三个鼻子两张嘴？产品经理视角下的AI绘画全解析

我从1月30日写系列第一篇的时候就提过，这一波AIGC浪潮本质来源两项技术：一个是ChatGPT所代表的GPT、RLHF、Prompt等技术点，另一个则是AI绘画背后的Diffusion技术。
            2023年，只看这两项技术的影响力（除非有新的技术突破发生），其中GPT负责文本领域的狂飙，Diffusion负责图像领域的狂飙，两者合起来才是对内容生产领域完整的冲击。
            那我们接下来我们正式开始，本篇文章讲述以下内容：
            

              

• 1Diffusion的技术原理科普（照旧通俗易懂）              
  
• 2Diffusion演进方向（潜力在哪里）              
  
• 3Diffusion商业落地分析（附带分析框架）              
  
• 4Diffusion对相关职业的影响（附带分析框架）            
  

            全文共计10458字，阅读大约27分钟。
                         
            Diffusion的技术原理科普
            DIffusion（扩散算法），这是一种相对简单的自回归模型。如果说ChatGPT背后代表的LLM大语言模型的技术惊艳度是10，那么他可能只有5。
            但他目前在图像领域，是当之无愧的王者，与文本领域的GPT隔江而治，二分天下。
            接下来，我们用一种新的科普方法，请大家跟随我的思路，去看看这个令人赞美的系统级产品是怎么一步步产生，我会在中间穿插讲解每个技术概念。
            旅程开始之前，我们敲下一个问题：“如果我要让AI根据文字，给我输出图片”，都需要什么技术？
            第一步，计算机要能够处理图像
            虽然我们天天在手机和电脑上看图片/视频，但计算机的理解和我们可不一样。他们的理解和人类在不同层次：
            第一层，真实世界，专业点叫模拟图片，就是人类看到，观察到的图片。
            第二层，数字世界，即图片的数字化。我们经常听到的分辨率400*400，就是数字世界的表达。这意味着这是一张由1600个像素构成的图片，每个像素点用0~255的数值来表示他的颜色。当图片被数字化后，计算机才能储存、编辑、理解、计算它。
            例如下面这张图，右侧的每个数字空格，与左侧的每个像素点对应，空格里的数字则代表那个像素点的亮度，通过这样的转换，图片就被数字化了。
                         
            第二步，计算机能够画画
            记住这句话：对计算机而言，画画是个数学问题，而非艺术问题。
            我们人类画画大概的顺序是：我有个初步想法，然后开始勾勒线条，然后填充色彩。也就是画家先有个模糊想法，然后在绘画过程中，逐步逼近心中的作品。
            而计算机的绘画逻辑则不同：他基于人类的命令，进行数学上的计算，遵从概率最高的选择，画出作品（是的！和GPT一样，又是在猜概率）。
            在AI的眼中，猫不是猫，而是一个有椭圆轮廓，颜色上黄色、白色、黑色，中间有个两个褐色圆形（眼睛）的东西，就好比下面这些图。
                         
            但事实上这些图片是我为了方便你们理解放的，他其实并不严谨。在计算机里，他学习到的东西连上面这些黏糊糊一大坨的图像都还不是，他学到的就是一串数字的分布规律。
            就像下面这张图一样，你相信下面这张图中，绿色点其实是一张“手绘数字8”的数学表达吗？所以我们大概有一种模糊的概念即可，不要强求去想象计算机画画的过程，那是很难理解的。
                         
