朋友，你知道這個(gè)英文單詞是什么嗎？

Pneumonoultramicroscopicsilicovolcanoconiosis.

這個(gè)世界公認(rèn)最長(zhǎng)——由45個(gè)字母組成的單詞，意思是“因肺部沉積火山矽質(zhì)微粒所引起的疾病”（俗稱(chēng)火山矽肺?。?。

但如果說(shuō)，現(xiàn)在不是讓你拼讀這個(gè)單詞，而是……把它給畫(huà)出來(lái)呢？

（讀都讀不出來(lái)，還畫(huà)畫(huà)？？？）

谷歌最新提出來(lái)的一個(gè)AI——Parti，它就能輕松hold住這事。

在把這個(gè)單詞“投喂”給Parti后，它就能有模有樣地生成多張合情合理的肺部疾病圖片：

但這只是Parti小試牛刀的能力，據(jù)谷歌介紹，它是目前最先進(jìn)的“文本轉(zhuǎn)圖像”AI。

例如，跟它說(shuō)句：“把悉尼歌劇院和巴黎鐵塔做個(gè)結(jié)合”，輸出結(jié)果是這樣的：

（不知道的還真以為是畫(huà)報(bào)呢）

而且在算法路數(shù)上，還不同于谷歌自家的Imagen，Parti可以說(shuō)是把“AI作畫(huà)”卷出了新高度。

就連谷歌AI負(fù)責(zé)人Jeff Dean也連發(fā)數(shù)條推文，玩得不亦樂(lè)乎：

可擴(kuò)展到200億參數(shù)：更逼真，更“聰明”

事實(shí)上，Parti的能力還不止于此。

得益于模型可擴(kuò)展到200億參數(shù)，一方面，它生成的圖像更加細(xì)節(jié)逼真。

不管是短短幾個(gè)字，還是五十多個(gè)個(gè)單詞的小段落，都能清晰展現(xiàn)出來(lái)。

比如，The back of a violin，小提琴的背面。

亦或是照著梵高《星空》來(lái)描述的夜晚畫(huà)面。ps，這段有67個(gè)單詞。

結(jié)果Parti也不在話(huà)下，一攬子把各種風(fēng)格的圖全給你畫(huà)出來(lái)了~

這也正是Parti的第二大能力，不光細(xì)節(jié)到位，風(fēng)格也能做到多變。

還有像“浣熊穿正裝，頭戴禮帽，拄著拐杖，拿著個(gè)垃圾袋”這種奇特的描述，它也能在整出花活的同時(shí)還不落細(xì)節(jié)。

風(fēng)格上，則有梵高風(fēng)、埃及法老風(fēng)、像素風(fēng)、中國(guó)傳統(tǒng)繪畫(huà)風(fēng)、抽象主義風(fēng)……

甚至有時(shí)候它還會(huì)講雙關(guān)笑話(huà)。

（Toad’ay，癩蛤?。?/p>

具體在測(cè)試結(jié)果上，MS-COCO、Localized Narrative（LN，4倍長(zhǎng)的描述）上FID分?jǐn)?shù)，Parti都取得了最先進(jìn)的結(jié)果。

尤其在MS-COCO零樣本的FID得分僅為7.23，微調(diào)FID得分為3.22，超過(guò)了此前的Imagen和DALL-E 2。

所有組件都是Transformer

時(shí)隔一個(gè)月，谷歌再把AI作畫(huà)卷出新高度，結(jié)果作者卻說(shuō)：秘訣很簡(jiǎn)單。

Parti主要是將文本生成圖像視作序列到序列之間建模。這有點(diǎn)類(lèi)似于機(jī)器翻譯，將文本標(biāo)記作為編碼器的輸入，目標(biāo)輸出從文本變成了圖像。

從結(jié)構(gòu)上看，它的所有組件只有三部分：編碼器、解碼器以及圖像標(biāo)記器，且都是基于標(biāo)準(zhǔn)Transformer。

首先，使用基于Transformer的圖像標(biāo)記器ViT-VQGAN，將圖像編碼為離散的標(biāo)記序列。

然后再通過(guò)Transformer的編碼-解碼結(jié)構(gòu)，將參數(shù)擴(kuò)展到200億。

以往關(guān)于文本生成圖像的研究，除了最早出現(xiàn)的GAN，大體可以分成兩種思路。

一種是基于自回歸模型，首先文本特征映射到圖像特征，再使用類(lèi)似于Transformer的序列架構(gòu)，來(lái)學(xué)習(xí)語(yǔ)言輸入和圖像輸出之間的關(guān)系。

