金磊 蕭箫 發自 凹非寺

量子位 | 公衆号 QbitAI

家人們，聽說了嗎？

最近在“一句話生成畫作”這個圈子裡，又一個AI工具悄然火起來了。

不是你以為的Disco Diffusion、DALL·E，再或者Imagen……

而是全圈子都在講中國話的那種。

瞧，已經入圈的小夥伴們，都開始紛紛曬自己搞出來的傑作了：

從網友們上傳的諸多畫作來看，這個AI可以cover的風格還真不少。

腦洞大開的《熊貓騎摩托》，中國山水畫裡的春天小雨，絢麗的概念插畫《亞特蘭蒂斯》，甚至一隻黑白色調的戴帽子抽煙的狗……

那這個既能支持中文，又能hold住衆多畫風的AI工具，到底是什麼來頭？

不賣關子。

它的廬山真面目，正是百度最新對外發布的一款中文作畫AI——文心·一格。

類似這種“你說我畫”的AI，聽說在國外已經火了很長一段時間。

現在終于等到了個國産版的，那麼它到底好不好用呢？

既然在這個圈子流行講中文，那咱就先從“中國風”開始上手。

例如輸進去極具古典韻味的“江南水鄉”，然後在方向和風格上選擇“傳統”、“中國風”。

僅需等待片刻時間，“啪的一下”，一幅符合語義和風格的畫作就誕生了：

嘿~還别說，這畫還真有一股子“小橋流水人家”的味道。

既然是國風，那就更傳統一點，直接輸入一句古詩詞，看文心·一格會作何反應：

雲深不知處。

整體來說，這幅畫作确實是把“雲之深”韻味展現得到位了。

據了解，文心·一格還可以繼續加大難度。針對AI圖像生成技術的資深用戶，一格即将開放高級自定義功能，支持文本描述結合參數設置的方式探索更多創意。

當然，也可以在”藝術家精品畫廊”裡先浏覽下内測用戶已經生成的圖片，像下面這張：

講真，若非知道這是AI創作的，第一眼還以為是哪個動漫中的場景，是有夠絢爛的了。

還有下面這一張，也同樣稱得上是驚豔絕倫。

但正所謂“貨比三家”，那麼文心·一格作為AI作畫這條賽道的“後起之秀”，和國外的産品相比又如何呢？

下一個挑戰環節，就是國内AI vs. 國外AI——惡犬咆哮。

較為明顯的是，Disco Diffusion的風格更趨向于狂野；而文心·一格則是更偏向現實主義一些。

再拿文心·一格和DALL·E 2做個比較——畢加索風格的貓：

在看完這兩者的創作對比，你覺得誰家的更畢加索一些呢？不過在這般效果背後，對應的問題也随之而來：

要生成風格更全面的圖片，文心·一格的用法會更複雜嗎？

用起來，并不複雜。

我們從操作界面、提示詞要求和性能要求幾方面，對Disco Diffusion和文心·一格等AI畫畫産品進行了簡單對比。

操作界面上，Disco Diffusion開放的接口不能說很複雜，但确實有點門檻。

它直接在谷歌Colab上運行，需要申請賬号後使用（圖片生成後保存在雲盤），圖像分辨率、尺寸需要手動輸入，此外還有一些模型上的設置。

好處是可更改的參數更多，對于高端玩家來說可操作性更強，隻是比較适合專門研究AI算法的人群：

相比之下，文心·一格的操作隻需三個步驟：輸入文字，鼠标選擇風格&尺寸，點擊生成。

前文已經提到，文心·一格同樣也具備Disco Diffusion的“高級自定義”功能，随後便會開放，對于想擁有更多“參數自由”的小夥伴們來說，同樣是個不錯的選擇。

