AI 賦予文字無限力量：“由文本生成一切”的一年_GPT

TL;DR：得益于最新的技術進展，人工智能模型現在能將文本轉化為其他形態。這篇文章回顧了AIGC的發展歷程及現狀，并預測未來的發展。

“一種基于文本指令創建繪圖的算法”-?MidJourney

你現在看到的是文字——文字作為一種媒介，讓我向你傳達一連串的想法。自從人類用文字記錄事物，而不再依靠記憶，我們就一直在使用一連串符號來傳遞信息，你可以把所有這些稱為“文本”。

今時今日，以及在過去的幾個世紀里，我們已經將我們對世界的知識、我們的想法、我們的幻想轉化為文字。也就是說，人類的大部分知識現在都以文字的形式存在，我們也在用其他方式交流，比如肢體語言、圖像、聲音等。但文字是我們用于記錄交流、思想和觀念的最豐富的媒介，因為使用起來非常便利。

當GPT-3被輸入互聯網信息時，它消化了我們對周圍世界的觀察、我們的無聊世事、我們彼此之間瘋狂的爭論……，學會了在一連串符號化的人類混亂表達中預測下面的內容。

在學習我們連詞成句進行交流的過程中，一個大型的語言模型會模仿我們如何開玩笑、安慰和發布命令。GPT-3開啟了一場“革命”，在“從文本到文本”方面表現得非常好：輸入一些任務例子或對話開頭，這個生成模型就可以學習任務或繼續對話。

我們在文字的使用方式中，幾乎存在一定的“普遍性”，而我們的技術只是在最近才達到這樣的程度：人工智能系統可以加以整合，發掘我們使用語言的方式，從而描述其他形態。實現強大文本生成能力的技術，也能用以實現文本條件下的多形態生成。“從文本到文本”變成了“從文本到X”。

在“從文本到文本”中，你可以要求模型對一只狗進行描述。在“從文本到圖像”中，你可以將該描述轉化為其對應的視覺效果。文本-圖像模型提供了一種現有圖像生成系統所不具備的新能力。現有的模型，例如GANs，經過訓練，可以在給定的噪聲輸入下生成真實的圖像。但這些模型的可控水平不高，難以達到DALL-E2、Imagen等模型的高度：用戶可以要求生成一只戴著太陽鏡的袋鼠，站在特定的建筑物前，拿著帶有特定短語的牌子。你的愿望就是算法的命令。

Meta發布語音生成AI Voicebox，支持為元宇宙中的角色生成配音:6月17日消息，Meta發布語音生成AI模型Voicebox，支持從文本中生成語音，能夠根據僅兩秒長的樣本匹配音頻風格，并將文本樣本轉換為另一種語言，在給定單獨的語音樣本的情況下，并能夠以說話者的原始語音朗讀翻譯后的文本內容，目前支持六種語言：英語、法語、德語、西班牙語、波蘭語和葡萄牙語。

Meta表示Voicebox也可以讓元宇宙中的虛擬助手和非玩家角色發出自然的聲音，可以讓視障人士聽到AI用他們的聲音朗讀的朋友的書面信息，為創作者提供新的工具來輕松創建和編輯視頻的音軌等等。[2023/6/17 21:43:39]

谷歌Parti生成的圖片

在“文本到圖像”得以有效實現之后，更多的應用隨之而來：“文本到視頻”是下一個熱點。“文本到音頻”技術已經存在。“文本到動圖”和“文本到3D”技術說明了文字可以轉化為其他事物。

這篇文章的主題是“從文本到一切”的一年。最近的技術發展，使人們能夠以更有效的方式快速地將文本轉換為其他形態。這些發展令人興奮的，并有望在未來幾年內實現大量的應用和產品。但是我們也應該記住，“文本的世界”是有局限性的，只是一些空洞的思考，描述世界卻不與其發生實際互動。我將討論時至今日的技術進步，也會思考如果文本信息的“呈現”僅僅停留在文本領域，“從文本到一切”會有怎樣的局限性。

以比特幣計價的人壽保險提供商Meanwhile完成1900萬美元融資，OpenAI CEO等投資:6月6日消息，以比特幣計價的人壽保險提供商 Meanwhile 宣布在兩輪種子輪中完成 1900 萬美元融資，第一輪由 OpenAI 首席執行官 Sam Altman 和 Stripe issuing 前負責人 Lachy Groom 共同領投，第二輪由 Gradient Ventures 領投。

