03 生成算法：實現內容生產智能化

近年來，由AI自動生成的繪畫作品、詩歌作品受到廣泛關注，掀起了AI創作的浪潮。2022年12月，由人工智能研究機構OpenAI推出的人工智能對話聊天機器人ChatGPT在社交媒體上迅速走紅，這預示著人工智能時代已經到來，其中所運用到的關鍵技術就是AIGC。

AIGC的發展速度之快令人驚嘆，根據其繪畫作品來看，僅用了不到一年時間，就從略顯生疏的階段成長到了專業階段，這讓許多領域的資深從業人員感到焦慮。而隨著深度學習模型的完善，AIGC“熟練度”的提高也為大規模的商業化應用提供了條件。

以AIGC圖像生成功能為例，視覺信息基于其容易被感知、被理解與記憶、傳播力強等特點，在多種場景中得到了廣泛應用，并且在網絡中跨平臺、跨社群、跨領域迅速傳播。隨著AI技術的進步，生成高質量的圖像信息成為人工智能系統的一個現象級功能。而要借助AI技術生成文字、圖像、語音、視頻等多種多樣的內容，離不開算法建模。目前GAN模型、CLIP模型[注]、Diffusion模型（擴散模型）等算法模型（如表2-2所示）不斷推陳出新，不僅在性能和穩定性等方面均有越來越優越的表現，其能夠生成的內容的質量也在不斷提高。

（1）GAN模型

2014年，AI深度學習模型“生成對抗網絡”（GAN）問世后，并在多個領域得到應用，同時也作為AI繪畫模型的底層技術，大大推動了AI繪畫的發展。

GAN模型的原理實際上是讓“生成器”（generator）和“判別器”（discriminator）兩個內部程序互相“對抗”，最后輸出二者相平衡的結果。在AI繪畫過程中，由生成器生成圖片，判別器判斷圖片是否屬于正確類別。但這一模型的缺點在于：生成圖像分辨率低；可能生成隨機圖像，對輸出結果控制力不足；輸出的圖像始終是對現有作品的模仿，難以通過文字描述創造出新的圖像。

（2）CLIP模型

2021年1月，OpenAI團隊開源了深度學習模型CLIP，它集成自然語言理解能力和計算機視覺圖像分析技術，通過約40億個“文本—圖像”數據的訓練，以獲得能夠精準匹配文本和圖像的能力。

CLIP模型開源后，加速了其在多個領域的應用推廣，CLIP模型可以嫁接到其他AI應用中，從而為相關領域技術人員的參與提供條件。CLIP可以直接進行圖像和文本之間的對比學習，并決定文字與圖像的匹配程度，例如把狗的圖像和“狗”這一名稱匹配起來。另一方面，供應給CLIP進行學習的“文本—圖像”素材并不來自通常使用的人工標注，而是利用廣泛散布在互聯網上的圖片，這些圖片通常帶有標題或文字描述，相當于互聯網用戶已經完成了標注工作。海量的數據能夠幫助CLIP獲得強大的圖像分析功能，同時節省昂貴的人工標注成本。

（3）Diffusion模型

在AI繪畫的風潮中，Diffusion模型逐漸受到重視。Diffusion模型是圖像生成的另一種解決思路。簡單地說，其原理是先在原始圖像數據中不斷加入高斯噪聲，擾動原始數據分布（即擴散階段）；然后在噪聲中逐步修正轉化，構造所需樣本，再通過去噪點來還原數據（即逆擴散階段）。由于是在原始像素信息層面上做計算，去噪生成圖片的迭代過程很慢，且會占用大量內存資源，這導致了模型訓練效率較低，生成高分辨率圖像會帶來高昂的成本。

2022年7月，優化后的Stable Diffusion應用上線測試，它將數據迭代降噪的過程放在一個被稱為“潛在空間”（Latent Space）的低維空間里進行，大幅降低了對算力和內存要求，提高了計算效率和模型訓練效率。這一創新使AIGC技術有了突破性進展。Stable Diffusion應用在不到半年的時間內就出現了大量的二次開發，模型不斷得到優化，應用功能也不斷拓展，有效降低了用戶的使用門檻，目前已經成長為AIGC繪畫領域的最熱門應用。

總體來看，CLIP模型下的海量互聯網圖片為AIGC提供了訓練數據，GAN模型、Diffusion模型則為AIGC提供了算法思路，再到Stable Diffusion模型的算法創新，促使迭代效率、計算資源方面的問題得到解決。由此，我們可以看出，深度學習模型的不斷完善，推動了AIGC繪畫在短時間內有了跨越式發展。

在訓練數據集層面，AIGC繪畫應用的訓練需要大量圖像數據資源。全球非營利機器學習研究機構LAION于2022年3月開放了迄今為止規模最大的多模態“文本—圖像”數據集LAION-5B，以用于AI圖像模型的訓練，LAION-5B包含58.5億個文本—圖像對（Image-Text Pair），涵蓋多種類型的圖像、多種語言的文本，有助于AI模型的訓練和對其進行不同方向的研究。而正是CLIP和LAION的開源，構建了當前AI繪圖應用的核心。開源模式有助于充分調動社會資源，激發社會創造力，使技術創新快速推進，得益于此，AIGC將加快發展成熟。