成图像，但事实上我们想要的可能更多，比如对已经生成的图像进行交互式编辑。而对专业领域如服装设计，则需要非常特定的模型。这个故事才刚刚开始。”IDEA研究院讲席科学家、“盖亚计划”负责人张家兴在采访中表示。

首个中文Stable Diffusion模型“太乙”根据油画“君不见黄河之水天上来”生成的图片。

11月22日，在深圳举行的2022 IDEA大会上，粤港澳大湾区数字经济研究院（IDEA）创院理事长沈向洋在发布会上分享了他对前沿技术的看法以及对未来趋势的判断，其中他谈到了当下AI发展的技术趋势，提到风头正劲的AIGC，将其概括为“从一图胜千言到一言胜千图”。沈向洋认为，伴随算力和数据的数量级增长，以及大模型持续迭代， AIGC领域将发生颠覆式变化，如何用好AI数字生产力，是各类企业和创业团队接下来要思考的问题。

IDEA研究院公布了专注于AIGC领域的项目——“盖亚计划”，这一项目已于今年11月1日正式开源了自主研发的首个中文Stable Diffusion模型“太乙”，旨在更好地助力中国AIGC文化产业数字化转型的创新发展。

DALL.E（基于GPT-3开发的一种新型神经网络）根据语言描述生成的牛油果形状扶手椅。

“每个人都是达芬奇”

AIGC（AI-Generated Content，AI生成内容），即使用语言描述就可以通过人工智能自动生成生动的图片甚至视频，比如OpenAI的图像生成模型DALL-E。

“人工智能大模型发展的规模和速度，都到了今天我们不可忽视的地步。最新的技术可以通过一句话，创造出数不清的图像，每张都有自己的特点。可谓从一图胜千言，到了一言胜千图。”沈向洋在IDEA大会上说， “我从事计算机视觉研究这么多年，如果三五年前告诉我能做出这样的效果我是不会相信的。”

沈向洋谈到，人工智能技术将在文本生成图像等领域开启新的技术趋势。今年发布的DALL-E 2、近期备受热议的Stable Diffusion等模型，为人们展现了AI数字生产力在图像生成乃至艺术创作上的强大力量。

“AIGC最重要的是，可以帮助每个人在有艺术创作冲动时做一些事情。”沈向洋说，“有人研究过历史上为什么有些艺术家一辈子只能画几张画，而其他艺术家可以画很多画，这其中最著名的就是达芬奇。艺术史研究者专⻔研究后发现：达芬奇那么多的作品不是他一个人画的，而是带了很多徒弟。”而到了现在，“每个人都是‘达芬奇’，人工智能就是每个人的小徒弟。”

沈向洋认为，目前AIGC能实现这样的效果有三个技术基础：巨大的数据量、庞大的算力和新的深度学习算法。“这个结果代表了今天人工智能能够达到的高度和方向。”

“这个故事才刚刚开始”

这个突破是如何实现的呢？IDEA研究院讲席科学家、“盖亚计划”负责人张家兴对澎湃科技（www.thepaper.cn）表示，从整个AI的发展历程来说，“此前我们更多在研究AI如何分析和理解，比如图像识别、人脸识别、文本情感分析等。然后这个技术趋于成熟，这时候大家亟待有一个新的AI能力出现。”

在AIGC的探索过程中有一个重要的思路转换：不是用AI理解内容，而是用AI来直接生成内容。“原来的技术趋势，如卷积神经网络从输入基本图像到输出我们想要的结果，过程就是对原始输入有越来越抽象的理解。而当下的生成，实际上是一个反向的过程——从一张完全模糊的图像开始想象，最终呈现清晰的图像。”张家兴对澎湃科技解答道，这个过程大概从2015年左右开始，尝试了六七年的时间后，终于现在有一些模型上的进步，如Diffusion模型，于是才有了这样一个大的突破。

Diffusion模型通过定义一个不断加噪声的前向过程来将图片逐步变为高斯噪声，再通过定义一个逆向过程将高斯噪声逐步去噪变为清晰图片以得到采样。

Diffusion模型在使用上一个非常大的限制就是采样速度，模型采样需要从纯噪声图片出发，一步一步不断地去噪，最终得到清晰的图片。据11月发布的最新研究，清华大学计算机系教授朱军带领的TSAIL团队将扩散模型的快速采样算法提升到了极致：无需额外训练，仅需10到25步就可以获得极高质量的采样，采样8张图片的时间从原来的8秒钟被缩短至4秒钟。