            第三步，找到一个合适的算法模型来画画
            Diffusion的前浪们
            在整个AI技术的发展过程中，针对“学习图像规律分布然后生成图像”这件事情上，涌现出了许多模型，例如GAN，VAE，normalizing flow等，但他们都有着这样那样的缺点，最终被Diffusion打败。
            以GAN为例子，这是Diffusion技术出现前，图像领域最火热的模型选择。
            GAN（Generative adversarial network，生成对抗网络），他的逻辑很简单：我训练两个模型，一个叫生成器（打工仔），专门负责画图，一个叫判别器（老板），专门负责评审生成器画的图到底好不好。
            如果生成器画得好呢，判别器就给他发奖金，如果画得不好，判别器就给他一巴掌。
            于是生成器为了赚奖金，少挨巴掌，他就会努力画得更好（努力工作），但同时还会努力尝试骗过判别器，让他以为自己画得好（摸鱼）。
            而判别器则反过来，他会不断提高自己对生产器产出的判断能力，只奖励真正好的，强烈打击不好的（老板的KPI审核）。
            他们之间的关系就像银行制造真币的和犯罪团伙制造假币一样，相爱相杀，共同推动印钞防伪技术提升。
            但是GAN存在着若干问题：
            首先，这种双核成长不是那么稳定的，有时候甲方压倒乙方，有时候乙方压倒甲方，一旦发生这种情况，整个模型就会崩溃。
            其次，他的判别器负责教育生成器好好作画，那么对使用的图片质量要求就很高，不然老师自己都错了，对学生的教育就更加无从说起。
            最后，生成器也有问题，他特别怕挨打，所以生成图片是极其保守的，遵循的就是少做少错原则。所以你永远无法期待他画出一个戴着鲜花组成的眼睛的小女孩（只要你的训练集中没有类似图片）。
            而VAE和normalizing flow也一样存在问题。
            VAE的核心机制中，需要定义一个真实后验的值，但偏偏这个值是不可达的，只能用变分后验来逼近他。重点就是这个变分后验非常麻烦。
            normalizing flow 的核心机制则要求模型是可逆函数（例如y=x+1可逆，因为y=2，那么x一定是1，而y=x²不可逆，因为y=4的时候，x可能是-2/+2）。
            这让他在选择模型的时候往往不能用最好的模型，因为一些好的图像神经网络是不可逆的。这就让他在画画的时候，在图像的表达上存在弱点。
            好吧，方法很多，但好像都有些毛病，怎么办法呢？
            新生代力量Diffusion闪亮登场
            Diffusion的原理表面上理解很简单（数学推导则非常复杂，我也看不懂）：
            1. 前向扩散（Forward Diffusion Process），就是下图中的上半截，我们将用于训练的数据，随机添加噪点，一遍遍地添加，直到他变成一张全是噪点的图片。
            2. 反向扩散（Reverse Diffusion Process），就是下图中的下半截，我们让模型将这张全是噪点的图片，给我还原成一张清晰的图。
                         
            AI模型需要在这个加噪点去噪点的过程中，学习到绘画的方法。哈哈哈是不是非常不可思议，没关系，往下看详细介绍。
            在这个过程中，AI模型的训练原理如下，我标了一二三四步，大家跟随我的一起看下方的详细解释
                         
