吊打Midjourney！OpenAI秘密內(nèi)測(cè)新平臺(tái)

　　作者 | 徐杰承

　　“當(dāng)使用過它之后，我對(duì)Midjourney已經(jīng)再也提不起一點(diǎn)興趣了。”這句“虎狼之詞”出自一位OpenAI新圖像生成平臺(tái)的內(nèi)測(cè)用戶之口。顯然，OpenAI已經(jīng)再一次做好了掀桌子的準(zhǔn)備，而這次他們所瞄準(zhǔn)的，正是AI圖像生成領(lǐng)域。

　　根據(jù)YouTube博主MattVidPro透露，他的一位粉絲在不久前獲得了OpenAI新圖像生成平臺(tái)的內(nèi)測(cè)資格，并向他悄悄透露了大量利用新平臺(tái)生成的作品。MattVidPro也將這些內(nèi)容制作成了一期視頻節(jié)目，而他開場(chǎng)詞的第一句話是，“今天，讓我們一睹AI生成圖的未來!”

　　圖源：Youtube

　　1、兩大優(yōu)勢(shì)完勝M(fèi)j

　　MattVidPro在視頻中表示，據(jù)這位粉絲透露，OpenAI正在秘密測(cè)試一個(gè)全新的圖像生成平臺(tái)，該平臺(tái)很可能是此前OpenAI所發(fā)布的文生圖工具Dell-E 2的升級(jí)版。并且這次測(cè)試非常隱蔽——用戶需要在一個(gè)僅能容納400人的OpenAI獨(dú)家測(cè)試服務(wù)器中訪問該平臺(tái)。

　　在進(jìn)行了一段時(shí)間的嘗試后，這位粉絲發(fā)現(xiàn)，新平臺(tái)不僅能夠創(chuàng)建具有頭發(fā)、燈光、廣告副本等細(xì)節(jié)特征的逼真圖像，而且在生成連貫細(xì)節(jié)和遵循提示詞方面具有極強(qiáng)的能力。在許多任務(wù)的執(zhí)行效果上甚至可以吊打如今AI生成圖領(lǐng)域名氣最盛的Midjourney。

　　首先是連貫細(xì)節(jié)方面，了解AI圖像生成模型的人可能會(huì)知道，當(dāng)前絕大多數(shù)模型都無法準(zhǔn)確處理生成圖中的文字內(nèi)容。Midjourney也同樣擁有這項(xiàng)缺陷。一個(gè)來自互聯(lián)網(wǎng)的例子是：“生成紅色鉛筆，上面印有‘welcome’的文字。”Midjourney雖然完成了紅色鉛筆的生成，但文字呈現(xiàn)方面可以說一塌糊涂。

　　但顯然，OpenAI已經(jīng)找到了解決這一問題的方法，在MattVidPro所展示的圖片中，新平臺(tái)在處理相似任務(wù)時(shí)的表現(xiàn)可以說非常炸裂。無論是生成寫有博主ID的海報(bào)，還是生成《GTA5》的游戲盒子全都不在話下，并且圖像中的主體文字內(nèi)容完全沒有出錯(cuò)。

　　圖源：Youtube

　　除此之外，在面對(duì)較為復(fù)雜的提示詞時(shí)，相比于Midjourney，OpenAI新平臺(tái)所生成的圖像內(nèi)容顯然更接近提示詞的描述。這里一個(gè)典型的例子是根據(jù)以下提示生成圖像：“在一場(chǎng)自行車比賽中，一名粉色小丑正在與一只熊貓擊掌。自行車是由奶酪制成的，地面非常泥濘。他們?cè)谝粋�(gè)多霧的森林里騎車，熊貓很生氣。”

　　在Midjourney所給出的四張作品中，一只熊貓沒有騎車，而其余三只的座駕都是沒有出現(xiàn)奶酪元素的摩托而非自行車，并且四張圖片中均沒有出現(xiàn)小丑角色，熊貓的表情看起來也與生氣毫不沾邊。

