ChatGPT 的出現(xiàn)，徹底將生成 AI 推向爆發(fā)。但別忘了，AI 生成模型可不止 ChatGPT 一個(gè)，光是基于文本輸入的就有 7 種 ——圖像、視頻、代碼、3D 模型、音頻、文本、科學(xué)知……尤其 2022 年，效果好的 AI 生成模型層出不窮，又以 OpenAI、Meta、DeepMind 和谷歌等為核心，發(fā)了不少達(dá)到 SOTA 的模型。這不，立刻有學(xué)者寫了篇論文，對(duì) 2022 年新出現(xiàn)的主流生成模型進(jìn)行了年終盤點(diǎn)。一起看看這兩年間，各領(lǐng)域的 AI 生成模型進(jìn)展究竟怎么樣了。9 大生成模型，最新代表作是？這篇論文 AI 生成模型分成了 9 大類。下圖是 2022 年前后，在生成效果上達(dá)到最優(yōu)的模型總覽：除谷歌 LaMDA 和 Muse 以外，所有模型均為 2022 年發(fā)布。其中，谷歌 LaMDA 雖然是 2021 年發(fā)布的，但在 2022 年又爆火了一波；Muse 則是 2023 年剛發(fā)布的，但論文聲稱自己在圖像生性能上達(dá)到 SOTA，因此也統(tǒng)計(jì)了進(jìn)去。文本-圖像生成這方面的代表作有 DALL-E2、Stable Diffusion、Imagen、Muse。DALL·E2 是來自 OpenAI 的生成模型，在零樣本學(xué)習(xí)上做出突破。與 DALL?E 一樣，兩點(diǎn)依舊是 CLIP 模型，除了訓(xùn)練數(shù)據(jù)龐大，CLIP 基于 Transformer 對(duì)圖像塊建模，并采用對(duì)比學(xué)訓(xùn)練，最終幫助 DALL?E2 取得了不錯(cuò)的生成效果。下圖是 DALL?E2 根據(jù)“一只戴著貝雷帽、穿黑色高領(lǐng)毛衣的柴”生成的圖像：Imagen 來自谷歌，基于 Transformer 模型搭建，其中語(yǔ)言模型在純本數(shù)據(jù)集上進(jìn)行了預(yù)訓(xùn)練Imagen 增加了語(yǔ)言模型參數(shù)量，發(fā)現(xiàn)效果比升擴(kuò)散模型參數(shù)量更好。圖是 Imagen 根據(jù)“一只可愛的柯基住在壽做的房子里”生成的圖像Stable Diffusion 由慕尼黑大學(xué)的 CompVis 小組開發(fā)，基于潛在擴(kuò)散模型打，這個(gè)擴(kuò)散模型可以通過潛表示空間中迭代去噪以成圖像，并將結(jié)果解碼成整圖像。Muse 由谷歌開發(fā)，基于 Transformer 模型取得了比擴(kuò)散模型更好的結(jié)果，只 900M 參數(shù)，但在推理時(shí)間上比 Stable Diffusion1.4 版本快 3 倍，比 Imagen-3B 和 Parti-3B 快 10 倍。下圖是 Muse 與 DALL?E2 和 Imagen 的生成效果對(duì)比：文本-3D 模型生成主要代表作有 Dreamfusion、Magic3D。（這里沒有把 OpenAI 的 Point?E 統(tǒng)計(jì)進(jìn)去，可能是生成效果上沒有達(dá)到 SOTA）DreamFusion 由谷歌和 UC 伯克利開發(fā)，基于預(yù)訓(xùn)練本-2D 圖像擴(kuò)散模型實(shí)現(xiàn)文本生成 3D 模型。采用類似 NeRF 的三維場(chǎng)景參數(shù)化定義映射，需任何 3D 數(shù)據(jù)或修改擴(kuò)散模型，就能實(shí)現(xiàn)文本成 3D 圖像的效果。下圖是 DreamFusion 生成“穿夾克的松鼠”3D 效果：Magic3D 由英偉達(dá)開發(fā)，旨在縮短 DreamFusion 圖像生成時(shí)間、同時(shí)提升生成質(zhì)量。具體來說Magic3D 可以在 40 分鐘內(nèi)創(chuàng)建高質(zhì)量 3D 網(wǎng)格模型，比 DreamFusion 快 2 倍，同時(shí)實(shí)現(xiàn)了更高分辨率，并在人類評(píng)估中以 61.7% 的比率超過 DreamFusion。