2022生成模型進展有多快？新論文盤點9類生成模型代表作

蕭簫 2023-01-27 14:22:47 來源：量子位

蕭簫 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

ChatGPT的出現(xiàn)，徹底將生成AI推向爆發(fā)。

但別忘了，AI生成模型可不止ChatGPT一個，光是基于文本輸入的就有7種——

圖像、視頻、代碼、3D模型、音頻、文本、科學知識……

尤其2022年，效果好的AI生成模型層出不窮，又以OpenAI、Meta、DeepMind和谷歌等為核心，發(fā)了不少達到SOTA的模型。

這不，立刻有學者寫了篇論文，對2022年新出現(xiàn)的主流生成模型進行了年終盤點。

一起來看看這兩年間，各領(lǐng)域的AI生成模型進展究竟怎么樣了。

9大生成模型，最新代表作是？

這篇論文將AI生成模型分成了9大類。

下圖是2022年前后，在生成效果上達到最優(yōu)的模型總覽：

除了谷歌LaMDA和Muse以外，所有模型均為2022年發(fā)布。

其中，谷歌LaMDA雖然是2021年發(fā)布的，但在2022年又爆火了一波；Muse則是2023年剛發(fā)布的，但論文聲稱自己在圖像生成性能上達到SOTA，因此也統(tǒng)計了進去。

文本-圖像生成

這方面的代表作有DALL-E2、Stable Diffusion、Imagen、Muse。

DALL·E2是來自OpenAI的生成模型，在零樣本學習上做出大突破。與DALL·E一樣，兩點依舊是CLIP模型，除了訓練數(shù)據(jù)龐大，CLIP基于Transformer對圖像塊建模，并采用對比學習訓練，最終幫助DALL·E2取得了不錯的生成效果。

下圖是DALL·E2根據(jù)“一只戴著貝雷帽、穿黑色高領(lǐng)毛衣的柴犬”生成的圖像：

Imagen來自谷歌，基于Transformer模型搭建，其中語言模型在純文本數(shù)據(jù)集上進行了預訓練。Imagen增加了語言模型參數(shù)量，發(fā)現(xiàn)效果比提升擴散模型參數(shù)量更好。

下圖是Imagen根據(jù)“一只可愛的柯基住在壽司做的房子里”生成的圖像：

Stable Diffusion由慕尼黑大學的CompVis小組開發(fā)，基于潛在擴散模型打造，這個擴散模型可以通過在潛表示空間中迭代去噪以生成圖像，并將結(jié)果解碼成完整圖像。

Muse由谷歌開發(fā)，基于Transformer模型取得了比擴散模型更好的結(jié)果，只有900M參數(shù)，但在推理時間上比Stable Diffusion1.4版本快3倍，比Imagen-3B和Parti-3B快10倍。

下圖是Muse與DALL·E2和Imagen的生成效果對比：

文本-3D模型生成

主要代表作有Dreamfusion、Magic3D。（這里沒有把OpenAI的Point·E統(tǒng)計進去，可能是生成效果上沒有達到SOTA）

DreamFusion由谷歌和UC伯克利開發(fā)，基于預訓練文本-2D圖像擴散模型實現(xiàn)文本生成3D模型。采用類似NeRF的三維場景參數(shù)化定義映射，無需任何3D數(shù)據(jù)或修改擴散模型，就能實現(xiàn)文本生成3D圖像的效果。

下圖是DreamFusion生成“穿夾克的松鼠”3D效果：

Magic3D由英偉達開發(fā)，旨在縮短DreamFusion圖像生成時間、同時提升生成質(zhì)量。具體來說，Magic3D可以在40分鐘內(nèi)創(chuàng)建高質(zhì)量3D網(wǎng)格模型，比DreamFusion快2倍，同時實現(xiàn)了更高分辨率，并在人類評估中以61.7%的比率超過DreamFusion。

圖像-文本模型生成

主要代表作有Flamingo、VisualGPT。

Flamingo是DeepMind推出的小樣本學習模型，基于可以分析視覺場景的視覺模型和執(zhí)行基本推理的大語言模型打造，其中大語言模型基于文本數(shù)據(jù)集訓練。輸入帶有圖像或視頻的問題后，模型會自動輸出一段文本作為回答。

VisualGPT是OpenAI制作的圖像-文本模型，基于預訓練GPT-2提出了一種新的注意力機制，來銜接不同模態(tài)之間的語義差異，無需大量圖像-文本數(shù)據(jù)訓練，就能提升文本生成效率。

文本-視頻模型生成

主要代表作有Phenaki、Soundify。

Phenaki由谷歌打造，基于新的編解碼器架構(gòu)C-ViViT將視頻壓縮為離散嵌入，能夠在時空兩個維度上壓縮視頻，在時間上保持自回歸的同時，還能自回歸生成任意長度的視頻。

Soundify是Runway開發(fā)的一個系統(tǒng)，目的是將聲音效果與視頻進行匹配，即制作音效。具體包括分類、同步和混合三個模塊，首先模型通過對聲音進行分類，將效果與視頻匹配，隨后將效果與每一幀進行比較，插入對應的音效。

文本-音頻模型生成

主要代表作有AudioLM、Jukebox、Whisper。

AudioLM由谷歌開發(fā)，將輸入音頻映射到一系列離散標記中，并將音頻生成轉(zhuǎn)換成語言建模任務，學會基于提示詞產(chǎn)生自然連貫的音色。在人類評估中，認為它是人類語音的占51.2%、與合成語音比率接近，說明合成效果接近真人。