　　圖源：Youtube

　　而OpenAI平臺(tái)在相同任務(wù)上的表現(xiàn)則無需多言，所生成作品包含了提示中的幾乎全部細(xì)節(jié)。

　　圖源：Youtube

　　看完以上案例，有人可能會(huì)說OpenAI新平臺(tái)生成的圖像似乎在真實(shí)度和畫面細(xì)節(jié)方面并不出彩，甚至有些依靠“Q版”圖耍小聰明的嫌疑。但這其實(shí)只是由于在提示中未規(guī)定畫面風(fēng)格的緣故。在生成寫實(shí)圖像方面，新平臺(tái)的能力也完全不亞于目前的主流文生圖工具。

　　圖源：Youtube

　　圖源：Youtube

　　在以上的兩個(gè)案例中，我們不難看出，無論是油畫風(fēng)格圖像“公牛”的畫面質(zhì)感和筆觸細(xì)節(jié)，亦或是寫實(shí)風(fēng)格圖像“水中少女”的光效、少女面部的水漬呈現(xiàn)等，兩幅圖像的逼真度和細(xì)節(jié)處理也均達(dá)到了業(yè)內(nèi)頂尖水準(zhǔn)。

　　2、或采用全新生成模型

　　除了圖像以外，關(guān)于OpenAI正在測(cè)試的這個(gè)新圖像生成平臺(tái)，網(wǎng)上幾乎沒有出現(xiàn)其余的任何消息。但根據(jù)OpenAI于3月所發(fā)表的論文，不少專業(yè)人士推測(cè)，該平臺(tái)很可能利用了全新的“一致性模型”而非目前業(yè)內(nèi)主流的“擴(kuò)散模型”。

　　圖源：OpenAI

　　在這篇名為《Consistency Models》的論文中，OpenAI提到，一致性模型在訓(xùn)練速度上覆蓋了擴(kuò)散模型，能夠“一步生成”，能夠比擴(kuò)散模型更快實(shí)現(xiàn)簡(jiǎn)單任務(wù)，且所用計(jì)算量要少10-2000倍。此外，一致性模型也允許“多步采樣”，以計(jì)算換取樣本質(zhì)量。因此即使沒有迭代過程，一致性模型也可以產(chǎn)生高質(zhì)量結(jié)果，并能快速適用于實(shí)時(shí)任務(wù)。

　　圖源：OpenAI

　　與擴(kuò)散模型相同，一致性模型也支持零樣本數(shù)據(jù)編輯。例如在修補(bǔ)、著色或超分辨率任務(wù)中，一致性模型可以從預(yù)先訓(xùn)練的擴(kuò)散模型中提取數(shù)據(jù)，也可以單獨(dú)進(jìn)行訓(xùn)練。根據(jù)OpenAI的說法，一致性模型能在所有非對(duì)抗性單步生成任務(wù)中勝過擴(kuò)散模型。

　　圖源：OpenAI

　　并且以上所提到的兩種訓(xùn)練方式都將“對(duì)抗訓(xùn)練”從中刪除了。這是由于對(duì)抗訓(xùn)練過程較為復(fù)雜，雖然這更易于產(chǎn)生強(qiáng)大的神經(jīng)網(wǎng)絡(luò)，但對(duì)抗訓(xùn)練的方式也會(huì)導(dǎo)致模型預(yù)測(cè)的準(zhǔn)確率下降。部分業(yè)內(nèi)人士認(rèn)為，這便是OpenAI新平臺(tái)能夠在處理連貫任務(wù)和遵循提示方面表現(xiàn)得更好的主要原因。

　　除此之外，一個(gè)沒有太多依據(jù)的猜測(cè)是，在Dall-E 2發(fā)布的幾個(gè)月前，OpenAI發(fā)表了幾篇關(guān)于擴(kuò)散模型的論文。如果從時(shí)間維度推測(cè)，新平臺(tái)則很可能利用了全新的一致性模型。當(dāng)然，以上這些也只是目前業(yè)內(nèi)的普遍猜測(cè)，在OpenAI官方發(fā)聲之前，估計(jì)我們也很難了解到更多關(guān)于該平臺(tái)的技術(shù)細(xì)節(jié)。