圖像-文本模型生成主要代表作有 Flamingo、VisualGPT。Flamingo 是 DeepMind 推出的小樣本學(xué)習(xí)模型，基于可以分視覺場(chǎng)景的視覺模型和執(zhí)基本推理的大語(yǔ)言模型打，其中大語(yǔ)言模型基于文數(shù)據(jù)集訓(xùn)練。輸入帶有圖或視頻的問題后，模型會(huì)動(dòng)輸出一段文本作為回答VisualGPT 是 OpenAI 制作的圖像-文本模型，基于預(yù)訓(xùn)練 GPT-2 提出了一種新的注意力機(jī)制，來銜接不模態(tài)之間的語(yǔ)義差異，無大量圖像-文本數(shù)據(jù)訓(xùn)練，就能提升文本生成效率。本-視頻模型生成主要代表作有 Phenaki、Soundify。Phenaki 由谷歌打造，基于新的編解碼器架構(gòu) C-ViViT 將視頻壓縮為離散嵌入，能夠在時(shí)空兩個(gè)度上壓縮視頻，在時(shí)間上持自回歸的同時(shí)，還能自歸生成任意長(zhǎng)度的視頻。Soundify 是 Runway 開發(fā)的一個(gè)系統(tǒng)，目的是將聲音效果與視進(jìn)行匹配，即制作音效。體包括分類、同步和混合個(gè)模塊，首先模型通過對(duì)音進(jìn)行分類，將效果與視匹配，隨后將效果與每一進(jìn)行比較，插入對(duì)應(yīng)的音。文本-音頻模型生成主要代表作有 AudioLM、Jukebox、Whisper。AudioLM 由谷歌開發(fā)，將輸入音頻映射到一系列離散標(biāo)記中并將音頻生成轉(zhuǎn)換成語(yǔ)言模任務(wù)，學(xué)會(huì)基于提示詞生自然連貫的音色。在人評(píng)估中，認(rèn)為它是人類語(yǔ)的占 51.2%、與合成語(yǔ)音比率接近，說明合成果接近真人。Jukebox 由 OpenAI 開發(fā)的音樂模型，可生成帶唱詞的音樂。通過分層 VQ-VAE 體系將音頻壓縮到離散空間中，損失函被設(shè)計(jì)為保留最大量信息用于解決 AI 難以學(xué)習(xí)音頻中的高級(jí)特征的問題不過目前模型仍然局限于語(yǔ)。Whisper 由 OpenAI 開發(fā)，實(shí)現(xiàn)了多語(yǔ)言語(yǔ)音識(shí)別、翻譯語(yǔ)言識(shí)別，目前模型已經(jīng)源并可以用 pip 安裝。模型基于 68 萬(wàn)小時(shí)標(biāo)記音頻數(shù)據(jù)訓(xùn)練，包括音、揚(yáng)聲器、語(yǔ)音音頻等確保由人而非 AI 生成。文本-文本模型生成主要代表作有 ChatGPT、LaMDA、PPER、Speech From Brain。ChatGPT 由 OpenAI 生成，是一個(gè)對(duì)話生成 AI，懂得回答問題、拒絕不當(dāng)?shù)膯栴}請(qǐng)求并質(zhì)疑不正的問題前提，基于 Transformer 打造。它用人類打造的對(duì)話數(shù)據(jù)、以及 InstructGPT 數(shù)據(jù)集的對(duì)話格式進(jìn)行訓(xùn)練，此外也可以生代碼和進(jìn)行簡(jiǎn)單數(shù)學(xué)運(yùn)算LaMDA 基于 Transformer 打造，利用了其在文本中呈現(xiàn)的程依賴關(guān)系能力。其具有 1370 億參數(shù)，在 1.56T 的公共對(duì)話數(shù)據(jù)集和網(wǎng)頁(yè)文本上進(jìn)行訓(xùn)練只有 0.001% 的訓(xùn)練數(shù)據(jù)被用于微調(diào)，這也它效果好的原因之一。PEER 由 Meta AI 打造，基于維基百科編輯歷史進(jìn)行訓(xùn)練，直到模型握完整的寫作流程。具體說，模型允許將寫作任務(wù)解成更多子任務(wù)，并允許類隨時(shí)干預(yù)，引導(dǎo)模型寫人類想要的作品。Speech from Brain 由 Meta AI 打造，用于幫助無法通過音、打字或手勢(shì)進(jìn)行交流人，通過對(duì)比學(xué)習(xí)訓(xùn)練 wave2vec 2.0 自監(jiān)督模型，基于非侵入腦機(jī)接口發(fā)出的腦電波進(jìn)解讀，并解碼大腦生成的容，從而合成對(duì)應(yīng)語(yǔ)音。