            第一步，我们随机挑选一个噪点程度，顺便把这个程度数字化（向量化）
            第二步，随机到的结果是噪点程度T=14。我们就给这张照片加上对应程度的噪点，让他糊掉（必须糊成14的程度）。
            第三步，把噪点程度的向量+模糊的图片一起放进神经网络，这个神经网络的学习过程和上面相反，上面是我怎么加噪点让他变成糊图，而他学习我怎么去除噪点才能让他变成美图。
            第四步，学习的过程中会让模型预测出我要去除的噪点（noise）是多少的。与此同时我们是知道真正要去除的噪点值是多少（毕竟是第一步，第二步中这个噪点是我们自己添加的）。所以AI的预测噪点值就可以去和真实噪点值比较，这个差值就是loss了，你可以理解为模型预测的偏差。
            循环训练，在刚开始训练的时候，loss是非常大的，但是我们的训练目标就是让loss变小，无限逼近于0。当loss成功变得非常小时，我们就成功了，模型后面每一次去做预测，都能非常准确。
            当模型训练完成后，你下命令让他画画的时候，他就只会执行反向扩散过程了，即找出一张全是噪点的画，然后一步步去除噪点，直到生成作品。整个过程就像下面这张图一样。
            From《Denoising Diffusion Probabilistic Model》
            p.s 使用过AI绘画工具的朋友可能对里面的“步长”选项有印象，这个步长其实就是到底要求AI绘画预测多少次再出图。
            理论上步长越长，图像就越不糊（去的噪点多了），质量也会越好（预测很多次，更准了）。
            第四步，让计算机可以根据文字画画
            在前面的步骤中，我们解决的只是“让计算机画画”，我们现在进一步解决“让计算机根据文字画画”。
            我们首先面临的第一个问题是，计算机怎么知道文字和图片之间的关系呢？
            比如下面这张图，我们一看就知道是牛油果，但计算机怎么知道这堆绿中带黄的东西是牛油果呢？
            在这里我们再次遇到我们的老朋友OpenAI同学。他在2021年1月开源了CLIP（Contrastive Language-Image Pre-Training）。这个模型用了40亿的“文本-图像”数据来训练，确保计算机在文字描述和图像之间形成互通。
            大家如果好奇这些训练数据长啥样，不妨稍微往上拖一拖看看牛油果。每张图片下会有这张图片的描述，这就是文本-图像对数据。
            他的训练过程我就不多说了，和前面Diffusion的训练过程很像，AI的核心原理都是这样——你预测一个结果，我手里握着真实结果，那么这之间就会产生一个loss（偏差）。训练的过程就是让这个偏差不断变小，到最后AI每次预测结果就与真实结果几乎一致。
            话归正题，OpenAI的这次开源，提供了一条多模态通道，让“以文生图”的效果得到进一步提升（以前不是没有类似的模型，但没有这个效果好）。
            现在，当我们说“画一个牛油果椅子”，计算机就会将这句话通过CLIP转换成向量。并且，这个向量同时也是图像的向量，因为CLIP模型已经把图文拉到同一个维度上来理解了。
            这就是让计算机根据文字画画的关键模块CLIP，他把文字表达与图片表达拉到一个维度上，使得文字Prompt能够进入Diffusion模型中，去约束图片的生成过程。
            另外科普一个小知识点，当AI自己乱画，叫做“无条件图片生成任务”，当AI遵循我们的命令画画，叫“有条件图片生成任务”。文字是其中一种条件，除此以外还有音频（看音乐画图），图像（看图画图），姿势，结构等等。
            第五步，计算机根据文字“快速地”画画
            但这些还不够，否则AI绘画的爆火就不会从22年年初拖到22年7月了。
            这是因为Diffusion虽然解决了GAN、VAE等其他图像模型的缺点，但他在诞生之初，其实也存在一个缺点：他的计算速度非常慢，出一次图动不动就是一个小时以上，很难全面推广。
            这是Diffusion的工作原理造成的，因为他出图的时候，其实就是对着一张充满噪点的图反复去噪，这个过程不是一步到位的，可能要执行成千上万次，这就导致出图速度非常慢。
            为此学术界做了非常多的努力，但最爆炸的成果来自EleutherAI团队所开源的Stable Diffusion。
            他的解决点非常巧妙。大家还记得我们在第一步提到的真实世界数字世界吗？事实上还有更深一层的世界——隐空间（latent space）。
            这个概念在AI中非常重要，因为他能进一步压缩数据量级，让机器的训练、预测速度提升。比如有一张图片他的像素是512*512=262144个像素点。现在我在不丢失重要信息的前提下，把他拉到64*64的隐空间，那么复杂度仅有64*64=4096，是原来的1.5%！
            那这个隐空间的原理是什么呢？请看下图的例子
                         
            左右两张图片明明信息量差异巨大，但是我们看到右图却立马明白是什么意思（如果你不明白可以百度一下“我全都要是什么梗”）。
            而隐空间（latent space）也是同样的思想，他会通过一些工具，对像素世界中的信息进行选择，只留下高质量、有价值的信息，而其余信息全部丢弃。在这种思想下，因为信息量级降低了，所以计算效率大大提升，但又不会丢失重要信息。
            到了这里，我们终于凑齐了七龙珠，可以召唤神龙了！
            大家结合我的步骤解释和下面这张图，一起来感受一下完整版Diffusion的工作原理：
                         