　　3、還沒有完全準(zhǔn)備好

　　而對(duì)于OpenAI為何要如此隱蔽的對(duì)該平臺(tái)進(jìn)行測(cè)試，根據(jù)博主MattVidPro的說法以及幾個(gè)相關(guān)的圖片案例來看，目前該平臺(tái)似乎仍未完成全部的開發(fā)工作，一些細(xì)節(jié)方面的問題依然有待進(jìn)一步完善。

　　首先便是一直以來都困擾著生成模型的“畫手”問題，雖然在大部分情況下表現(xiàn)還算不錯(cuò)，但新平臺(tái)偶爾也會(huì)在生成人物手部細(xì)節(jié)時(shí)犯錯(cuò)誤。例如在這張“打噴嚏的粉發(fā)少女”中，我們可以清晰地看到人物的手指被描繪成了六根。

　　圖源：Youtube

　　除此之外，根據(jù)粉絲的透露，目前該平臺(tái)還沒有設(shè)置任何安全限制，能夠生成包含血腥暴力、色情等敏感元素的圖像，甚至有時(shí)一些敏感圖像會(huì)在沒有提示的情況下彈出。視頻中，MattVidPro分享了一張相對(duì)委婉的生成圖像，并表示一些“有點(diǎn)出格的作品”并不方便公開展示。

　　圖源：Youtube

　　對(duì)于向來以追求極致而著稱的OpenAI來說，顯然目前該平臺(tái)的部分能力以及安全性還沒有達(dá)到他們最終所希望的水平。這也就可以解釋為什么OpenAI會(huì)選擇進(jìn)行相對(duì)隱蔽的測(cè)試行為且沒有進(jìn)行對(duì)外的公開發(fā)聲了。

　　4、贏者通吃：OpenAI的下一步

　　對(duì)于OpenAI的下一步計(jì)劃，不少網(wǎng)友也在Youtube上留下了自己的觀點(diǎn)。部分人認(rèn)為，由于GPT4目前已具有了多模態(tài)信息處理能力，OpenAI很可能會(huì)基于新平臺(tái)在下一版ChatGPT中集成強(qiáng)大的AI生成圖功能。

　　另一部分人則認(rèn)為，OpenAI也可能會(huì)基于新平臺(tái)開發(fā)全新的AI生成圖產(chǎn)品(或是Dall E-3)，與Midjourney、Stable Diffusion等產(chǎn)品競(jìng)爭(zhēng)并瓜分剩余市場(chǎng)，以進(jìn)一步提升公司的盈利能力。畢竟目前ChatGPT的用戶增長(zhǎng)速率已達(dá)到了一個(gè)階段性的瓶頸。

　　總之，雖然就目前看來，OpenAI的這個(gè)全新AI生成圖平臺(tái)仍需要進(jìn)行一些微調(diào)以及安全功能的引入，但平臺(tái)所流露出的信息已經(jīng)在業(yè)內(nèi)引起了一些積極的反響，并收獲了比現(xiàn)階段主流文生圖產(chǎn)品更高的評(píng)價(jià)。有專家預(yù)測(cè)該平臺(tái)或?qū)⒃诮衲昴甑渍�式�?duì)用戶開放。

　　圖源：Youtube

　　不難看出，如今的科技巨頭們?cè)谌斯ぶ悄芊矫娴淖非笠巡辉贊M足于單純的語言模型，而是將攫取的枝杈伸展到了更廣闊的領(lǐng)域。無論是OpenAI正在測(cè)試的全新AI生成圖平臺(tái)，亦或是Meta剛剛開源的文生音樂模型Audiocraft，都表明著人工智能的未來將在更豐富的模態(tài)上開花結(jié)果。