,,

全球最資訊丨國產(chǎn)AI作畫神器：更懂中文，竟然還能做周邊！

2022-08-22 15:48:50 來源：量子位

最近在“ 一句話生成畫作”這個圈子里，又一個AI工具悄然火起來了。不是你以為的Disco Diffusion、DALL·E，再或者Imagen……而是全圈子都在講中國話的那種。瞧，已經(jīng)入圈的小伙伴們，都開始紛紛曬自己搞出來的杰作了：

訪問：

阿里云服務(wù)器精選特惠：1核1G云服務(wù)器低至0.9元/月

(資料圖片)

從網(wǎng)友們上傳的諸多畫作來看，這個AI可以cover的 風(fēng)格還真不少。

腦洞大開的《熊貓騎摩托》，中國山水畫里的春天小雨，絢麗的概念插畫《亞特蘭蒂斯》，甚至一只黑白色調(diào)的戴帽子抽煙的狗……

那這個既能支持中文，又能hold住眾多畫風(fēng)的AI工具，到底是什么來頭？

不賣關(guān)子。

它的廬山真面目，正是百度最新對外發(fā)布的一款中文作畫AI—— 文心·一格。

類似這種“你說我畫”的AI，聽說在國外已經(jīng)火了很長一段時間。

現(xiàn)在終于等到了個 國產(chǎn)版的，那么它到底好不好用呢？

“文心·一格”的初體驗(yàn)

既然在這個圈子流行講中文，那咱就先從“中國風(fēng)”開始上手。

例如輸進(jìn)去極具古典韻味的“江南水鄉(xiāng)”，然后在方向和風(fēng)格上選擇“傳統(tǒng)”、“中國風(fēng)”。

僅需等待片刻時間，“啪的一下”，一幅符合語義和風(fēng)格的畫作就誕生了：

嘿~還別說，這畫還真有一股子“小橋流水人家”的味道。

既然是國風(fēng)，那就更傳統(tǒng)一點(diǎn)，直接輸入一句古詩詞，看文心·一格會作何反應(yīng)：

云深不知處。

云深不知處。

整體來說，這幅畫作確實(shí)是把“云之深”韻味展現(xiàn)得到位了。

據(jù)了解，文心·一格還可以繼續(xù)加大難度。針對AI圖像生成技術(shù)的資深用戶，一格即將開放 高級自定義功能，支持文本描述結(jié)合參數(shù)設(shè)置的方式探索更多創(chuàng)意。

當(dāng)然，也可以在”藝術(shù)家精品畫廊”里先瀏覽下內(nèi)測用戶已經(jīng)生成的圖片，像下面這張：

講真，若非知道這是AI創(chuàng)作的，第一眼還以為是哪個動漫中的場景，是有夠絢爛的了。

還有下面這一張，也同樣稱得上是驚艷絕倫。

但正所謂“貨比三家”，那么文心·一格作為AI作畫這條賽道的“后起之秀”，和國外的產(chǎn)品相比又如何呢？

下一個挑戰(zhàn)環(huán)節(jié)，就是國內(nèi)AI vs. 國外AI——惡犬咆哮。

較為明顯的是，Disco Diffusion的風(fēng)格更趨向于狂野；而文心·一格則是更偏向現(xiàn)實(shí)主義一些。

再拿文心·一格和DALL·E 2做個比較——畢加索風(fēng)格的貓：

在看完這兩者的創(chuàng)作對比，你覺得誰家的更畢加索一些呢？

不過在這般效果背后，對應(yīng)的問題也隨之而來：

要生成風(fēng)格更全面的圖片，文心·一格的用法會更復(fù)雜嗎？

懂中文，也懂“懶人”

用起來，并不復(fù)雜。

我們從操作界面、提示詞要求和性能要求幾方面，對Disco Diffusion和文心·一格等AI畫畫產(chǎn)品進(jìn)行了簡單對比。

操作界面上，Disco Diffusion開放的接口不能說很復(fù)雜，但確實(shí)有點(diǎn)門檻。

它直接在GoogleColab上運(yùn)行，需要申請賬號后使用（圖片生成后保存在云盤），圖像分辨率、尺寸需要手動輸入，此外還有一些模型上的設(shè)置。

好處是可更改的參數(shù)更多，對于高端玩家來說可操作性更強(qiáng)，只是比較適合專門研究AI算法的人群：

相比之下，文心·一格的操作只需三個步驟：輸入文字，鼠標(biāo)選擇風(fēng)格&尺寸，點(diǎn)擊生成。

前文已經(jīng)提到，文心·一格同樣也具備Disco Diffusion的“高級自定義”功能，隨后便會開放，對于想擁有更多“參數(shù)自由”的小伙伴們來說，同樣是個不錯的選擇。

至于 提示詞，Disco Diffusion的設(shè)置還要更麻煩一些。

除了描述畫面的內(nèi)容以外，包括畫作類別和參考的藝術(shù)家風(fēng)格也都得用提示詞來設(shè)置，通常大伙兒會在其他文檔中編輯好，再直接粘過來。