            第一步，把像素级别的图片拉到隐空间（减少计算量）
            第二步，进行正向扩散，给图像加噪声（搞一张糊图出来）
            第三步，把Prompt"一个牛油果椅子"转换成向量，一起参与到这个过程中
            第四步，进行反向扩散，让U-net神经网络学习如何正确预测要去除的噪点，这一步会持续反复，直到U-net训练成功
            第五步，预测结束后，把图片从隐空间拉回像素空间，成为人类所能理解的图片
            整个过程一环扣一环，所以我们可以发现，虽然核心是Diffusion技术，但CLIP、隐空间的应用也都非常重要，所有加起来才推动了AI绘画的爆火出圈。
            Diffusion的的演进方向和潜力
            这一部分我会列举目前比较主流的方向，作为技术篇的补充，但不会有太多的技术解释。
            大家在理解基本原理的前提下，大概了解一下技术的变化趋势，避免将思维局限在当前的AI绘画形态上，影响对行业的商业判断。
            p.s 我并未每个方向都非常仔细的去搜集数据，部分方向可能存在偏差，仅供参考
            可控生成
            这是目前学术界发力最多的方向。
            有体验过AI绘画的同学应该能理解这种烦恼：这张图还不错，但是偏偏某个细节差了点，我又没能力弄下来重新画，只能不停刷新，期望撞大运遇到完美的。
            怎么解决呢？我们可以只替换出错的部分吗？当然没问题！
            例如下面这张图，我对猫咪骑的单车不满意，我想换成小车，行不行呢？可以的，Prompt的过程中锁定原图，替换一下这个单词就行——这就是语义替换。
                         
            From《Prompt-to-Prompt Image Editing with Cross Attention Control》
            这是怎么做到的呢？大家稍微往前回忆一点，我们说到让计算机根据文字生成图片，很关键的一个模块是CLIP来实现这种文本-图像的跨模态转化。并且文字Prompt还会持续约束着Diffusion的去噪过程。而这种可控生成其实就是在这里进行微操，从而实现类似的效果。
            大家要特别关注下图中的右侧的Condition模块，他就是我们给Diffusion输入的条件，这里的条件可以是文字，图片、音频、空间结构等等，只是我们目前比较熟悉的应用是文字而已。
                         
            除此以外，你甚至可以文字+图两种条件一起上，一起来看看有趣的例子：
            文字+参考图，按照线框布局生成图片
                         
            文字+参考图，限定边界生成
                         
            文字+参考图，模仿人物姿势生成
                         
            加速采样（降低成本）
            这方面非常好理解，不管是Diffusion的模型训练过程，还是上线后的预测（出图）过程，反向去除噪点都是一步步去除的。
            这种逐步去噪是保证效果稳定的原因之一，但也制约Diffusion的性能成本。
            而加速采用就是能够解决这个问题的方法之一，他大概做的事情就是——你要去除1000步才有好效果？我给你直接干到50步！
            所以大家会发现，在去年底还有Stock AI倒闭的新闻，到今年就没有任何一家AI绘画公司出问题了。像意间、PAI这样的公司，靠广告收益+订阅其实也活下来了（至少不会盈亏失衡）。
            更高的图片质量
            如果读者中有从去年7月以来一直持续使用的朋友，会发现AI的产出质量越来越高。
            抛开模型升级的原因不提，很大一部分提升来自更优质的训练数据。
            这里面一方面来自用户的作品产出，当AI作品被下载，甚至上传到作品集市，那么相当于制作了一个正样本——这是好图，AI你快拿去学习。
            此外，一些二维码验证，也在做这方面的数据积累。例如下图，模模糊糊，很明显是Diffusion去噪过程的中间产物。
                         
            来自Discord的验证码
            最后，一些公司已经在做专门的定向微调优化了。目前大家感受到的可能是AI绘画工具上多出了不同绘画风格可选，例如蒸汽朋克、中国画、水墨、动漫等等。
            但我更期待的是是否有一些正在进行的垂直商用的图集训练。例如给他灌入海量LOGO数据，他在LOGO设计方面就会显著提升，这将有助于AI绘画真正踏入商用领域。
            更强的语义理解（文本-图像）
            目前体验上另一个卡点是，有时候AI不是画不出来，他是不知道我要什么。我明明说要一只粉红色的老虎，但他可能以为是粉红色背景+老虎。这方面的难题就需要靠语义理解去处理。
            比如前面提到的CLIP，用40亿文本-图像数据训练出来的。如果我们用一个更强大的模型去替代它，就能够提升绘画过程中的语义准确性（其实我之前看到新闻有一个比CLIP更强的跨模态模型出现了，但是很抱歉没找到当初的资料，所以这里列不出例子）。
            又比如你干脆用ChatGPT来桥接到AI绘画上，这也是一种加强语义理解的方式。当然这需要ChatGPT一起配合，目前ChatGPT的知识中应该还没有Prompt怎么写更合适的知识。
            多模态的发展
            Diffusion的应用正在扩展到音频、视频、3D领域，但暂时只是一种趋势，落地商用的demo比较少。我这里放几个图和链接给大家参考一下：
            视频通过这个链接前往查看（需梯子）https://video-diffusion.github.io/。毕竟视频类的demo，不亲自去看，只看我这里贴图是感受不到的。
            3D建模（点云图）的效果可以看看下面这张图
                         
