" 自然語言生成圖像 "，俗稱 " 人工智能繪畫（AI 繪畫）"，又走到了最近的風口浪尖上。

在美國的舉行的一場專業(yè)的繪畫評獎中，有這樣一幅畫作參賽。身著復古華服的女子在太空中翩翩起舞，畫面細節(jié)豐富，上色精致。評委看了以后覺得不管是立意還是繪制細節(jié)上，都無可挑剔，然后，就宣布這幅畫獲得本次比賽的第一名。

作者欣喜若狂，在社交網絡上表示：這幅作品是使用 Midjourney 繪制，居然擊敗了其他的參賽作品，真是太棒啦！

他口中的 Midjourney，其實就是目前涌現(xiàn)的 AI 繪畫工具之一。盡管他一再表示自己在這幅畫作中投入了無差別的人力勞動，比如選取關鍵詞、調整文本參數(shù)、進行后期修改等等，但依然無法獲得其他參賽者的認同。其他參賽者認為：你的畫并不是你 " 畫 " 的，你沒有資格參與這個比賽。

而虛擬與現(xiàn)實的分割線也在逐漸模糊。在關于重慶山火的報道中，有部分人使用了 AI 生成的畫面來強調火場面對的壓力。這些畫面在互聯(lián)網上的傳播度極高，如果不強調 " 非新聞畫面 "，普通人很難分辨其中真假。

圖片角落寫的 " 非新聞圖片 "，表示這張圖片來自于程序生成

而創(chuàng)作者面對的壓力要更大，會不會哪一天就會出現(xiàn)一個超級人工智能，卷死所有打工人，讓打工人無工可打。

轉眼之間，我們好像眾多真真假假的畫面，更多的焦慮和爭議包圍。這是一個發(fā)展過快的技術領域，我們也只能通過如下的切片，試圖跟你介紹——它從何處來，它將帶我們前往什么地方。

01

筆終于學會自己動

我們之前聊過《過氣小游戲，在人工智能領域下崗再就業(yè)》，里面有稍微提到現(xiàn)在人工智能的發(fā)展狀況，其中 " 自然語言圖像生成 " 是近兩年研究的大熱門方向。主要原因在于隨著神經網絡算法的發(fā)展，自然語言識別、圖片內容識別等等單獨的領域，都有了不俗的進展，那么研究者們自然會想著，將這些技能整合起來，提升整個模型的理解能力。

按照清華大學唐杰教授團隊 COGVIEW 基礎算法的描述，一個合格的自然語言圖像生成算法應當達到以下標準：

1、從像素點中解耦出形狀、顏色等一系列特征。也就是說給模型輸入一張圖片時，它真的能像人一樣去 " 看 " 到其中的各種物體和特征，而不是一個個無意義的像素點；

2、理解文本，理解文本中描述的畫面所指為何；

3、將圖像中的物體和特征與單詞對齊（包括同義詞），意味著模型能夠把同一事物的兩種模態(tài)聯(lián)系起來；

4、學習到如何將各種物體、特征組合起來，這種生成能力需要更高的認知水平。

目前，以英文為操作語言的 "AI 繪圖 " 發(fā)展極為蓬勃。目前人氣比較高的工具就包括——

Disco Diffusion，早在年初就在科技圈和繪畫藝術家中掀起熱潮。

Disco Diffusion- Gates of Eden

Stable Diffusion：穆夏風格賽博朋克

Midjourney，剛剛提到的在競賽中奪魁的人工智能算法，實際上是 Disco Diffusion 的產品化版本。依托 Discord 進行測試，由于 Discord 本身就是一個好用的即時通訊工具，所以頻道里聚集了非常多的數(shù)字藝術家，討論氛圍也相對好。

Midjourney：炸雞漢堡靜物寫生

DALL · E 2，號稱" 乙方設計師的終極形態(tài)，傻逼甲方終結者 "，由 Open AI 通用算法迭代而來。Open AI 通用算法訓練了目前最接近自然語言的 GPT-3 自然語言模型，換句話說，它訓練了目前最能聽懂人話，寫出跟人類差不多的文本的人工智能神經網絡。所以，由 Open AI 開發(fā)的 DALL · E 2 模型，可以說是最能聽懂人話的模型。

DALL · E 2：用手機的貓

此外，還有支持原生中文的 Tiamat，微軟開發(fā)的 NUWA（女媧），谷歌開發(fā)的 Imagen，Parti 兩個互相卷的算法，Meta 開發(fā)的 Make-A-Scene 等等。整個領域在以非常驚人的速度進化、迭代。

Tiamat 作品

如果說人類的認識是對數(shù)式、漸進的認識過程，以算法和人工智能為代表的硅基智能，則呈現(xiàn)出指數(shù)式的增長。讓筆自己動已經不再是夢想，只要你能清楚描述自己要什么畫面，算法就會將異彩紛呈的碎片呈現(xiàn)在你眼前。