Jukebox由OpenAI開發(fā)的音樂模型，可生成帶有唱詞的音樂。通過分層VQ-VAE體系將音頻壓縮到離散空間中，損失函數(shù)被設計為保留最大量信息，用于解決AI難以學習音頻中的高級特征的問題。不過目前模型仍然局限于英語。

Whisper由OpenAI開發(fā)，實現(xiàn)了多語言語音識別、翻譯和語言識別，目前模型已經(jīng)開源并可以用pip安裝。模型基于68萬小時標記音頻數(shù)據(jù)訓練，包括錄音、揚聲器、語音音頻等，確保由人而非AI生成。

文本-文本模型生成

主要代表作有ChatGPT、LaMDA、PPER、Speech From Brain。

ChatGPT由OpenAI生成，是一個對話生成AI，懂得回答問題、拒絕不正當?shù)膯栴}請求并質(zhì)疑不正確的問題前提，基于Transformer打造。它用人類打造的對話數(shù)據(jù)集、以及InstructGPT數(shù)據(jù)集的對話格式進行訓練，此外也可以生成代碼和進行簡單數(shù)學運算。

LaMDA基于Transformer打造，利用了其在文本中呈現(xiàn)的長程依賴關(guān)系能力。其具有1370億參數(shù)，在1.56T的公共對話數(shù)據(jù)集和網(wǎng)頁文本上進行訓練，只有0.001%的訓練數(shù)據(jù)被用于微調(diào)，這也是它效果好的原因之一。

PEER由Meta AI打造，基于維基百科編輯歷史進行訓練，直到模型掌握完整的寫作流程。具體來說，模型允許將寫作任務分解成更多子任務，并允許人類隨時干預，引導模型寫出人類想要的作品。

Speech from Brain由Meta AI打造，用于幫助無法通過語音、打字或手勢進行交流的人，通過對比學習訓練wave2vec 2.0自監(jiān)督模型，基于非侵入式腦機接口發(fā)出的腦電波進行解讀，并解碼大腦生成的內(nèi)容，從而合成對應語音。

文本-代碼模型生成

主要代表作有Codex、AlphaCode。

Codex是OpenAI打造的編程模型，基于GPT-3微調(diào)，可以基于文本需求生成代碼。首先模型會將問題分解成更簡單的編程問題，隨后從現(xiàn)有代碼（包含庫、API等）中找到對應的解決方案，基于GitHub數(shù)據(jù)進行訓練。

AlphaCode由DeepMind打造，基于Transformer模型打造，通過采用GitHub中715.1GB的代碼進行預訓練，并從Codeforces中引入一個數(shù)據(jù)集進行微調(diào)，隨后基于Codecontests數(shù)據(jù)集進行模型驗證，并進一步改善了模型輸出性能。

文本-科學知識模型生成

主要代表作有Galactica、Minerva。

Galatica是Meta AI推出的1200億參數(shù)論文寫作輔助模型，又被稱之為“寫論文的Copilot模型”，目的是幫助人們快速總結(jié)并從新增論文中得到新結(jié)論，在包括生成文本、數(shù)學公式、代碼、化學式和蛋白質(zhì)序列等任務上取得了不錯的效果，然而一度因為內(nèi)容生成不可靠被迫下架。

Minerva由谷歌開發(fā)，目的是通過逐步推理解決數(shù)學定量問題，可以主動生成相關(guān)公式、常數(shù)和涉及數(shù)值計算的解決方案，也能生成LaTeX、MathJax等公式，而不需要借助計算器來得到最終數(shù)學答案。

其他生成模型

主要包括Alphatensor、GATO、PhysDiff等“其他生成模型”。

AlphaTensor由DeepMind開發(fā)，懂得自己改進矩陣乘法并提升計算速度，不僅改進了目前最優(yōu)的4×4矩陣解法，也提升了70多種不同大小矩陣的計算速度，基于“棋類AI”AlphaZero打造，其中棋盤代表要解決的乘法問題，下棋步驟代表解決問題的步驟。

GATO由DeepMind開發(fā)，基于強化學習教會大模型完成600多個不同的任務，包含離散控制如Atari小游戲、推箱子游戲，以及連續(xù)控制如機器人、機械臂，還有NLP對話和視覺生成等，進一步加速了通用人工智能的進度。

PhysDiff是英偉達推出的人體運動生成擴散模型，進一步解決了AI人體生成中漂浮、腳滑或穿模等問題，教會AI模仿使用物理模擬器生成的運行模型，并在大規(guī)模人體運動數(shù)據(jù)集上達到了最先進的效果。

作者介紹

兩位作者均來自西班牙卡米亞斯大主教大學（Universidad Pontificia Comillas）。

一作Roberto Gozalo-Brizuela，目前是卡米亞斯大主教大學研究助理（Investigador asociado），從事AI相關(guān)的項目研究工作。

Eduardo C. Garrido-Merchán，卡米亞斯大主教大學助理教授，研究方向是貝葉斯優(yōu)化、機器學習、強化學習、生成式AI等。

你感覺哪個領(lǐng)域的生成式AI進展最大？

論文地址：
https://arxiv.org/abs/2301.04655

參考鏈接：
https://twitter.com/1littlecoder/status/1615352215090384899