            From 《Diffusion Probabilistic Models for 3D Point Cloud Generation》
            读到这里，我们技术篇的科普+潜力介绍就结束了。
            不知道你看到这里是否会认同我一直说的话——真正的AIGC浪潮，就从GPT和Diffusion两条技术栈开始，其他挂羊排卖狗肉的暂时得靠边站。
            ChatGPT的魅力我已经带大家领略过了，相信Diffusion的魅力尽管弱一些，但也不会差到哪里去。
            并且不管GPT 大语言模型的威力如何强大，他未来是否真的可以跨越多模态降临到图像、音频等多模态（我在前文提过这种发展方向）。
            但至少在2023年这个节点，图像领域的王仍然是Diffusion。毕竟提前半年启动的数据飞轮和学术界数以百计的paper努力不是白费的。
            Diffusion的商业分析
            如果想看具体的场景、项目盘点，可以follow这个商业项目库，本文中不会有针对具体项目的分析。
                         
            本文中尝试的是，我日常维护更新项目时，所用的分析框架和方法，详情如下：
            1. 需求明确性，需求越明确越无法忍受AI的自由创作，也越需要人类介入校正
            2. 市场规模，由作品价值X需求规模影响。
            3. 分析框架，将需求明确性、市场规模组成二维矩阵
            4. 限制因素，补充法律版权、敏感审核这两个限制因素作为参考
            5. 一点浅薄的判断，关于这个市场会往哪个方向发展
            需求明确性
            需求的明确性受到两方面影响：
            是否能够想清楚要什么
            多少人/多少场景在创作之前就已经明确知道最后落地作品的样子？
            事实上甲方提需求的时候，通常都是朦胧不定的，因为她们心中只有一个概念。并不是所有人都能做到文与可的“胸有成竹”。
            是否能够说清楚要什么
            一方面因为图像需求的朦胧性，他的表达本身就很有困难。例如“我要一个奢华、有格调、符合品牌调性的海报”，这其实就是朦胧需求带来的表达模糊。
            而另一方面是需求方能力限制下的表达模糊。比如梦到了一副作品，那个蓝色是天青蓝还是蝴蝶兰呢？那个画风是印象派还是后现代呢？饱和度是高，还是低呢？
            很难，非常难，这也是画师朋友在以前最核心的技能之一。他们在内心通过自己的审美水平建立起了感性-现实之间的通道，并最终通过自己的技艺实现作品的落地。
            基于上述两个因素组合起来的需求明确性从低到高是这样子的：
            无条件创作
            这就是Diffusion不加入CLIP的样子，即你给我生成一张作品，但我毫无要求，只要是作品就行。在现实中，这场场景的例子非常少，NFT可能算一个（只要漂亮、有艺术感就可以卖钱，不用你命题作文）。
            方向条件创作
            给你一个方向，例如画一张类似莫奈的画，画一只可爱的猫。这个场景就是现在AI绘画目前所完美匹配的场景。他适用于低要求的创作，例如社交货币获取，AI绘画平台作品填充，文章插图等。
            限制条件创作
            商业上的例子会特别常见：帮我画一个LOGO，科技风，里面一定要有潮汕牛肉丸几个字，整体色调蓝色。
            这个例子中限定了LOGO，科技风，包含文字，色调等好几个条件，远高于上个层次的要求。
            目前技术正在逐渐、部分地满足这个层次的需求。
            完全条件创作
            上个层次中条件完全穷举后即到达这个层次，例如潮汕牛肉丸要在上面，要用衬体字，必须象形写意等等，甲方爸爸想要怎么调整就怎么调整。
            目前来看，短期内AI不可能是不可能实现完全条件下的创作实现，一定需要靠人类画师借助工具进行二次修改实现。
            市场规模
            单个作品的价值
            这里的价值不是使用价值，就是交换价值，你可以用“价格”来替代理解。在AI技术的低成本碾压下，作品的价值肯定会产生断崖式下跌，但需求明确性更高的作品，会具备更高的抗贬值属性。
            作品的需求规模
            即这种类别的商品，有多大的需求空间。例如插画，原本用在故事绘本、日系轻小说等地方。而现在因为技术门槛降低，作品价值下跌，国内的网文，人物立绘，同人作品等场景也会产生需求，推动整体需求规模的爆发。
            上述两者综合起来就是市场规模，目前来看基本的方向是价值下跌，但规模扩张，从而迎来整体市场规模的扩展。
            分析框架组装
            通过这两个维度的理解，我们可以在脑中建立如下图所示的模型，对每个接触到的商业机会进行判断。
                         
