Jeff Dean 表示：“更多的進(jìn)展即將到來(lái)。”

　　歡迎關(guān)注“新浪科技”的微信訂閱號(hào)：techsina 

　　文/杜晨

　　來(lái)源：硅星人（ID:guixingren123)

　　近幾年科技行業(yè)瘋狂加注超大規(guī)模語(yǔ)言模型，一個(gè)最主要的成果就是“人工智能創(chuàng)造內(nèi)容”（AIGC） 技術(shù)突飛猛進(jìn)。兩年前 OpenAI 通過(guò) GPT-3 模型展示了大語(yǔ)言模型的多樣化實(shí)力。而最近各種 AI 基于文字提示生成圖片的產(chǎn)品，更是數(shù)不勝數(shù)。

　　有趣的是，今年以來(lái) AIGC 的風(fēng)頭基本都被Stable Diffusion、Craiyon、Midjourney等“小玩家”給搶了——像谷歌這樣的 AI 巨頭，反而沒(méi)怎么見(jiàn)動(dòng)靜。

　　但其實(shí)谷歌并沒(méi)有“躺平”。

　　臨近年底，在11月2日早上，谷歌終于放出了大招。這家在 AI 研究上最久負(fù)盛名的硅谷巨頭，居然一鼓作氣發(fā)布了四項(xiàng)最新的 AIGC 技術(shù)成果，能夠根據(jù)文本提示生成：

　　高分辨率長(zhǎng)視頻

　　3D模型

　　音樂(lè)

　　代碼

　　以及可控文本生成技術(shù)。

圖片來(lái)源：Google Research

　　“用 AI 賦能的生成式模型，具有釋放創(chuàng)造力的潛能。通過(guò)這些技術(shù)，來(lái)自不同文化背景的人們都可以更方便地使用圖像、視頻和設(shè)計(jì)來(lái)表達(dá)自己，這在以前是無(wú)法做到的，”谷歌 AI 負(fù)責(zé)人 Jeff Dean 說(shuō)道。

　　他表示，經(jīng)過(guò)谷歌研究人員的不懈努力，現(xiàn)在公司不僅擁有在生成質(zhì)量方面在行業(yè)領(lǐng)先的模型，還在這些模型基礎(chǔ)上取得了進(jìn)一步創(chuàng)新。

Jeff Dean   圖片來(lái)源：谷歌

　　這些創(chuàng)新，包括“超分辨率的視頻序列擴(kuò)散模型”——也即將AI“文生圖”擴(kuò)展到“文生視頻”，并且仍然確保超高清晰度。

　　以及 AudioLM，一個(gè)無(wú)需文字和音樂(lè)符號(hào)訓(xùn)練，僅通過(guò)聆聽(tīng)音頻樣本，就可以繼續(xù)生成填補(bǔ)樂(lè)曲的音頻模型。

　　從生成文字，到生成代碼、音頻、圖片、視頻和3D模型，谷歌似乎正在證明 AIGC 技術(shù)的能力還遠(yuǎn)未達(dá)到邊界，并且大有用武之地。

　　接下來(lái)，一起好好看看谷歌這次都放了哪些大招。

　　| AI 寫(xiě)作助手，深受劉宇昆喜愛(ài)？

　　說(shuō)實(shí)話(huà)，看到谷歌做了一款 AI 寫(xiě)作工具的時(shí)候，硅星人是略微有點(diǎn)擔(dān)心失業(yè)的……

　　但是了解了關(guān)于這款工具更多的情況之后，這種心情更多地轉(zhuǎn)化成了欣慰。

　　我們一直在強(qiáng)調(diào)AI背后的“大語(yǔ)言模型”技術(shù)背景。而谷歌推出的 LaMDA Wordcraft，就是這樣一款將語(yǔ)言模型核心功能發(fā)揮到極致的技術(shù)

　　LaMDA Wordcraft 是在 LaMDA 大語(yǔ)言模型的基礎(chǔ)上開(kāi)發(fā)了一個(gè)寫(xiě)作協(xié)助工具，是谷歌大腦團(tuán)隊(duì)、PAIR（People + AI Research）團(tuán)隊(duì)，以及 Magenta 音頻生成項(xiàng)目組的合作結(jié)晶。

