PEN:AI 賦予文字無限力量：“由文本生成一切”的一年

TL;DR：得益于最新的技術進展，人工智能模型現在能將文本轉化為其他形態。這篇文章回顧了AIGC的發展歷程及現狀，并預測未來的發展。

“一種基于文本指令創建繪圖的算法”-?MidJourney

你現在看到的是文字——文字作為一種媒介，讓我向你傳達一連串的想法。自從人類用文字記錄事物，而不再依靠記憶，我們就一直在使用一連串符號來傳遞信息，你可以把所有這些稱為“文本”。

今時今日，以及在過去的幾個世紀里，我們已經將我們對世界的知識、我們的想法、我們的幻想轉化為文字。也就是說，人類的大部分知識現在都以文字的形式存在，我們也在用其他方式交流，比如肢體語言、圖像、聲音等。但文字是我們用于記錄交流、思想和觀念的最豐富的媒介，因為使用起來非常便利。

當GPT-3被輸入互聯網信息時，它消化了我們對周圍世界的觀察、我們的無聊世事、我們彼此之間瘋狂的爭論……，學會了在一連串符號化的人類混亂表達中預測下面的內容。

在學習我們連詞成句進行交流的過程中，一個大型的語言模型會模仿我們如何開玩笑、安慰和發布命令。GPT-3開啟了一場“革命”，在“從文本到文本”方面表現得非常好：輸入一些任務例子或對話開頭，這個生成模型就可以學習任務或繼續對話。

我們在文字的使用方式中，幾乎存在一定的“普遍性”，而我們的技術只是在最近才達到這樣的程度：人工智能系統可以加以整合，發掘我們使用語言的方式，從而描述其他形態。實現強大文本生成能力的技術，也能用以實現文本條件下的多形態生成。“從文本到文本”變成了“從文本到X”。

在“從文本到文本”中，你可以要求模型對一只狗進行描述。在“從文本到圖像”中，你可以將該描述轉化為其對應的視覺效果。文本-圖像模型提供了一種現有圖像生成系統所不具備的新能力。現有的模型，例如GANs，經過訓練，可以在給定的噪聲輸入下生成真實的圖像。但這些模型的可控水平不高，難以達到DALL-E2、Imagen等模型的高度：用戶可以要求生成一只戴著太陽鏡的袋鼠，站在特定的建筑物前，拿著帶有特定短語的牌子。你的愿望就是算法的命令。

因AI監管法案將出臺，OpenAI CEO稱考慮退出歐洲市場:金色財經報道，OpenAI CEO周三表示，如果無法遵守歐盟即將出臺的人工智能(AI)法規，該公司可能會考慮退出歐洲市場。目前，歐盟正在制定AI法規，這可能是全球首套管理AI的規定。法規草案顯示，部署ChatGPT等生成式AI工具的公司必須披露用于開發其系統的任何受版權保護的材料。在考慮退出之前，OpenAI將努力遵守歐洲的監管規定。他表示，目前的歐盟AI法案草案將會造成過度監管的情況，但我們聽說它將回調，他們還在談論這件事。[2023/5/25 10:39:32]

谷歌Parti生成的圖片

在“文本到圖像”得以有效實現之后，更多的應用隨之而來：“文本到視頻”是下一個熱點。“文本到音頻”技術已經存在。“文本到動圖”和“文本到3D”技術說明了文字可以轉化為其他事物。

這篇文章的主題是“從文本到一切”的一年。最近的技術發展，使人們能夠以更有效的方式快速地將文本轉換為其他形態。這些發展令人興奮的，并有望在未來幾年內實現大量的應用和產品。但是我們也應該記住，“文本的世界”是有局限性的，只是一些空洞的思考，描述世界卻不與其發生實際互動。我將討論時至今日的技術進步，也會思考如果文本信息的“呈現”僅僅停留在文本領域，“從文本到一切”會有怎樣的局限性。

多形態終于成為現實

從技術上說，GPT-3揭開了一切的序幕。這已經被提到很多次了，所以我就簡單說一下：OpenAI訓練了基于transformer?架構的大語言模型。這個模型比之前的GPT-2大得多，訓練的數據也多得多，OpenAI當時認為發布這個模型太危險了。它可以做一些事情，比如編寫不那么復雜的JavaScript代碼。有些人會覺得很酷，有些人會覺得一點也不酷，有些人會覺得一般般。創業公司都建立在新的最大的模型上，新聞和學術文章都在贊揚和批評新模型，美國以外的國家也在發展自己的大語言模型參與競爭。