            大家可以发现整个图向着右上角蔓延，需求明确性和市场规模在这个框架分析下呈现正比例关系。
            但这种关系可能是一种错判，因为其中的市场规模未客观测算，收集的方向也不足够。
            因此本图仅供参考，无法作为知识输入，更好的用法是套用这个框架看看各类投研公司出具的分析报告。
            限制因素
            Diffusion的限制因素会比ChatGPT简单很多，主要围绕法律版权和敏感审核两方面
            法律版权
            概念上可以分为训练所用图集版权+用户生成图片版权两大类。目前存在大量的争议，没有明确结论。
            模型的输入：训练图集版权
            目前Diffusion原始的训练图集来自Laion（一家非营利性机构）在22年3月开源的Laion-5B（包含58.3亿文本-图像对）。其中最关键的是这个数据集中的一个子集，LAION-Aesthetics。他按照艺术性美感，对图片进行打分，其中8分以上800万张，7分以上1.2亿张。
            但可想而知，这么大规模的一个数据集，肯定不全都是具备商用版权的。但目前几乎难以对这方面进行追溯定义，相关的讨论非常混乱。
            他面临的本质问题是：对图像的版权定义过时了。AI模型的做法并非像素级复制，甚至非局部复制，而是复制风格、手法、要素等。这种手法有点像媒体界中流行的“洗稿”，几乎无法被追溯版权问题。
            所以虽然画家中的抗议声音非常大，在这方面却无法产生太大的影响。
                         
            日本画家对mimic的抗议
            模型的输出：生成作品的版权
            目前有一些平台采用附加NFT的做法来保障用户生成作品的版权。但同样的，在法律层面目前没有明确的定义。
            如英国，尽管是少数支持AI生成作品版权的国家之一，他对AI生成作品也有着模糊的前置限定——“完成作品创作所需安排的人”。这个所需的人，就很有意思了，写几句Prompt算所需的人吗？好像可以算也可以不算。
            再例如国内，相关的著作权法中描述，“著作权法所称作品是指文学、艺术和科学领域内具有独创性并能以某种有形形式复制的智力成果”。因此AI肯定不拥有作品的著作权。
            再看这条：“我国著作权法第十一条规定，著作权属于作者，受到著作权保护的作者只有两种：“自然人和法人或非法人组织”。那么这个作者是Prompt输入者还是开发AI模型的公司呢？
            我能找到唯一相关的判例来自2020年，腾讯的dreamwriter写作的财经新闻被复制转载，腾讯提起诉讼并胜诉，获赔1500元。但这则判例中没有用户+公司这种复杂情况，只有一点点参考意义。
            敏感审核
            审核主要来自输入端（Prompt）和输出端（出图前审核）
            Prompt部分比较简单，上个词库+小模型就能解决，比较成熟了。
            输出端则会比较承压，毕竟色情和性感，调侃和涉政，其实边界还挺模糊的。常规平台做法一般都是模型+人工双保障。但AI绘画平台目前的收益很难承受得起这种人工审核的成本，所以输出端的控制会松一些。
            目前比较主流的方式是通过用户协议进行责任约定，如下图