關(guān)鍵一旦提示詞設(shè)置得不好，生成的效果就不盡如人意，需要反復(fù)嘗試、不斷細(xì)化，AI最終才能生成合適的畫面效果。

相比之下文心·一格倒是沒有格式要求，輸入150字的句子或詞組都可以：

當(dāng)然，輸入畫家名字如莫奈，也能輸出對應(yīng)風(fēng)格：

最后是 性能要求上，Disco Diffusion是有GPU使用限制的，每天只能免費(fèi)跑3小時。抱抱臉（HuggingFace）上部分AI文生圖算法的Demo雖然操作簡單些，但一旦網(wǎng)速不行，就容易加載不出來：

△測試mini DALL·E時加載就失敗過

相比之下，文心·一格除了使用高峰期以外，基本上都是2分鐘就能生成，對使用設(shè)備也沒有要求。

總體來看，同樣是文字生成圖片AI，實(shí)際相比文心·一格的“真·一句話生成圖片”，DALL·E和Disco Diffusion的生成過程都不太輕松。

所以在這背后，文心·一格生成圖像，究竟是基于一個怎樣的邏輯？

我們以輸入“云深不知處”為例，希望能輸出一幅中國風(fēng)的畫作。當(dāng)接收到這幾個字詞（query）后，AI的腦細(xì)胞就開始“運(yùn)作”了起來，從語法、詞法、語義等角度對文本進(jìn)行分析。

如果將生成過程可視化，這個階段還看不出什么效果，處于AI理解文本的階段：

很快，AI“拆解”文本后，理解要怎么畫這幅畫了，于是在特定尺寸（用戶可選）的畫紙上，構(gòu)思出整體的輪廓，兼具云的元素和中國畫的風(fēng)格：

隨后，基于擴(kuò)散生成模型的原理，迭代地完善并修正畫面細(xì)節(jié)，不斷提高清晰度、反復(fù)檢查圖文描述一致性，用更精確的配色替代噪聲：

最后，生成名為《云深不知處》的完整畫作：

看似“一句話生成圖片”不難，其實(shí)對 AI語義理解和 圖像生成能力提出了進(jìn)一步要求。

為了能更好地理解文本、提升輸出效果，文心·一格還在百度文心的圖文生成跨模態(tài)模型 ERNIE-VilG的基礎(chǔ)上，進(jìn)行了更詳細(xì)的優(yōu)化。

為了提升圖文理解能力，在知識增強(qiáng)的基礎(chǔ)上，引入 跨模態(tài)多視角對比學(xué)習(xí)；

為了降低輸入要求同時提升效果，采用 基于知識的文本聯(lián)想能力，讓模型學(xué)會自己擴(kuò)展提示詞的細(xì)節(jié)和風(fēng)格；

為了提升圖像生成能力，采用 漸進(jìn)式擴(kuò)散模型訓(xùn)練算法，讓模型來選擇效果最好的生成網(wǎng)絡(luò)。

此外，在訓(xùn)練和數(shù)據(jù)上，文心大模型的產(chǎn)業(yè)級能力也進(jìn)一步給文心·一格提供了幫助，例如AI訓(xùn)練數(shù)據(jù)和平時在產(chǎn)業(yè)實(shí)踐中積累的經(jīng)驗(yàn)，都能應(yīng)用到文心·一格的模型中去；至于百度知識圖譜的算法能力，則進(jìn)一步提升了模型通用性。

值得一提的是，如果開發(fā)者想將文心·一格的能力用到產(chǎn)品中，直接調(diào)用ERNIE-VilG的API接口就行，可以說是非常方便了。

One More Thing

我們在試玩文心·一格的時候，還發(fā)現(xiàn)了左下角這些有意思的應(yīng)用場景，一鍵就能生成預(yù)覽：

例如，頗有自如風(fēng)格的裝飾畫：

老板批量發(fā)年貨時印的編織袋（手動狗頭）：

其實(shí)，這也是文心·一格區(qū)別于Disco Diffusion、OpenAI的DALL·E 2的另一個特點(diǎn)——更強(qiáng)的實(shí)用性。

不僅普通玩家可以用來生成自己想畫但畫不出來的內(nèi)容， 絕不會有兩幅相同的畫作，腦洞再放大點(diǎn)，就連媒體作者等文字內(nèi)容創(chuàng)作者，也能用它高質(zhì)量高效率配圖。

（嗯，以后你看量子位的文章，說不定有些配圖就是用AI生成的）

專業(yè)畫師、或是設(shè)計(jì)師和藝術(shù)家，更可以用它來啟發(fā)靈感、輔助創(chuàng)作。

當(dāng)然，從官網(wǎng)看來，這個產(chǎn)品還在更新迭代、進(jìn)一步優(yōu)化中。

至于未來是否會在更多數(shù)字藏品、插畫、海報和電影動漫中，看見文心·一格的畫作？

我們拭目以待。