本-代碼模型生成主要代表作有 Codex、AlphaCode。Codex 是 OpenAI 打造的編程模型，基于 GPT-3 微調(diào)，可以基于文本需求生成代碼。首先模型將問題分解成更簡(jiǎn)單的編問題，隨后從現(xiàn)有代碼（含庫(kù)、API 等）中找到對(duì)應(yīng)的解決方案，基于 GitHub 數(shù)據(jù)進(jìn)行訓(xùn)練。AlphaCode 由 DeepMind 打造，基于 Transformer 模型打造，通過采用 GitHub 中 715.1GB 的代碼進(jìn)行預(yù)訓(xùn)練，并從 Codeforces 中引入一個(gè)數(shù)據(jù)集進(jìn)行微調(diào)，隨后基于 Codecontests 數(shù)據(jù)集進(jìn)行模型驗(yàn)證，并進(jìn)一步改善了模型輸出性。文本-科學(xué)知識(shí)模型生成主要代表作有 Galactica、Minerva。Galatica 是 Meta AI 推出的 1200 億參數(shù)論文寫作輔助模型，又被稱之為“論文的 Copilot 模型”，目的是幫助人們速總結(jié)并從新增論文中得新結(jié)論，在包括生成文本數(shù)學(xué)公式、代碼、化學(xué)式蛋白質(zhì)序列等任務(wù)上取得不錯(cuò)的效果，然而一度因內(nèi)容生成不可靠被迫下架Minerva 由谷歌開發(fā)，目的是通過逐步推理決數(shù)學(xué)定量問題，可以主生成相關(guān)公式、常數(shù)和涉數(shù)值計(jì)算的解決方案，也生成 LaTeX、MathJax 等公式，而不需要借助計(jì)算器來得到最終學(xué)答案。其他生成模型主包括 Alphatensor、GATO、PhysDiff 等“其他生成模型”。AlphaTensor 由 DeepMind 開發(fā)，懂得自己改進(jìn)矩陣乘法并提升計(jì)算速度，僅改進(jìn)了目前最優(yōu)的 4×4 矩陣解法，也提升了 70 多種不同大小矩陣的計(jì)算速度，基于“棋類 AI”AlphaZero 打造，其中棋盤代表要解的乘法問題，下棋步驟代解決問題的步驟。GATO 由 DeepMind 開發(fā)，基于強(qiáng)化學(xué)習(xí)教會(huì)模型完成 600 多個(gè)不同的任務(wù)，包含離散控制 Atari 小游戲、推箱子游戲，以及連續(xù)控制機(jī)器人、機(jī)械臂，還有 NLP 對(duì)話和視覺生成等，進(jìn)一步加速了通用人工智的進(jìn)度。PhysDiff 是英偉達(dá)推出的人體運(yùn)動(dòng)生成擴(kuò)散模型，進(jìn)一步解了 AI 人體生成中漂浮、腳滑或穿模等問題，教 AI 模仿使用物理模擬器生成的運(yùn)行模型，并在規(guī)模人體運(yùn)動(dòng)數(shù)據(jù)集上達(dá)了最先進(jìn)的效果。作者介兩位作者均來自西班牙卡亞斯大主教大學(xué)（Universidad Pontificia Comillas）。一作 Roberto Gozalo-Brizuela，目前是卡米亞斯大主教大學(xué)研究助（Investigador asociado），從事 AI 相關(guān)的項(xiàng)目研究工作。Eduardo C. Garrido-Merchán，卡米亞斯大主教大學(xué)助理教授，研究向是貝葉斯優(yōu)化、機(jī)器學(xué)、強(qiáng)化學(xué)習(xí)、生成式 AI 等。你感覺哪個(gè)領(lǐng)域的生成式 AI 進(jìn)展最大？論文地址：https://arxiv.org/abs/2301.04655參考鏈接：https://twitter.com/1littlecoder/status/1615352215090384899本文來自微信公眾號(hào)：量子位 （ID：QbitAI），作者：蕭簫