American Software Capital宣布完成對AI WORLD首輪300萬美元的種子輪投資:4月25日消息，據官方消息，American Software Capital 于 4 月 12 日宣布完成對 AI WORLD 首輪 300 萬美元的種子輪投資。據悉，此次投資不僅為 AI WORLD 的發展提供了重要資金支持，也為 American Software Capital 在人工智能領域的投資布局打下了堅實的基礎。[2023/4/25 14:26:07]

2021年1月，OpenAI推出了一個名為CLIP的新人工智能模型，它擁有與GPT-3類似的zero-shot能力。CLIP向連接文本和其他形態邁出了一步，它提出了一種簡單、優雅的方法來訓練圖像和文本模型，當有人進行查詢時，整個系統可以在可能的標題選擇中，把圖像與相應的標題相匹配。

DALL-E可能是第一個“善于”從文本產生圖像的系統，與CLIP在同一天發布。CLIP在第一代DALL-E中沒有使用，但在其后續版本中發揮了重要作用。由于能夠根據文字提示生成合理的圖像，DALL-E上了多個新聞頭條。

擴散模型登場

雖然一些人工智能先驅感嘆，如果我們想實現“真正的”通用智能，深度學習不是辦法，但“文本到圖像”模型無疑適合運用深度神經網絡的力量。深度學習模型中的一些互補性進展，使得“文本到圖像”模型取得了進一步的飛躍：擴散模型被發現，實現了極高的生成圖像質量。。

DALL-E2的發布時間距離DALL-E約一年多，利用擴散模型的技術進步，創造出比DALL-E更逼真的圖像。而DALL-E2的風頭很快就被Imagen和Parti搶去——前者使用擴散模型展現了驚艷的水準，后者則摸索出了一種補充性的自回歸方法來生成圖像。

故事并沒有到此結束。Midjourney是一個用于圖像生成的商業擴散模型，由同名實驗室發布。穩定擴散模型借鑒了對潛在擴散模型的新研究，可以用有限的計算資源進行訓練，因為StabilityAI公司選擇公開該模型及其權重，StableDiffusion的發布受到了萬眾矚目。

比爾·蓋茨：AI 將顛覆教育，但短期內“失敗將遠多于成功”:金色財經報道，比爾·蓋茨在 ASU GSV 峰會上與全球教育科技“獨角獸”公司 DreamBox CEO Jessie Woolley - Wilson 就教育科技的話題展開對談。

蓋茨認為，大量資金涌入教育科技行業將推動該領域的變革，幫助實現教育公平，但投資者應做好失敗的準備：AI 領域的不斷突破無疑將顛覆教育領域，教育公平在不遠處，但這并不意味著投資者應盲目進入。目前來看，許多關鍵進展都發生在平臺層面，非常依賴谷歌、微軟和 OpenAI 的突破。比爾·蓋茨相信，AI 革命正顛覆教育行業，但現在入局教育科技領域成功的機會僅有千分之二。[2023/4/24 14:22:37]

神經網絡架構的創新并不是促成以上改進的唯一原因。雅虎在2015年發布了YahooFlickrCreativeCommons100MillionDataset，在當時是有史以來最大的公共多媒體數據集合。最近，Large-scaleArtificialIntelligenceOpenNetwork發布的數據集更在規模上令YFCC100M黯然失色。2021年發布的LAION-400M包含4億個圖像-文本對，然后是2022年發布的LAION-5B包含50億個圖像-文本對。

值得注意的是，雖然這些數據集能夠大規模地訓練圖像-文本模型，但它們并非沒有問題。TheDecoder的報告曾發現LAION的數據集包含未經同意發布的病人圖像，研究人員也評論說，該數據集的質量并不純正。如此龐大的數據集必然會有其他的倫理問題出現，OpenReview上的作者和審稿人似乎就這些問題進行了頗有見地的意見交流。

從文本到一切！

如果人工智能模型可以將文本轉換為圖像，那么它們可以將文本轉換為視頻嗎？當然可以！10月份，一批從文本到視頻的生成軟件面市。Meta公司的Make-a-Video可以根據文本和靜止圖像生成視頻，而谷歌大腦的Phenaki可以根據一系列構成故事的提示詞生成一個連續視頻。