　　它的作用，是在創(chuàng)作者寫(xiě)作的過(guò)程當(dāng)中，根據(jù)現(xiàn)有的文本產(chǎn)生新的想法，或者幫助重寫(xiě)已有文句，從而幫助創(chuàng)作者突破“創(chuàng)作瓶頸” （writer‘s block）。

Wordcraft 用戶(hù)界面    圖片來(lái)源：Google Research

　　LaMDA 本身的設(shè)計(jì)功能很簡(jiǎn)單：給定一個(gè)單詞，預(yù)測(cè)下一個(gè)最有可能的單詞是什么，也可以理解成完形填空或者句子補(bǔ)完。

　　但是有趣的是，因?yàn)?LaMDA 的模型規(guī)模和訓(xùn)練數(shù)據(jù)量實(shí)在是太大了（來(lái)自于整個(gè)互聯(lián)網(wǎng)的文本），以至于它獲得了一種“潛意識(shí)”的能力，可以從語(yǔ)言中學(xué)習(xí)很多更高層次的概念——而正是這些高層次概念，對(duì)于創(chuàng)作者的工作流程能夠帶來(lái)非常大的幫助。

　　谷歌在 Wordcraft 用戶(hù)界面中設(shè)計(jì)了多種不同的功能，能夠讓創(chuàng)作者自己調(diào)整生成文本的風(fēng)格。“我們喜歡把 Wordcraft 比喻成‘魔法文字編輯器’，它有著熟悉的網(wǎng)頁(yè)編輯器的樣子，背后卻集成了一系列 LaMDA 驅(qū)動(dòng)的強(qiáng)大功能，”谷歌網(wǎng)頁(yè)如是寫(xiě)道。

　　你可以用 Wordcraft 重寫(xiě)語(yǔ)句，也可以讓他把調(diào)節(jié)你的原始文本從而“更有趣”（to be funnier） 或者“更憂(yōu)郁” （to be more melancholy） 一點(diǎn)。

　　在過(guò)去一年時(shí)間里，谷歌舉行了一個(gè)“Wordcraft 作家研討會(huì)”的合作項(xiàng)目，找來(lái)了13位專(zhuān)業(yè)作家和文字創(chuàng)作者進(jìn)行了長(zhǎng)期深入的合作，讓他們?cè)谧约旱膭?chuàng)作過(guò)程中借助 Wordcraft 編輯器來(lái)創(chuàng)作短篇小說(shuō)。

　　值得注意的是，知名科幻作家劉宇昆（熱劇《萬(wàn)神殿》背后的小說(shuō)作者、《三體》英文版譯者）也參與了這一項(xiàng)目。

　　他在寫(xiě)作過(guò)程中遇到了一個(gè)場(chǎng)景，需要描述在商店里擺放的各種商品——過(guò)去此類(lèi)寫(xiě)作細(xì)節(jié)比較容易打亂寫(xiě)作思路，但劉宇昆通過(guò) Wordcraft 的幫助可以直接生成一個(gè)列表，節(jié)約了自己的腦容量，可以專(zhuān)心去寫(xiě)對(duì)故事更重要的東西。

　　而在另一個(gè)場(chǎng)景中，他發(fā)現(xiàn)自己的想象力被限制了，一直在重復(fù)熟悉的概念。于是他將“主動(dòng)權(quán)”交給了 LaMDA，讓它來(lái)開(kāi)頭，“這樣就能夠逼迫我探索一些從未想到過(guò)的可能性，發(fā)現(xiàn)新的寫(xiě)作靈感。”

　　你可以在 Wordcraft Writers Workshop 的官方頁(yè)面（閱讀原文按鈕）中找到劉宇昆在 Wordcraft 幫助下撰寫(xiě)的短篇小說(shuō) Evaluative Soliloquies。順便，他還借用 Imagen 為小說(shuō)生成了幾張插圖：