這種方法的一個(gè)關(guān)鍵組成部分就是圖像標(biāo)記器，將每個(gè)圖像轉(zhuǎn)換為一個(gè)離散單元的序列。比如DALL-E和CogView，就采用了這一思路。

另一種則是這段時(shí)間以來(lái)進(jìn)展頻頻的路線——基于擴(kuò)散的文本到圖像模型，比如DALL-E 2和Imagen。

他們摒棄了圖像標(biāo)記器，而是采用擴(kuò)散模型來(lái)直接生成圖像。可以看到的是，這些模型產(chǎn)生的圖像質(zhì)量更高，在MS-COCO零樣本FID得分更好。

而Parti模型的成功，則證明了自回歸模型可以用來(lái)改善文本生成圖像的效果。

與此同時(shí)，Parti還引入并發(fā)布了新的基準(zhǔn)測(cè)試——PartiPrompts，用于衡量模型在12個(gè)類(lèi)別和11個(gè)挑戰(zhàn)方面的能力。

但Parti還是有一定的局限性，研究人員也展示了一些bug：

比如，對(duì)否定的描述就沒(méi)招了~

一個(gè)沒(méi)有香蕉的盤(pán)子，旁邊一個(gè)沒(méi)有橙汁兒的玻璃杯。

還會(huì)犯一些常識(shí)性錯(cuò)誤，例如不合理地縮放。比如這張圖，機(jī)器人竟然比賽車(chē)高出好幾倍。

一個(gè)穿著賽車(chē)服和黑色遮陽(yáng)板的閃亮機(jī)器人自豪地站在一輛F1賽車(chē)前。太陽(yáng)落在城市景觀上。漫畫(huà)書(shū)插圖。

谷歌“自己卷自己”

在這項(xiàng)研究來(lái)自Google Research，團(tuán)隊(duì)中的華人居多。

研究核心工作人員包括Yuanzhong Xu、Thang Luong等，目前均就職于谷歌從事AI相關(guān)研究工作。

（Thang Luong在谷歌學(xué)術(shù)上的引用量高達(dá)20000+）

△左：Yuanzhong Xu；右：Thang Luong

不過(guò)有意思的是，同為“說(shuō)句話(huà)讓AI作畫(huà)”，同為出自谷歌之手的Imagen，它跟Parti還真有點(diǎn)千絲萬(wàn)縷的關(guān)系。

在Parti的GitHub的項(xiàng)目文檔中就有提到：

感謝Imagen團(tuán)隊(duì)，他們?cè)诎l(fā)布Imagen之前與我們分享了其最近完整的結(jié)果。

他們?cè)贑F-guidance方面的重要發(fā)現(xiàn)，對(duì)最終的Parti模型特別有幫助。

而且Imagen的作者之一Burcu Karagol Ayan，也參與到了Parti的項(xiàng)目中。

（有種谷歌“自己卷自己”那味了）

不僅如此，就連“隔壁”DALL-E 2的作者Aditya Ramesh，也給Parti在MS-COCO評(píng)價(jià)方面做了討論工作。

以及DALL-Eval的作者們，也在Parti數(shù)據(jù)方面的工作提供了幫助。

One More Thing

有一說(shuō)一，就“文本生成圖像”這事，可不只是研究人員們的寵兒。

網(wǎng)友們?cè)凇巴妗彼@條路上，也是樂(lè)此不疲（腦洞不要太大好吧）。

前一陣子讓Imagen畫(huà)一幅宋朝“虎戴VR”，直接演變成AI作畫(huà)大戰(zhàn)。

△圖：Imagen作畫(huà)

DALL·E、MidJourney等“聞?dòng)嵹s來(lái)”參與其中。

△ DALL·E作畫(huà)

甚至還有把Wordle和 DALL-E 2搞到一起的：

……

不過(guò)回歸到這次的Parti，好玩歸好玩，但還是有網(wǎng)友提出了“直擊靈魂”的問(wèn)題：

啥時(shí)候商業(yè)化？要是自己“關(guān)門(mén)玩”就沒(méi)意思了。

Parti論文地址：

https://parti.research.google/

GitHub項(xiàng)目地址：

https://github.com/google-research/parti

參考鏈接：

[1]https://twitter.com/lmthang/status/1539664610596225024[2]https://gizmodo.com/new-browser-game-combines-dall-e-mini-and-wordle-1849105289[3]https://imagen.research.google/?