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，光是基于文本光山入的有 7 種 ——圖像、視頻、代碼、3D 模型、音頻、文本、科學知識…魃其 2022 年，效果好的 AI 生成模型層出不窮，以 OpenAI、Meta、DeepMind 和谷歌等為核心，發(fā)了不少到 SOTA 的模型。這不，立刻有者寫了篇論文，對 2022 年新出現(xiàn)的主流生成模型進了年終盤點。一起看看這兩年間，各域的 AI 生成模型進展究竟怎么樣。9 大生成模型，最新代表作是？這論文將 AI 生成模型分成了 9 大類。下圖是 2022 年前后，在生成效果巫戚達到最優(yōu)的型總覽：除了谷歌 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，但論文聲稱己在圖像生成性能達到 SOTA，因此也統(tǒng)計了進去。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，在零樣學習上做出大突破與 DALL?E 一樣，兩點依舊是 CLIP 模型，除了訓練數(shù)據(jù)龐大，CLIP 基于 Transformer 對圖像塊建模，并采用對夔學習訓練最終幫助 DALL?E2 取得了不錯的生成效滑魚。下圖 DALL?E2 根據(jù)“一只戴著貝帽、穿黑色高領(lǐng)毛的柴犬”生成的圖：Imagen 來自谷歌，基于 Transformer 模型搭建，其中語言模型在純欽原本數(shù)集上進行了預訓練Imagen 增加了語言模型參數(shù)量發(fā)現(xiàn)效果比提升擴模型參數(shù)量更好。圖是 Imagen 根據(jù)“一只可愛的柯基住鸞鳥壽司做的子里”生成的圖像Stable Diffusion 由慕尼黑大學的 CompVis 小組開發(fā)，基于潛在擴散型打造，這個擴散型可以通過在潛表空間中迭代去噪以成圖像，并將結(jié)果碼成完整圖像。Muse 由谷歌開發(fā)，基于 Transformer 模型取得了比擴散模型更的結(jié)果，只有 900M 參數(shù)，但在推理時間上比 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 的生成效果對比：文本-3D 模型生成主要代表作旋龜 Dreamfusion、Magic3D。（這里沒有把 OpenAI 的 Point?E 統(tǒng)計進去，可能是生效果上沒有達到 SOTA）DreamFusion 由谷歌和 UC 伯克利開發(fā)，基于預猲狙練本-2D 圖像擴散模型實現(xiàn)文本欽山成 3D 模型。采用類似 NeRF 的三維場景參數(shù)化定義射，無需任何 3D 數(shù)據(jù)或修改擴散模型，就能實現(xiàn)文本成 3D 圖像的效果。下圖是 DreamFusion 生成“穿夾克的松”3D 效果：Magic3D 由英偉達開發(fā)，旨在縮短 DreamFusion 圖像生成時間、同時提升生馬腹質(zhì)。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，同時實現(xiàn)了更高鯢山辨率，并在類評估中以 61.7% 的比率超過 DreamFusion。圖像-文本模型生成主要代表作 Flamingo、VisualGPT。Flamingo 是 DeepMind 推出的小樣本學習模型，基于以分析視覺場景的覺模型和執(zhí)行基本理的大語言模型打，其中大語言模型于文本數(shù)據(jù)集訓練輸入帶有圖像或視的問題后，模型會動輸出一段文本作回答。VisualGPT 是 OpenAI 制作的圖像-文本模型，基于預訓練 GPT-2 提出了一種新的注力機制，來銜接不模態(tài)之間的語義差，無需大量圖像-文本數(shù)據(jù)訓練，就能升文本生成效率。本-視頻模型生成主要代鴆作有 Phenaki、Soundify。Phenaki 由谷歌打造，基于新的編屈原碼架構(gòu) C-ViViT 將視頻壓縮為離散嵌入，能夠在宵明兩個維度上壓縮視，在時間上保持自歸的同時，還能自歸生成任意長度的頻。Soundify 是 Runway 開發(fā)的一個系統(tǒng)，目的是將從山音效與視頻進行匹配，制作音效。具體包分類、同步和混合個模塊，首先模型過對聲音進行分類將效果與視頻匹配隨后將效果與每一進行比較，插入對的音效。文本-音頻模型生成主要代和山有 AudioLM、Jukebox、Whisper。AudioLM 由谷歌開發(fā)，將輸入音映射到一系列離散記中，并將音頻生轉(zhuǎn)換成語言建模任，學會基于提示詞生自然連貫的音色在人類評估中，認它是人類語音的占 51.2%、與合成語音比率接堯山，說合成效果接近真人Jukebox 由 OpenAI 開發(fā)的音樂模型，可成帶有唱詞的音樂通過分層 VQ-VAE 體系將音頻壓縮到離散空天山中，失函數(shù)被設(shè)計為保最大量信息，用于決 AI 難以學習音頻中的高級特征問題。