圖片來(lái)源：Emily Reif via Imagen

　　| 超長(zhǎng)、連貫性視頻的生成，終于被攻破了？

　　大家對(duì)于 AI 文字生成圖片應(yīng)該都不算陌生了。最近一年里，有 DALL·E 2、Midjourney、Stable Diffusion、Craiyon（不分先后）等知名產(chǎn)品問(wèn)世；而谷歌也有自己的AI 文字轉(zhuǎn)圖片模型，并且一做就是兩個(gè)：Imagen（基于大預(yù)言模型和行業(yè)流行的擴(kuò)散模型），和 Parti（基于谷歌自家的 Pathways 框架）。

圖片來(lái)源：Google Research

　　盡管今年 AIGC 的熱鬧都被 Stable Diffusion 這些炸子雞給搶光了，低調(diào)沉穩(wěn)的谷歌并沒(méi)有躺平。

　　當(dāng)其他人都似乎“階段性”滿(mǎn)足于用文字提示做小圖片時(shí)，谷歌其實(shí)已經(jīng)在加速往前沖了：它比任何人都更早進(jìn)入了“文字生成高分辨率視頻”，這一從未被探索過(guò)的復(fù)雜技術(shù)領(lǐng)域。

　　“生成高分辨率，且在時(shí)間上連貫的視頻，是非常困難的工作，” Google Research 高級(jí)研究總監(jiān) Douglas Eck 表示。

　　“不過(guò)好在，我們最近有兩項(xiàng)研究，Imagen Video 和 Phenaki，可以解決視頻生成的問(wèn)題。”

圖片來(lái)源：Google Research

　　你可以這樣理解：文字轉(zhuǎn)圖片就是根據(jù)一段文字提示來(lái)生成一張（或者多張平行的圖片），而 Imagen Video 和 Phenaki 是可以根據(jù)多條文字提示，來(lái)生成在時(shí)序上連貫的多張照片——也就是視頻。

　　具體來(lái)說(shuō)，Imagen Video 是通過(guò)文本生成圖像的擴(kuò)散模型，能夠生成具有前所未有真實(shí)度的高清畫(huà)面；同時(shí)由于建立在基于 Transformer 技術(shù)的大規(guī)模語(yǔ)言模型上，它也具備極強(qiáng)的語(yǔ)言理解能力。

　　而 Phenaki 則是完全通過(guò)大語(yǔ)言模型，在時(shí)序上不斷生成 token 的方式來(lái)生成視頻。它的優(yōu)勢(shì)在于能夠生成極長(zhǎng)（數(shù)分鐘）的視頻，且畫(huà)面的邏輯和視覺(jué)連貫性更強(qiáng)。

　　“說(shuō)句實(shí)在話(huà)，這個(gè)項(xiàng)目不是我做的，但我覺(jué)得它真的非常令人驚訝。”Eck 表示，這項(xiàng)技術(shù)最強(qiáng)大之處，就在于可以使用多條文字提示組成的序列，來(lái)生成超高清晰度的視頻，帶來(lái)一種全新的故事講述的能力。

　　“當(dāng)然，AI 視頻生成技術(shù)還處在襁褓階段，我們非常期待跟更多影視專(zhuān)業(yè)人士以及視覺(jué)內(nèi)容創(chuàng)作者合作，看他們會(huì)如何使用這項(xiàng)技術(shù)。”

Douglas Eck    圖片來(lái)源：谷歌

　　| 無(wú)參考音頻生成

　　早年 OpenAI 發(fā)布 GPT 初代模型的論文標(biāo)題很經(jīng)典：“Language models are few-shot learners”，點(diǎn)出了大語(yǔ)言模型在極少量樣本的基礎(chǔ)上，就可以在多種自然語(yǔ)言處理類(lèi)任務(wù)上展現(xiàn)出強(qiáng)大的能力——同時(shí)，這個(gè)標(biāo)題預(yù)言了今后更強(qiáng)大的大語(yǔ)言模型，能夠做到更多更厲害的事情。

　　而今天，谷歌展示的 AudioLM 純音頻模型就驗(yàn)證了這一預(yù)言。

　　圖片來(lái)源：Google Research

　　AudioLM 是一個(gè)具備“長(zhǎng)期連貫性”的高質(zhì)量音頻生成框架，不需要任何文字或音樂(lè)符號(hào)表示的情況下，只在極短（三四秒即可）的音頻樣本基礎(chǔ)上進(jìn)行訓(xùn)練，即可生成自然、連貫、真實(shí)的音頻結(jié)果，而且不限語(yǔ)音或者音樂(lè)。