Meanwhile 表示，這筆資金使其能夠獲得保險監管機構百慕大金融管理局的許可和監管，并聘請初始團隊推出第一款產品——比特幣（BTC）計價的終身人壽保險。[2023/6/6 21:20:13]

多形態終于成為現實

從技術上說，GPT-3揭開了一切的序幕。這已經被提到很多次了，所以我就簡單說一下：OpenAI訓練了基于transformer?架構的大語言模型。這個模型比之前的GPT-2大得多，訓練的數據也多得多，OpenAI當時認為發布這個模型太危險了。它可以做一些事情，比如編寫不那么復雜的JavaScript代碼。有些人會覺得很酷，有些人會覺得一點也不酷，有些人會覺得一般般。創業公司都建立在新的最大的模型上，新聞和學術文章都在贊揚和批評新模型，美國以外的國家也在發展自己的大語言模型參與競爭。

2021年1月，OpenAI推出了一個名為CLIP的新人工智能模型，它擁有與GPT-3類似的zero-shot能力。CLIP向連接文本和其他形態邁出了一步，它提出了一種簡單、優雅的方法來訓練圖像和文本模型，當有人進行查詢時，整個系統可以在可能的標題選擇中，把圖像與相應的標題相匹配。

DALL-E可能是第一個“善于”從文本產生圖像的系統，與CLIP在同一天發布。CLIP在第一代DALL-E中沒有使用，但在其后續版本中發揮了重要作用。由于能夠根據文字提示生成合理的圖像，DALL-E上了多個新聞頭條。

擴散模型登場

Lancer Capital 宣布投資 AI NFT平臺 Uniarts:據官方消息，Lancer Capital 宣布投資 AI NFT平臺 Uniarts。

據悉，Uniarts與人工智能的專家學者和行業專家合作，將AI藝術創作和機器學習可視化的成果轉化為NFT。 此外還將人工智能的個性人格和交互反應映射到Uniarts. NFT的Live2D或3D模型中，形成無以倫比的NFT區塊鏈智能。

同時，Uniarts為實體企業和藝術家提供NFT SDK工具，結合頂級IP運營資源 覆蓋(電影游戲藝術等領域），實現鏈下實體卡零售，鏈上NFT雙向同步發行。

除投資外，Lancer Capital也將會全力支持Uniarts在NFT產業的發展，助力更多IP的整合與整體對于NFT實踐的創業以及更好的與傳統版權IP相結合，服務于市場用戶，擴大NFT產品影響力。[2021/4/9 20:02:21]

雖然一些人工智能先驅感嘆，如果我們想實現“真正的”通用智能，深度學習不是辦法，但“文本到圖像”模型無疑適合運用深度神經網絡的力量。深度學習模型中的一些互補性進展，使得“文本到圖像”模型取得了進一步的飛躍：擴散模型被發現，實現了極高的生成圖像質量。。

DALL-E2的發布時間距離DALL-E約一年多，利用擴散模型的技術進步，創造出比DALL-E更逼真的圖像。而DALL-E2的風頭很快就被Imagen和Parti搶去——前者使用擴散模型展現了驚艷的水準，后者則摸索出了一種補充性的自回歸方法來生成圖像。

故事并沒有到此結束。Midjourney是一個用于圖像生成的商業擴散模型，由同名實驗室發布。穩定擴散模型借鑒了對潛在擴散模型的新研究，可以用有限的計算資源進行訓練，因為StabilityAI公司選擇公開該模型及其權重，StableDiffusion的發布受到了萬眾矚目。

神經網絡架構的創新并不是促成以上改進的唯一原因。雅虎在2015年發布了YahooFlickrCreativeCommons100MillionDataset，在當時是有史以來最大的公共多媒體數據集合。最近，Large-scaleArtificialIntelligenceOpenNetwork發布的數據集更在規模上令YFCC100M黯然失色。2021年發布的LAION-400M包含4億個圖像-文本對，然后是2022年發布的LAION-5B包含50億個圖像-文本對。

聲音 | 三星SDS首席執行官：區塊鏈+AI 能夠改善供應鏈管理過程:三星電子(Samsung Electronics) IT子公司Samsung SDS首席執行Hong Yuan Zhen日前出席2019博鰲亞洲論壇時表示，實時數據分析和預測再加上區塊鏈技術，將有助于提升生產力。此外，他指出，在供應鏈管理的過程中，為了確保各方溝通順暢，需收集大量的數據，而透過人工智能(AI)與區塊鏈，能夠改善過程、強化信任。[2019/4/8]