RAI Finance因ChainSwap合約漏洞被盜超70萬枚RAI代幣:官方消息，基于Polkadot區塊鏈的跨鏈交易協議RAIFinance表示因跨鏈資產橋ChainSwap合約漏洞，被盜取707133枚RAI代幣，團隊表示被盜數額與RAIFinance目前的總市值相比并不大，提醒社區避免恐慌，將持續監控此問題并嘗試維持RAI代幣的價格。另外，RAIFinance表示由于這是第二次因Chainswap智能合約安全問題造成的攻擊，將考慮更換跨鏈橋接合作伙伴。[2021/7/11 0:43:10]

也許更有用，或者說更令人擔憂的是，這些生成模型也能勝任代碼的編寫。當用戶注意到GPT-3可以寫出像樣的代碼時，GPT-3開始登上新聞頭條，聲名鵲起。從那時起，代碼生成語言模型的能力有了很大的進步。OpenAI的Codex能將自然語言轉化為代碼，并且許多其他類似的模型也在紛紛效仿。DeepMind的AlphaCode也能以合理的水平解決編程問題。

這些技術進步彼此追趕的速度令人印象深刻，正如KevinRoose等人所評論的那樣：“AI的發展速度如此驚人，怎么強調都不為過。我剛寫完一篇關于AI驚人發展速度的文章，市場上就有了一些重大發布，包括OpenAI的Whisper和文字到視頻的生成軟件。”

而且AI還可以更進一步：文本也可以轉化為其他媒介，包括音頻、動作和3D。

Samourai Wallet3月批量交易已創新高:隨著全球經濟受到新冠病疫情的影響，越來越多的比特幣持幣者開始使用帶有隱私功能的加密錢包。比特幣錢包Samourai Wallet于去年夏天發布了增強交易隱私性的CoinJoin（混幣）服務以來，截至今年3月迄今，其每月批量交易已創新高。比特幣播客Matt Odell稱，其競品Wasabi Wallet是目前最受歡迎的CoinJoin服務選項，自3月3日以來共獲得3769次下載量，其次是Samourai Wallet，然后是JoinMarket。Odell表示，2020年2月，Samourai增加了Whirlpool移動支持，此舉“改變了游戲規則”：“移動支持是提升用戶體驗的一大進步。所有比特幣用戶都應該使用CoinJoin，否則就會暴露自己的交易歷史。”（CoinDesk）[2020/3/20]

而且，正如我們的同伴JackyLiang博士所展示的，語言模型甚至可以根據自然語言指令編寫機器人政策代碼。

看起來生成式AI的可能性是無窮無盡的。我們只是看到了人工智能模型創造力的雛形。我預計，隨著越來越強大的模型開發出來，文本將能夠指導大量的發明創新。紅杉資本最近發布的《生成式AI應用格局》，已經展示了許多不同的細分賽道。

在一個特定的生成賽道內，有許多可能性和商業領域可以應用這種類型的生成工具。文本生成不僅可以承擔文章的寫作，還可以承擔平臺的后期語言調整；圖像生成和文本轉3D工具可以為游戲、信息應用和市場營銷創造各種工藝品；其他應用提供了生成文檔的能力。而且，正如上圖所指出的，音樂、音頻和生物/化學方面的應用還沒有到來。

ChatGPT和更多的“文字到文字”

即使是在“文本到文本”領域，也有海量的事情可以做：最近推出的ChatGPT在互聯網上炸開了鍋，基本上是因為該模型有能力以對話的形式全面回答問題。你可以要求它為你制定一個簡單的鍛煉計劃，寫一個課程大綱，建議你做什么，向你某位哲學家的作品，以及其他很多事情。

不夠值得注意的是，ChatGPT的知識有嚴重的局限性。

事實上，如果你要求ChatGPT提供關于某個特定主題的更多細節，它就會開始自己繞圈子——挺符合你對一篇高中生作文的期望。事實上，ChatGPT的存在可能會改變我們對寫作技巧的某些方面的理解。

>也許有理由感到樂觀，如果你把這一切放在一邊。也許每個學生現在都能立即進入更高的寫作層次，每個學生都可以直接進入寫作事業的更精細的方面，任何難以模仿的東西都將變得更明顯。逗號連接、主謂不一致、冗長的修飾語等令人頭痛的機械性問題都不復存在，寫作的基礎技能已經直接給定了。