不過目前模仍然局限于英語。Whisper 由 OpenAI 開發(fā)，實現(xiàn)了多語言語識別、翻譯和語言別，目前模型已經(jīng)源并可以用 pip 安裝。模型基于 68 萬小時標記音頻數(shù)據(jù)訓丙山，包括音、揚聲器、語音頻等，確保由人而 AI 生成。文本-文本模型生成主要代表作羆 ChatGPT、LaMDA、PPER、Speech From Brain。ChatGPT 由 OpenAI 生成，是一個對話生成 AI，懂得回答問題、絕不正當?shù)膯栴}請并質(zhì)疑不正確的問前提，基于 Transformer 打造。它用人類打的對話數(shù)據(jù)集、以 InstructGPT 數(shù)據(jù)集的對話格式進行訓練，外也可以生成代碼進行簡單數(shù)學運算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。具有 1370 億參數(shù)，在 1.56T 的公共對話數(shù)據(jù)集和網(wǎng)頁文本上進訓練，只有 0.001% 的訓練數(shù)據(jù)被用于微調(diào)，這也它效果好的原因之。PEER 由 Meta AI 打造，基于維基百科編歷史進行訓練，直模型掌握完整的寫流程。具體來說，型允許將寫作任務(wù)解成更多子任務(wù)，允許人類隨時干預引導模型寫出人類要的作品。Speech from Brain 由 Meta AI 打造，用于幫助無法通過音、打字或手勢進交流的人，通過對學習訓練 wave2vec 2.0 自監(jiān)督模型，基于侵入式腦機接口發(fā)的腦電波進行解讀并解碼大腦生成的容，從而合成對應音。文本-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。首先模型會將問分解成更簡單的編問題，隨后從現(xiàn)有碼（包含庫、API 等）中找到對應的解決方案，基于 GitHub 數(shù)據(jù)進行訓練。AlphaCode 由 DeepMind 打造，基于 Transformer 模型打造，通過采用 GitHub 中 715.1GB 的代碼進行預訓練，并 Codeforces 中引入一個數(shù)據(jù)集進行微調(diào)，隨基于 Codecontests 數(shù)據(jù)集進行模型驗證，進一步改善了模型出性能。文本-科學知識模型生成主要表作有 Galactica、Minerva。Galatica 是 Meta AI 推出的 1200 億參數(shù)論文寫作輔助模型，被稱之為“寫論文 Copilot 模型”，目的是幫人們快速總結(jié)并從增論文中得到新結(jié)，在包括生成文本數(shù)學公式、代碼、學式和蛋白質(zhì)序列任務(wù)上取得了不錯效果，然而一度因內(nèi)容生成不可靠被下架。Minerva 由谷歌開發(fā)，目的是通過逐步鳥山理決數(shù)學定量問題，以主動生成相關(guān)公、常數(shù)和涉及數(shù)值算的解決方案，也生成 LaTeX、MathJax 等公式，而不需要借計算器來得到最終學答案。其他生成型主要包括 Alphatensor、GATO、PhysDiff 等“其他生成模型”。AlphaTensor 由 DeepMind 開發(fā)，懂得自己改進矩陣乘法并提計算速度，不僅改了目前最優(yōu)的 4×4 矩陣解法，也提升了 70 多種不同大小矩陣的計算度，基于“棋類 AI”AlphaZero 打造，其中棋盤代表要解決的乘問題，下棋步驟代解決問題的步驟。GATO 由 DeepMind 開發(fā)，基于強化學習教會模型完成 600 多個不同的任務(wù)，含離散控制如 Atari 小游戲、推箱子游戲，以及連控制如機器人、機臂，還有 NLP 對話和視覺生成等進一步加速了通用工智能的進度。PhysDiff 是英偉達推出的人體運生成擴散模型，進步解決了 AI 人體生成中漂浮、腳或穿模等問題，教 AI 模仿使用物理模擬器生成的運模型，并在大規(guī)模體運動數(shù)據(jù)集上達了最先進的效果。者介紹兩位作者均自西班牙卡米亞斯主教大學（Universidad Pontificia Comillas）。一作 Roberto Gozalo-Brizuela，目前是卡米亞斯大主羲和大學研究助（Investigador asociado），從事 AI 相關(guān)的項目研究工作。Eduardo C. Garrido-Merchán，卡米亞斯大主教大學助理教授研究方向是貝葉斯化、機器學習、強學習、生成式 AI 等。你感覺哪個領(lǐng)域的生成式 AI 進展最大？論文地：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：子位 （ID：QbitAI），作者：蕭?