02

畫師們急了，但 AI 也并非無所不能

但這種無視創(chuàng)作意圖，近乎流水線生產的 " 量產數(shù)字繪畫 "，的確令人恐懼。

有人恐懼于，可能造成的技術濫用，以及背后的一部分道德問題，比如現(xiàn)實和虛擬的界限進一步混淆。也有人有更實際的擔心：我作為一個美術，以后畫都給 AI 畫了，那我還做啥？

在游戲行業(yè)，這個擔心尤其現(xiàn)實。對于獨立開發(fā)者來說，這可以是非常低成本嘗試美術風格的方案，并且已經有人這么做了。但對于畫手來說，將自己的繪畫扔到算法里面，作為訓練素材，然后得到一個 " 似己而非己 " 的四不像，甚至對方畫得有可能比你還好，無疑會撼動自己對于 " 存在 " 的定義——原來 " 我 " 并不特殊。

最近，日本一家公司推出的繪畫 AI"mimic" 的 β 版上線。該網站主打學習功能，用戶上傳不低于 15 張圖，AI 就能學習其畫風自動生成新的圖片。

而日本畫師就在推特上明確表示：禁止任何人將自己的作品上傳到該網站，作為 AI 學習和模仿的材料。一個畫師的畫風需要長時間的積累，同時也是一個畫師跟其他畫師區(qū)別的關鍵。而只需要 15 張圖就可以模仿畫風的 AI，則會 " 偷 " 走畫師們最珍貴的東西。

線索紛繁復雜，我們不知道自己打開的是新時代的大門，還是潘多拉的盒子。

但 AI 也并非無所不能。

首先第一個問題，目前的自然語言生成圖像，所使用的自然語言是有限制的。必須使用比較精確的風格描述、作者類比，以及內容描述，才能獲得一張完整的圖像。打個比方，你可以說自己要一張 " 日本浮世繪風格，窗戶，窗前有張桌子，桌子上有堆靜物水果 " 的畫面，但你不能說 " 很憂傷，我想要一張呈現(xiàn)憂傷氛圍的圖 "。這是目前的 AI 無法理解的內容。

另外一個問題，則是畫面的空間感呈現(xiàn)上。大部分 AI 無法畫鏡子、水面倒影或者是折射、漫反射，透明杯子后面折射的物體等等，光線復雜的環(huán)境。而 AI 繪畫的基礎邏輯是基于統(tǒng)計學的，它不懂光學。這是一個比較底層的問題，目前也還沒有太好的解決方案。

人的浪漫自由，和算法的冷酷精確，在 AI 繪畫的話題上，形成了鮮明的對比。而如果將所有的浪漫自由統(tǒng)統(tǒng)捕獲，我們又會迎來怎樣的未來呢？

原神 3.0 的主線劇情，千朵玫瑰帶來的黎明，對須彌的虛空技術進行了簡單介紹。簡單來說，須彌的虛空系統(tǒng)，可以理解成某種大型的分布式計算裝置。這個裝置白天給人灌輸知識，晚上則占用須彌人的 " 冗余算力 "（也就是夢境），去 " 見證神明的誕生 "。結果就是：須彌人喪失了做夢的權利。

我一直認為夢是人類生活非常重要的組成部分。夢，以及其連接的無意識或者感受的海洋，對個體來說，是可以釋放日常生活的焦慮，或者窺見生活的真實。但如今有算法替人繪夢，夢境有了具體的形態(tài)，那我們，還能繪制什么呢？

03

所以，究竟是誰在畫畫

所以問題來了，這么好用的工具，融合了無數(shù)人的智慧結晶，最后究竟是誰在畫畫？是提供 AI 訓練材料的無數(shù)畫家，是編寫生成算法的工程師，還是在輸入生成文本、選擇最終呈現(xiàn)的的用戶？

這是一個非常有趣的問題。最后，究竟，是誰，在畫畫？

如果你在文本生成圖像軟件里面，寫一個 " 林中、月夜、雪 " 的關鍵詞，拿到的內容也不算差。幾乎所有畫面的左上角或者右上角，都會有一個圓圓的白色物體。你知道那 " 是 " 月亮。但你也知道，在生成的時候，它并沒有更多的想法，它只是呈現(xiàn)，只是在采集了成千上萬的類似主題圖片之后，發(fā)現(xiàn)：此處應有白色橢圓。

所以它就在里面加上了。

Stable Diffusion：川瀨巴水的意大利之旅

肉體苦弱，機械飛升。就提煉現(xiàn)實方面，算法要比人更強悍。單線程的腦子，怎么可能跟多線程的硅基主板相提并論呢？但就有生之年的情況來說，我們終究無法成為肉體跟義肢混合的新人類。只要還活著，就會被困在名為身體的牢獄里，只能做到那些人類才能做到的事情。

所以讓我們回到創(chuàng)作的起點吧：想要訴說，想要讓更多人知道自己某時某刻的想法、感受，一閃而過的念頭。去做一些只有人類才能完成的事情，去講述你自己的故事吧。

非常感謝木遙在微博上的科普，李 rumor 的相關介紹，Simon- 阿文的圖片示范。

同樣感謝畫手朋友們孜孜不倦的自我表達，你們的作品是我重要的精神補給。