　　用 AudioLM 生成的語(yǔ)句，在句法和語(yǔ)義上仍然保持了較高的可信度和連貫性，甚至能夠延續(xù)樣本中說(shuō)話(huà)人的語(yǔ)氣。

　　更厲害的是，這個(gè)模型最初沒(méi)有用任何音樂(lè)數(shù)據(jù)進(jìn)行訓(xùn)練，結(jié)果卻十分驚人：能夠從任何樂(lè)器或樂(lè)曲錄音中進(jìn)行自動(dòng)“續(xù)寫(xiě)”——這一事實(shí)，再一次展現(xiàn)出了大語(yǔ)言模型的真正實(shí)力。

　　下面的音頻是一段20秒左右的鋼琴曲，先聽(tīng)聽(tīng)感受一下：

　　實(shí)際上只有前4秒是給到模型的提示，后面都是 AudioLM自己“補(bǔ)完”的。而且也只有這一段4秒的音頻樣本，沒(méi)有“鋼琴”、“進(jìn)行曲”等之類(lèi)的專(zhuān)業(yè)文字提示作為補(bǔ)充。

　　“你不需要給它提供整段樂(lè)曲來(lái)學(xué)習(xí)，只要給它一小段，他就能直接在音樂(lè)的空間里開(kāi)始續(xù)寫(xiě)——任何的音頻片段都可以，無(wú)論是音樂(lè)還是語(yǔ)音。”Eck 表示，這種無(wú)參考的音頻生成能力，早已超出了人們?cè)?jīng)對(duì)于 AI 創(chuàng)作能力的認(rèn)知邊界。

　　| 其他 AIGC 技術(shù)、產(chǎn)品

　　除了上述新技術(shù)之外，谷歌還宣布了在其他內(nèi)容格式上的 AI 內(nèi)容生成技術(shù)。

　　比如，在二維的圖片/視頻基礎(chǔ)上，谷歌還讓文字轉(zhuǎn) 3D 模型成為了現(xiàn)實(shí)。通過(guò)結(jié)合 Imagen 和最新的神經(jīng)輻射場(chǎng) （Neural Radiance Field） 技術(shù)，谷歌開(kāi)發(fā)出了DreamFusion 技術(shù)可以根據(jù)現(xiàn)有的文字描述，生成在具有高保真外觀、深度和法向量的 3D 模型，支持在不同光照條件下進(jìn)行渲染。

　　圖片來(lái)源：DreamFusion： Text-to-3D using 2D Diffusion （dreamfusion3d.github.io）

　　以及，谷歌在今年 I/O 大會(huì)上面向公眾推出的嘗鮮應(yīng)用 AI Test Kitchen，也將在近期更新加入 LaMDA 模型創(chuàng)新所解鎖的新功能。比如“城市夢(mèng)想家” （City Dreamer） 來(lái)用文字命令建造主體城市，或者“Wobble”來(lái)創(chuàng)造會(huì)扭動(dòng)的卡通形象等。

　　用戶(hù)可以在對(duì)應(yīng)系統(tǒng)的應(yīng)用商城中下載 AI Test Kitchen，并且前往谷歌網(wǎng)站申請(qǐng)測(cè)試資格，實(shí)測(cè)審批速度挺快。

　　AI Test Kitchen 支持 iOS 和 Android 系統(tǒng)  圖片來(lái)源：谷歌、蘋(píng)果

　　“我們?cè)谏窠?jīng)網(wǎng)絡(luò)架構(gòu)、機(jī)器學(xué)習(xí)算法和應(yīng)用于機(jī)器學(xué)習(xí)的硬件新方法方面取得的進(jìn)展，幫助 AI 為數(shù)十億人解決了重要的現(xiàn)實(shí)問(wèn)題，”Jeff Dean 表示。

　　“更多的進(jìn)展即將到來(lái)。我們今天分享的是對(duì)未來(lái)充滿(mǎn)希望的愿景：AI 正讓我們重新想象技術(shù)如何能夠帶來(lái)幫助。”

（聲明：本文僅代表作者觀點(diǎn)，不代表新浪網(wǎng)立場(chǎng)。）