值得注意的是，雖然這些數據集能夠大規模地訓練圖像-文本模型，但它們并非沒有問題。TheDecoder的報告曾發現LAION的數據集包含未經同意發布的病人圖像，研究人員也評論說，該數據集的質量并不純正。如此龐大的數據集必然會有其他的倫理問題出現，OpenReview上的作者和審稿人似乎就這些問題進行了頗有見地的意見交流。

從文本到一切！

如果人工智能模型可以將文本轉換為圖像，那么它們可以將文本轉換為視頻嗎？當然可以！10月份，一批從文本到視頻的生成軟件面市。Meta公司的Make-a-Video可以根據文本和靜止圖像生成視頻，而谷歌大腦的Phenaki可以根據一系列構成故事的提示詞生成一個連續視頻。

也許更有用，或者說更令人擔憂的是，這些生成模型也能勝任代碼的編寫。當用戶注意到GPT-3可以寫出像樣的代碼時，GPT-3開始登上新聞頭條，聲名鵲起。從那時起，代碼生成語言模型的能力有了很大的進步。OpenAI的Codex能將自然語言轉化為代碼，并且許多其他類似的模型也在紛紛效仿。DeepMind的AlphaCode也能以合理的水平解決編程問題。

這些技術進步彼此追趕的速度令人印象深刻，正如KevinRoose等人所評論的那樣：“AI的發展速度如此驚人，怎么強調都不為過。我剛寫完一篇關于AI驚人發展速度的文章，市場上就有了一些重大發布，包括OpenAI的Whisper和文字到視頻的生成軟件。”

動態 | Numerai 公司從Paradigm籌集了1100萬美元的融資:據coindesk消息，對沖基金和預測市場初創公司Numerai在3月份剛剛結束了一輪1100萬美元的融資，融資方是Paradigm和Placeholder，主要銷售NMR令牌。該公司于2017年通過空投首次推出NMR令牌。[2019/3/21]

而且AI還可以更進一步：文本也可以轉化為其他媒介，包括音頻、動作和3D。

而且，正如我們的同伴JackyLiang博士所展示的，語言模型甚至可以根據自然語言指令編寫機器人政策代碼。

看起來生成式AI的可能性是無窮無盡的。我們只是看到了人工智能模型創造力的雛形。我預計，隨著越來越強大的模型開發出來，文本將能夠指導大量的發明創新。紅杉資本最近發布的《生成式AI應用格局》，已經展示了許多不同的細分賽道。

在一個特定的生成賽道內，有許多可能性和商業領域可以應用這種類型的生成工具。文本生成不僅可以承擔文章的寫作，還可以承擔平臺的后期語言調整；圖像生成和文本轉3D工具可以為游戲、信息應用和市場營銷創造各種工藝品；其他應用提供了生成文檔的能力。而且，正如上圖所指出的，音樂、音頻和生物/化學方面的應用還沒有到來。

ChatGPT和更多的“文字到文字”

即使是在“文本到文本”領域，也有海量的事情可以做：最近推出的ChatGPT在互聯網上炸開了鍋，基本上是因為該模型有能力以對話的形式全面回答問題。你可以要求它為你制定一個簡單的鍛煉計劃，寫一個課程大綱，建議你做什么，向你某位哲學家的作品，以及其他很多事情。

不夠值得注意的是，ChatGPT的知識有嚴重的局限性。

事實上，如果你要求ChatGPT提供關于某個特定主題的更多細節，它就會開始自己繞圈子——挺符合你對一篇高中生作文的期望。事實上，ChatGPT的存在可能會改變我們對寫作技巧的某些方面的理解。

>也許有理由感到樂觀，如果你把這一切放在一邊。也許每個學生現在都能立即進入更高的寫作層次，每個學生都可以直接進入寫作事業的更精細的方面，任何難以模仿的東西都將變得更明顯。逗號連接、主謂不一致、冗長的修飾語等令人頭痛的機械性問題都不復存在，寫作的基礎技能已經直接給定了。

正如我所提到的，ChatGPT似乎還只能對它所闡述的主題作比較淺層次的描述，無法太深入。它可以寫得足夠流暢，并給你一些所需要的細節，但如果你能提供它所缺乏的深入分析和深刻理解，它就還不能替代你的工作。

