OpenAI最新成果：AI弥合语言和图像鸿沟的一次突破

本文作者：林檎

在《逻辑与哲学论》(Tractatus Logico-Philosophicus) 一书中，伟大的哲学家维特根斯坦提出了这样的一种理论 ——Picture Theory of Meaning。

这个理论指出，如果可以在现实世界中对语言陈述进行定义或图示，那么这些语言陈述才是有意义的。即，有实在意思的句子，必须能反映成图像。而可用语言表达的事物和只能用非语言方式表达的事物之间，将存在着不可逾越的鸿沟。

维特根斯坦说，人走不出图画，因为人的语言就相当于图画。

OpenAI 最近发布的一项最新成果 DALL-E，是对维特根斯坦这个理论的一个很好演示。

DALL-E 都生成了什么？

GPT-3 表明，大型神经网络可以执行各种文本生成任务。图像 GPT 表明，同样类型的神经网络也可以用来生成高保真度的图像。

基于这两个发现，OpenAI 开发出了 DALL-E，直观展示了如何通过语言来操纵视觉概念。

DALL-E 名字来自西班牙超现实主义画家萨尔瓦多・达利（Salvador Dali）和皮克斯动画的 WALL・E，DALL-E 可以视为是 OpenAI 去年推出的语言模型 GPT-3 的图像版，它拥有 120 亿参数，经过训练后可以重新生成图像，而且是以与文本或图像提示一致的方式生成任何现有图像。OpenAI 自己的官方博客展示了非常多有趣的案例。

下面的示例，显示的是输入 “舒适的企鹅” 的结果。舒适，其实是一个有点抽象的概念，DALL-E 如何 “理解” 这个提示？答案出现了不少毛绒企鹅玩具。

不过，做好心理准备，一些不合常理的搭配，可能会有突破你舒适度的结果。

比如下面这个提示，由 “由豪猪制成的、具有豪猪纹理的立方体”，便产生某些观感比较令人不安的结果。这里突出的是结果的多样性。

“我们发现 DALL-E 具有多种功能，包括创建动物和对象的拟人化版本，以合理的方式组合无关概念，渲染文本并将变换应用于现有图像。” OpenAI 在博客中如此写道。

OpenAI 介绍道，与 GPT-3 一样，DALL-E 是一个 transformer 语言模型，它同时接收文本和图像作为一个单一数据流，其中包含 256 个文本、1024 个图像共 1280 个 tokens。DALL-E 对 text tokens 使用标准的因果掩码，对行、列或卷积注意力模式的 image tokens 使用稀疏注意力，具体取决于每一层的情况。

在训练过程中，图像被预处理为 256x256 分辨率。类似于 VQVAE，通过使用离散 VAE，每个图像都被压缩到 32x32 网格的离散码，而之后使用连续松弛进行预训练，避免了对显式代码本、EMA 损失或死代码复活（dead code revival）等技巧的需求，并且可以扩展。

有关 DALL-E 的体系结构以及 OpenAI 如何对该程序进行训练的更多详细信息，仍然等待未来发表的具体论文。

DALL-E 的几大能力

多次将文本转换成图像的实验之后，OpenAI 总结出 DALL-E 所具有的的多项能力：

1、控制属性：OpenAI 测试了 DALL-E 修改目标物体的能力，包括修改相应的属性以及出现的次数。

2、绘制多个目标：同时控制多个目标物体、彼此的属性和空间关系。例如，一堆三维立方体：红色的立方体在绿色立方体的顶部。绿色立方体在中间。蓝色立方体在底部。

3、可视化透视与三维：控制场景的视点和渲染场景的 3D 样式。

4、可视化内部和外部结构：运用横截面视角绘制内部结构和用宏观图像绘制外部结构。例如，核桃的横截面。

5、推断上下文细节：例如，日出时坐在田野上的水豚，根据水豚的方位，可能需要画一个阴影，但该细节未明确提及。

6、组合不相关的概念：结合完全不同的 idea，合成不存在的物体。例如，鳄梨型扶手椅。

7、动物插图：主要体现艺术插画能力。例如：一个专业、高质量的恋爱波霸珍珠奶茶表情符号

8、零样本视觉推理：仅根据提示来执行多种任务，而无需任何额外训练。

9、掌握地理知识：结合地理知识（似乎体现了一定的固有印象）进行生成。例如，中国美食的图片。

10、掌握时间知识：检验其随时间变化的概念的知识。例如，20 年代起发明的电话的照片。

事实上，DALL-E 本身并不是什么全新的尝试，但是从 OpenAI 给出的演示来看，它运行起来效果相当不错，大部分情况下都能比较好地处理各种输入，在给定提示下产生合理的结果。因而引发了大范围的关注。

尤其是将不相关的概念（其中有些事物根本不可能在现实世界中存在）相组合的这项能力，充满了维特根斯坦 Picture Theory of Meaning 的意味。

例如下列这个提示，“竖琴状的蜗牛”。相信很多人看到这个描述的时候，第一反应根本想象不出这会是怎样的一个存在。但 DALL-E 给出了它的想象。

DALL-E 展现出的这些能力固然有趣，那么，它会有怎样的商业价值吗？

已经有大量网友表示，希望能够购买到范例中演示的牛油果椅子。再或许，DALL-E 生成的图片，会截断类似 “视觉 XX” 这样的图片网站的财路（just kidding）？在博客中，OpenAI 团队展现的两个应用案例，分别是服装设计、室内设计。虽然并未明确这是他们所构想的商业用途，但看起来并不遥远。毕竟，2021 年，维特根斯坦近一个世纪前的想法，已经 “活生生” 在我们面前上演。

Reference:
https://openai.com/blog/dall-e/

公众号：数据实战派
转载请后台联系小编～