图像版GPT3问世，一句话就能变成图！打破语言与视觉界线，AI将更加聪明

继 OpenAI 推出史上最强语言模型 GPT-3 后，这家旧金山 AI 研究公司又有新动作。

这次，他们一连推出两款强大的多模态模型 CLIP 和 DALL・E，CLIP 可以对图像进行理解、归类，而 DALL・E 则可以直接借助文本生成图像，简直就是 “图像版 GPT-3”。

OpenAI 在官博中介绍，DALL・E 是 GPT-3 的 120 亿参数版本，如此庞大的数据集，足以让它发挥 “想象力” 创造出那些不同寻常的图像。

你只用简单描述一下想要的图像特征，比如 “一个高质量的龟兔插图” “一只模仿乌龟的兔子” “一只乌龟做成的兔子”，DALL・E 就可以生成以下图像，堪称帮助设计师 “开脑洞” 的神器。

图｜DALL・E 生成的 “乌龟 - 熊猫” 图和 “乌龟 - 兔子” 图

该模型一经发表，再次引燃 AI 圈。人工智能和机器学习领域的国际权威学者吴恩达，就用 DALL・E 模型生成了多张蓝色衬衫搭配黑色长裤的图像，并发推文对 OpenAI 表示祝贺，他认为这个成果很酷。

图｜吴恩达的推文

佐治亚理工学院（Georgia Institute of Technology）研究 NLP 和计算创造力的马克・里德尔（Mark Riedl）说，“文本 - 图像转换一直是一项研究挑战，尽管已经存在一段时间了，但这组示例令人印象深刻。”

OpenAI 首席科学家伊利亚・萨茨克维尔（Ilya Sutskever）表示，“我们生活在一个视觉世界中。从长远来看，你将拥有既能理解文本又能理解图像的模型。”“人工智能将能够更好地理解语言，因为它可以理解单词和句子的意思。”

DALL・E 和 CLIP 让 AI 更好的与现实连接

基于 GPT-3，OpenAI 展示了一个强大的自然语言处理模型，拥有 1750 亿超大参数的 GPT-3 让网友 “玩开了花”，不仅可以写文章，还能写诗、写歌、写菜谱，凭借惊人的文本生成能力，一直保持着超高热度。

尽管 GPT-3 很强大，但它的输出却让人有种与现实脱节的感觉，好像它根本不知道自己在说什么，这一点人们也经常拿来调侃。

如今，OpenAI 和其他机构的研究人员，正试图通过将文本根植于图像中，让语言模型用人类理解事物概念的方式来训练。他们将这些想法结合在一起，建立了两个新模型，分别名为 DALL・E 和 CLIP ，将语言和图像结合在一起，使人工智能更好地理解词汇及其所代表的含义。

如果说 GPT-3 能模拟人类如何使用词汇，DALL・E 则能够预见我们所看到的，就仿佛它拥有了想象力。

如果让你想象一个牛油果形状的扶手椅，你会和它 “想” 的一样吗？如下图，它生成的这些扶手椅设计已经十分贴近现实了，如果再让它生成一款牛油果咖啡桌呢？这充满现代感的设计似乎真的可以为设计师提供启发。

图｜DALL・E 生成的牛油果形状扶手椅以及咖啡桌

参与 DALL・E 工作的阿迪亚・拉梅什（Aditya Ramesh）表示，“最让我惊讶的是，这个模型可以把两个不相关的概念联系在一起，并赋予其功能。” 他认为牛油果与扶手椅的融合最为自然，“可能是因为牛油果被切一半，看起来有点像高背扶手椅，而果核恰好可以充当靠垫。”

就像 GPT-3 一样，DALL・E 同样是基于一个仅有解码器的 Transformer 架构，包含 1280 个文本和图像 token（文本占 256 个，图像占 1024 个），可以同时接收文本和图像作为单一数据流，并使用最大似然进行训练，一个接一个地生成所有 token。

它的 64 个自注意力层（self-attention）中的每一个都具有注意力 mask（掩盖词、掩膜），使每个图像 token 都可以匹配文本 token。DALL・E 对文本 token 使用标准的因果 mask，以行、列或卷积注意模式对图像 token 使用稀疏注意，具体取决于层数。

OpenAI 团队在其博客文章中称展示的结果并不是人工挑选的，而是通过另一款模型 CLIP 进行排序的，CLIP 会选出它认为最符合描述的 32 张图像。此过程也可以看作是一种语言指导的搜索，会对样本质量产生巨大影响。

如下图所示，使用 CLIP 对 DALL・E 中的样本进行重新排序，可以大大提高样本的一致性和质量。

图｜CLIP 可以对 DALL・E 中的样本进行重新排序

据悉，OpenAI 计划在下一篇论文中提供有关 DALL・E 架构和训练过程的详细信息。

DALL・E 和 CLIP 是从两个不同的方向来解决这个问题的。CLIP 是对搜集到的图片进行理解、分类，而 DALL・E 是根据文本生成图片，两个模型可以理解为互为逆过程。

图｜CLIP 的预训练过程

据了解，OpenAI 用高达 4 亿的数据集来训练 CLIP，它可以在各种各样的图像上进行训练，主打零样本学习，攻克了计算机视觉领域中数据集昂贵和狭窄的问题。

将语言建立在视觉理解上是让 AI 更加聪明的好方法

OpenAI 这次推出的多模态模型成果惊人，但仍然不尽完美。比如 DALL・E 根据 “画着蓝色草莓的彩色玻璃窗” 这一文本创建的图像就有些让人迷惑，不仅掺杂着红色草莓，而且有些图像抽象到看不出是窗户或者草莓。

图｜DALL・E 根据 “画着蓝色草莓的彩色玻璃窗” 这一文本创建的图像

再比如，OpenAI 工作人员 Aditya 认为以 “竖琴做成的蜗牛” 为文本生成的图像就很别扭，图像中蜗牛和竖琴以奇怪的方式结合在一起。

图｜DALL・E 生成的 “竖琴制成的蜗牛”

艾伦人工智能研究所的阿尼・肯布哈维（Ani Kembhavi）说：“这个模型能从相当异想天开的文本中生成合成图像，这在我看来非常有趣。” 他的同事 Jaemin Cho 也对此印象深刻，“现有的文本 - 图像生成器还没有显示出绘制多个对象的控制水平，也没有 DALL・E 的空间推理能力，” 他说。

佐治亚理工学院从事自然语言处理和计算创造力的 马克・里德尔（Mark Riedl ）则大胆质疑该模型生成的卡通图像，“我对萝卜的例子有点怀疑，从风格上看，它可能记住了一些来自互联网的艺术作品。DALL・E 所基于的 GPT-3 在记忆方面可是出了名的。” 他说。

图｜DALL・E 根据 “穿着芭蕾舞短裙遛狗的小白萝卜” 这一文本生成的图像

尽管如此，大部分 AI 研究人员仍然认为，将语言建立在视觉理解上是让 AI 更加聪明的好方法。

“未来的系统将由这样的模型组成，它们都是朝着那个系统迈进的一步。”OpenAI 首席科学家 Ilya Sutskever 说。