文本能超越自己嗎？

通過在多模態數據集上訓練模型，我們可以理解文字、語言中編碼的信息如何映射到圖像、三維圖像和我們周圍世界的其他表現形式。“文本到圖像”表明，生成的圖像可以反映精確的文字描述。但是生成式AI還不能做到盡善盡美，StableDiffusion模型在其生成的圖像中明顯存在著賦予人類正確手指數量的問題。

但值得注意的是，在“文本到圖像”系統中，僅僅通過擴大語言模型就能實現改進。Imagen使用僅在文本上訓練的T5編碼器，產生的圖像比DALL-E2更逼真，后者的文本編碼器已被訓練為產生類似于匹配圖像嵌入的文本嵌入。

也就是說，將文本轉化為其他模態的可能性并不明顯。對那些看到真正發展限制的觀點，我感同身受：盡管“文本到圖像”數據集可以告訴我們這個世界的很多景象，但它們不存在于物質世界中，缺乏像我們一樣能夠與物體、與其他人類互動的能力，并通過互動從周圍世界中收集視覺和非視覺信息。

但是顯然，有很多事情可以做。谷歌最近的RT-1展示了如何利用自然語言來解決機器人任務。

“ChatGPT可以為你策劃一場主題派對，但它能幫你在派對結束后打掃屋子嗎？很可惜不能。我在谷歌機器人的朋友剛剛公布了RT-1，一款帶有眼睛、手臂和輪子的變形機器人！”

正如Fran?oisChollet在一次采訪中向我指出的那樣，在“文本到圖像”這個領域，神經網絡的能力可以大放異彩。我也對潛在的二級應用場景感到興奮，比如在文本指導下的分子設計和其他并不顯而易見的創意。

然而，我認為要真正發掘“文本到X”模型的潛能，著實需要有更好的界面：我們需要以更好的方式，向模型表達我們的意思、概念和想法。提示工程作為一門學科出現，可以反映出我們目前與GPT-3等模型的交流方式是低效的。

展望未來，我認為在我們使“文本到一切”成為現實的過程中，我們需要解決兩個驅動發展的問題：

1.我們如何構建界面，使我們能夠更好地將我們的意圖傳達給AI模型？

2.這些模型能夠為我們帶來哪些有用的生成結果或行動？

但是在實際問題之外，我認為另一個問題更有意思：文本到{文本、圖像、視頻等}的模型并不完美，但非常好用。在將想法以圖像或視頻的形式呈現出來這一方面，這些模型遠比普通人，甚至是本身頗有藝術造詣的人類要好得多。正如DanielHerman關于ChatGPT提出的問題：對從事藝術、從事視頻制作而言，文本到一切意味著什么？我們是否會進入這樣一個時期：藝術的基礎知識變得更加商品化，任何人都可以通過不同的媒介，以更精細的藝術手法傳遞自己的思想？在那里，水彩畫的技巧被簡化為提示中的文字，剩下的就是人類和AI系統之間的共舞互動？

一如既往，我們不應該夸大這些AI系統的能力——它們經常會出現顯而易見的錯誤。但是，當遇到正確的問題時，AI可以表現得很出色，為人類提供更多空間去做更有趣的事情，并追尋寫作、藝術的更高層次。

而且，除了這些直接的應用之外，“文本到X”模型及其基礎技術還有哪些尚待探索的進一步應用？研究人員已經在考慮如何使用NLP模型來預測蛋白質的氨基酸序列，這是預測字母序列的一個明顯的應用，離生成文本只有一步之遙。投資者和人工智能報告的作者NathanBenaich，在我最近與他的談話中提到，他對最先進的擴散模型如何應用于生物和化學領域感到興奮。

今年是“從文本到一切”的一年，如果說從今年的驚人發展中可以學到什么的話，那就是文本作為一種“發出指令”的媒介，正變得更加強大。你不需要藝術培訓，也不需要一套數字藝術軟件或繪畫工具，也能來把“漂浮的城市”這一想法變成視覺現實。你可以把它說出來或打出來，讓它存在。

你將用你的文字創造什么？

來源：DeFi之道

作者：DanielBashir

Tags：GPTNFT人工智能OPENGGPTMNFT幣人工智能幣交易OpenLeverage

歐易okex官網