金磊 萧箫 发自 凹非寺
量子位 | 公众号 QbitAI
家人们，听说了吗？
最近在“一句话生成画作”这个圈子里，又一个AI工具悄然火起来了。
不是你以为的Disco Diffusion、DALL·E，再或者Imagen……
而是全圈子都在讲中国话的那种。
瞧，已经入圈的小伙伴们，都开始纷纷晒自己搞出来的杰作了：
从网友们上传的诸多画作来看，这个AI可以cover的风格还真不少。
脑洞大开的《熊猫骑摩托》，中国山水画里的春天小雨，绚丽的概念插画《亚特兰蒂斯》，甚至一只黑白色调的戴帽子抽烟的狗……
那这个既能支持中文，又能hold住众多画风的AI工具，到底是什么来头？
不卖关子。
它的庐山真面目，正是百度最新对外发布的一款中文作画AI——文心·一格。
类似这种“你说我画”的AI，听说在国外已经火了很长一段时间。
现在终于等到了个国产版的，那么它到底好不好用呢？
「文心·一格」的初体验
既然在这个圈子流行讲中文，那咱就先从“中国风”开始上手。
例如输进去极具古典韵味的“江南水乡”，然后在方向和风格上选择“传统”、“中国风”。
仅需等待片刻时间，“啪的一下”，一幅符合语义和风格的画作就诞生了：
嘿~还别说，这画还真有一股子“小桥流水人家”的味道。
既然是国风，那就更传统一点，直接输入一句古诗词，看文心·一格会作何反应：
云深不知处。
整体来说，这幅画作确实是把“云之深”韵味展现得到位了。
据了解，文心·一格还可以继续加大难度。针对AI图像生成技术的资深用户，一格即将开放高级自定义功能，支持文本描述结合参数设置的方式探索更多创意。
当然，也可以在”艺术家精品画廊”里先浏览下内测用户已经生成的图片，像下面这张：
讲真，若非知道这是AI创作的，第一眼还以为是哪个动漫中的场景，是有够绚烂的了。
还有下面这一张，也同样称得上是惊艳绝伦。
但正所谓“货比三家”，那么文心·一格作为AI作画这条赛道的“后起之秀”，和国外的产品相比又如何呢？
下一个挑战环节，就是国内AI vs. 国外AI——恶犬咆哮。
较为明显的是，Disco Diffusion的风格更趋向于狂野；而文心·一格则是更偏向现实主义一些。
再拿文心·一格和DALL·E 2做个比较——毕加索风格的猫：
在看完这两者的创作对比，你觉得谁家的更毕加索一些呢？不过在这般效果背后，对应的问题也随之而来：
要生成风格更全面的图片，文心·一格的用法会更复杂吗？
懂中文，也懂“懒人”
用起来，并不复杂。
我们从操作界面、提示词要求和性能要求几方面，对Disco Diffusion和文心·一格等AI画画产品进行了简单对比。
操作界面上，Disco Diffusion开放的接口不能说很复杂，但确实有点门槛。
它直接在谷歌Colab上运行，需要申请账号后使用（图片生成后保存在云盘），图像分辨率、尺寸需要手动输入，此外还有一些模型上的设置。
好处是可更改的参数更多，对于高端玩家来说可操作性更强，只是比较适合专门研究AI算法的人群：
相比之下，文心·一格的操作只需三个步骤：输入文字，鼠标选择风格&尺寸，点击生成。
前文已经提到，文心·一格同样也具备Disco Diffusion的“高级自定义”功能，随后便会开放，对于想拥有更多“参数自由”的小伙伴们来说，同样是个不错的选择。
至于提示词，Disco Diffusion的设置还要更麻烦一些。
除了描述画面的内容以外，包括画作类别和参考的艺术家风格也都得用提示词来设置，通常大伙儿会在其他文档中编辑好，再直接粘过来。
关键一旦提示词设置得不好，生成的效果就不尽如人意，需要反复尝试、不断细化，AI最终才能生成合适的画面效果。
相比之下文心·一格倒是没有格式要求，输入150字的句子或词组都可以：
当然，输入画家名字如莫奈，也能输出对应风格：
最后是性能要求上，Disco Diffusion是有GPU使用限制的，每天只能免费跑3小时。抱抱脸（HuggingFace）上部分AI文生图算法的Demo虽然操作简单些，但一旦网速不行，就容易加载不出来：
△测试mini DALL·E时加载就失败过
相比之下，文心·一格除了使用高峰期以外，基本上都是2分钟就能生成，对使用设备也没有要求。
总体来看，同样是文字生成图片AI，实际相比文心·一格的“真·一句话生成图片”，DALL·E和Disco Diffusion的生成过程都不太轻松。
所以在这背后，文心·一格生成图像，究竟是基于一个怎样的逻辑？
我们以输入“云深不知处”为例，希望能输出一幅中国风的画作。当接收到这几个字词（query）后，AI的脑细胞就开始“运作”了起来，从语法、词法、语义等角度对文本进行分析。
如果将生成过程可视化，这个阶段还看不出什么效果，处于AI理解文本的阶段：
很快，AI“拆解”文本后，理解要怎么画这幅画了，于是在特定尺寸（用户可选）的画纸上，构思出整体的轮廓，兼具云的元素和中国画的风格：
随后，基于扩散生成模型的原理，迭代地完善并修正画面细节，不断提高清晰度、反复检查图文描述一致性，用更精确的配色替代噪声：
最后，生成名为《云深不知处》的完整画作：
看似“一句话生成图片”不难，其实对AI语义理解和图像生成能力提出了进一步要求。
为了能更好地理解文本、提升输出效果，文心·一格还在百度文心的图文生成跨模态模型ERNIE-VilG的基础上，进行了更详细的优化。
为了提升图文理解能力，在知识增强的基础上，引入跨模态多视角对比学习；
为了降低输入要求同时提升效果，采用基于知识的文本联想能力，让模型学会自己扩展提示词的细节和风格；
为了提升图像生成能力，采用渐进式扩散模型训练算法，让模型来选择效果最好的生成网络。
此外，在训练和数据上，文心大模型的产业级能力也进一步给文心·一格提供了帮助，例如AI训练数据和平时在产业实践中积累的经验，都能应用到文心·一格的模型中去；至于百度知识图谱的算法能力，则进一步提升了模型通用性。
值得一提的是，如果开发者想将文心·一格的能力用到产品中，直接调用ERNIE-VilG的API接口就行，可以说是非常方便了。
One More Thing
我们在试玩文心·一格的时候，还发现了左下角这些有意思的应用场景，一键就能生成预览：
例如，颇有自如风格的装饰画：
老板批量发年货时印的编织袋（手动狗头）：
其实，这也是文心·一格区别于Disco Diffusion、OpenAI的DALL·E 2的另一个特点——更强的实用性。
不仅普通玩家可以用来生成自己想画但画不出来的内容，绝不会有两幅相同的画作，脑洞再放大点，就连媒体作者等文字内容创作者，也能用它高质量高效率配图。
（嗯，以后你看量子位的文章，说不定有些配图就是用AI生成的）
专业画师、或是设计师和艺术家，更可以用它来启发灵感、辅助创作。
当然，从官网看来，这个产品还在更新迭代、进一步优化中。
至于未来是否会在更多数字藏品、插画、海报和电影动漫中，看见文心·一格的画作？
我们拭目以待。
— 完 —
量子位 QbitAI · 头条号签约
关注我们，第一时间获知前沿科技动态