至于提示詞，Disco Diffusion的設置還要更麻煩一些。

除了描述畫面的内容以外，包括畫作類别和參考的藝術家風格也都得用提示詞來設置，通常大夥兒會在其他文檔中編輯好，再直接粘過來。

關鍵一旦提示詞設置得不好，生成的效果就不盡如人意，需要反複嘗試、不斷細化，AI最終才能生成合适的畫面效果。

相比之下文心·一格倒是沒有格式要求，輸入150字的句子或詞組都可以：

當然，輸入畫家名字如莫奈，也能輸出對應風格：

最後是性能要求上，Disco Diffusion是有GPU使用限制的，每天隻能免費跑3小時。抱抱臉（HuggingFace）上部分AI文生圖算法的Demo雖然操作簡單些，但一旦網速不行，就容易加載不出來：

△測試mini DALL·E時加載就失敗過

相比之下，文心·一格除了使用高峰期以外，基本上都是2分鐘就能生成，對使用設備也沒有要求。

總體來看，同樣是文字生成圖片AI，實際相比文心·一格的“真·一句話生成圖片”，DALL·E和Disco Diffusion的生成過程都不太輕松。

所以在這背後，文心·一格生成圖像，究竟是基于一個怎樣的邏輯？

我們以輸入“雲深不知處”為例，希望能輸出一幅中國風的畫作。當接收到這幾個字詞（query）後，AI的腦細胞就開始“運作”了起來，從語法、詞法、語義等角度對文本進行分析。

如果将生成過程可視化，這個階段還看不出什麼效果，處于AI理解文本的階段：

很快，AI“拆解”文本後，理解要怎麼畫這幅畫了，于是在特定尺寸（用戶可選）的畫紙上，構思出整體的輪廓，兼具雲的元素和中國畫的風格：

随後，基于擴散生成模型的原理，叠代地完善并修正畫面細節，不斷提高清晰度、反複檢查圖文描述一緻性，用更精确的配色替代噪聲：

最後，生成名為《雲深不知處》的完整畫作：

看似“一句話生成圖片”不難，其實對AI語義理解和圖像生成能力提出了進一步要求。

為了能更好地理解文本、提升輸出效果，文心·一格還在百度文心的圖文生成跨模态模型ERNIE-VilG的基礎上，進行了更詳細的優化。

為了提升圖文理解能力，在知識增強的基礎上，引入跨模态多視角對比學習；

為了降低輸入要求同時提升效果，采用基于知識的文本聯想能力，讓模型學會自己擴展提示詞的細節和風格；

為了提升圖像生成能力，采用漸進式擴散模型訓練算法，讓模型來選擇效果最好的生成網絡。

此外，在訓練和數據上，文心大模型的産業級能力也進一步給文心·一格提供了幫助，例如AI訓練數據和平時在産業實踐中積累的經驗，都能應用到文心·一格的模型中去；至于百度知識圖譜的算法能力，則進一步提升了模型通用性。

值得一提的是，如果開發者想将文心·一格的能力用到産品中，直接調用ERNIE-VilG的API接口就行，可以說是非常方便了。

我們在試玩文心·一格的時候，還發現了左下角這些有意思的應用場景，一鍵就能生成預覽：

例如，頗有自如風格的裝飾畫：

老闆批量發年貨時印的編織袋（手動狗頭）：

其實，這也是文心·一格區别于Disco Diffusion、OpenAI的DALL·E 2的另一個特點——更強的實用性。

不僅普通玩家可以用來生成自己想畫但畫不出來的内容，絕不會有兩幅相同的畫作，腦洞再放大點，就連媒體作者等文字内容創作者，也能用它高質量高效率配圖。

（嗯，以後你看量子位的文章，說不定有些配圖就是用AI生成的）

專業畫師、或是設計師和藝術家，更可以用它來啟發靈感、輔助創作。

當然，從官網看來，這個産品還在更新叠代、進一步優化中。

至于未來是否會在更多數字藏品、插畫、海報和電影動漫中，看見文心·一格的畫作？

我們拭目以待。

— 完 —

量子位 QbitAI · 頭條号簽約

關注我們，第一時間獲知前沿科技動态

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!