正如我所提到的，ChatGPT似乎還只能對它所闡述的主題作比較淺層次的描述，無法太深入。它可以寫得足夠流暢，并給你一些所需要的細節，但如果你能提供它所缺乏的深入分析和深刻理解，它就還不能替代你的工作。

文本能超越自己嗎？

通過在多模態數據集上訓練模型，我們可以理解文字、語言中編碼的信息如何映射到圖像、三維圖像和我們周圍世界的其他表現形式。“文本到圖像”表明，生成的圖像可以反映精確的文字描述。但是生成式AI還不能做到盡善盡美，StableDiffusion模型在其生成的圖像中明顯存在著賦予人類正確手指數量的問題。

但值得注意的是，在“文本到圖像”系統中，僅僅通過擴大語言模型就能實現改進。Imagen使用僅在文本上訓練的T5編碼器，產生的圖像比DALL-E2更逼真，后者的文本編碼器已被訓練為產生類似于匹配圖像嵌入的文本嵌入。

也就是說，將文本轉化為其他模態的可能性并不明顯。對那些看到真正發展限制的觀點，我感同身受：盡管“文本到圖像”數據集可以告訴我們這個世界的很多景象，但它們不存在于物質世界中，缺乏像我們一樣能夠與物體、與其他人類互動的能力，并通過互動從周圍世界中收集視覺和非視覺信息。

但是顯然，有很多事情可以做。谷歌最近的RT-1展示了如何利用自然語言來解決機器人任務。

“ChatGPT可以為你策劃一場主題派對，但它能幫你在派對結束后打掃屋子嗎？很可惜不能。我在谷歌機器人的朋友剛剛公布了RT-1，一款帶有眼睛、手臂和輪子的變形機器人！”

正如Fran?oisChollet在一次采訪中向我指出的那樣，在“文本到圖像”這個領域，神經網絡的能力可以大放異彩。我也對潛在的二級應用場景感到興奮，比如在文本指導下的分子設計和其他并不顯而易見的創意。

然而，我認為要真正發掘“文本到X”模型的潛能，著實需要有更好的界面：我們需要以更好的方式，向模型表達我們的意思、概念和想法。提示工程作為一門學科出現，可以反映出我們目前與GPT-3等模型的交流方式是低效的。

展望未來，我認為在我們使“文本到一切”成為現實的過程中，我們需要解決兩個驅動發展的問題：

1.我們如何構建界面，使我們能夠更好地將我們的意圖傳達給AI模型？

2.這些模型能夠為我們帶來哪些有用的生成結果或行動？

但是在實際問題之外，我認為另一個問題更有意思：文本到{文本、圖像、視頻等}的模型并不完美，但非常好用。在將想法以圖像或視頻的形式呈現出來這一方面，這些模型遠比普通人，甚至是本身頗有藝術造詣的人類要好得多。正如DanielHerman關于ChatGPT提出的問題：對從事藝術、從事視頻制作而言，文本到一切意味著什么？我們是否會進入這樣一個時期：藝術的基礎知識變得更加商品化，任何人都可以通過不同的媒介，以更精細的藝術手法傳遞自己的思想？在那里，水彩畫的技巧被簡化為提示中的文字，剩下的就是人類和AI系統之間的共舞互動？

一如既往，我們不應該夸大這些AI系統的能力——它們經常會出現顯而易見的錯誤。但是，當遇到正確的問題時，AI可以表現得很出色，為人類提供更多空間去做更有趣的事情，并追尋寫作、藝術的更高層次。

而且，除了這些直接的應用之外，“文本到X”模型及其基礎技術還有哪些尚待探索的進一步應用？研究人員已經在考慮如何使用NLP模型來預測蛋白質的氨基酸序列，這是預測字母序列的一個明顯的應用，離生成文本只有一步之遙。投資者和人工智能報告的作者NathanBenaich，在我最近與他的談話中提到，他對最先進的擴散模型如何應用于生物和化學領域感到興奮。

今年是“從文本到一切”的一年，如果說從今年的驚人發展中可以學到什么的話，那就是文本作為一種“發出指令”的媒介，正變得更加強大。你不需要藝術培訓，也不需要一套數字藝術軟件或繪畫工具，也能來把“漂浮的城市”這一想法變成視覺現實。你可以把它說出來或打出來，讓它存在。

你將用你的文字創造什么？

來源：DeFi之道

作者：DanielBashir

Tags：GPTALLCHAPENGPTGKALLYDAPchainopen幣團隊

非小號