谷歌新AI火了！世界最长单词都能画：Pneumonoultramicroscop……

杨净 金磊 发自 凹非寺
量子位 | 公众号 QbitAI

朋友，你知道这个英文单词是什么吗？

Pneumonoultramicroscopicsilicovolcanoconiosis.

这个世界公认最长——由45个字母组成的单词，意思是“因肺部沉积火山矽质微粒所引起的疾病”（俗称火山矽肺病）。

但如果说，现在不是让你拼读这个单词，而是……把它给画出来呢？

（读都读不出来，还画画？？？）

谷歌最新提出来的一个AI——Parti，它就能轻松hold住这事。

在把这个单词“投喂”给Parti后，它就能有模有样地生成多张合情合理的肺部疾病图片：

但这只是Parti小试牛刀的能力，据谷歌介绍，它是目前最先进的“文本转图像”AI。

例如，跟它说句：“把悉尼歌剧院和巴黎铁塔做个结合”，输出结果是这样的：

（不知道的还真以为是画报呢）

而且在算法路数上，还不同于谷歌自家的Imagen，Parti可以说是把“AI作画”卷出了新高度。

就连谷歌AI负责人Jeff Dean也连发数条推文，玩得不亦乐乎：

可扩展到200亿参数：更逼真，更“聪明”

事实上，Parti的能力还不止于此。

得益于模型可扩展到200亿参数，一方面，它生成的图像更加细节逼真。

不管是短短几个字，还是五十多个个单词的小段落，都能清晰展现出来。

比如，The back of a violin，小提琴的背面。

亦或是照着梵高《星空》来描述的夜晚画面。ps，这段有67个单词。

结果Parti也不在话下，一揽子把各种风格的图全给你画出来了~

这也正是Parti的第二大能力，不光细节到位，风格也能做到多变。

还有像“浣熊穿正装，头戴礼帽，拄着拐杖，拿着个垃圾袋”这种奇特的描述，它也能在整出花活的同时还不落细节。

风格上，则有梵高风、埃及法老风、像素风、中国传统绘画风、抽象主义风……

甚至有时候它还会讲双关笑话。

（Toad’ay，癞蛤蟆）

具体在测试结果上，MS-COCO、Localized Narrative（LN，4倍长的描述）上FID分数，Parti都取得了最先进的结果。

尤其在MS-COCO零样本的FID得分仅为7.23，微调FID得分为3.22，超过了此前的Imagen和DALL-E 2。

所有组件都是Transformer

时隔一个月，谷歌再把AI作画卷出新高度，结果作者却说：秘诀很简单。

Parti主要是将文本生成图像视作序列到序列之间建模。这有点类似于机器翻译，将文本标记作为编码器的输入，目标输出从文本变成了图像。

从结构上看，它的所有组件只有三部分：编码器、解码器以及图像标记器，且都是基于标准Transformer。

首先，使用基于Transformer的图像标记器ViT-VQGAN，将图像编码为离散的标记序列。

然后再通过Transformer的编码-解码结构，将参数扩展到200亿。

以往关于文本生成图像的研究，除了最早出现的GAN，大体可以分成两种思路。

一种是基于自回归模型，首先文本特征映射到图像特征，再使用类似于Transformer的序列架构，来学习语言输入和图像输出之间的关系。

这种方法的一个关键组成部分就是图像标记器，将每个图像转换为一个离散单元的序列。比如DALL-E和CogView，就采用了这一思路。

另一种则是这段时间以来进展频频的路线——基于扩散的文本到图像模型，比如DALL-E 2和Imagen。

他们摒弃了图像标记器，而是采用扩散模型来直接生成图像。可以看到的是，这些模型产生的图像质量更高，在MS-COCO零样本FID得分更好。

而Parti模型的成功，则证明了自回归模型可以用来改善文本生成图像的效果。

与此同时，Parti还引入并发布了新的基准测试——PartiPrompts，用于衡量模型在12个类别和11个挑战方面的能力。

但Parti还是有一定的局限性，研究人员也展示了一些bug：

比如，对否定的描述就没招了~

一个没有香蕉的盘子，旁边一个没有橙汁儿的玻璃杯。

还会犯一些常识性错误，例如不合理地缩放。比如这张图，机器人竟然比赛车高出好几倍。

一个穿着赛车服和黑色遮阳板的闪亮机器人自豪地站在一辆F1赛车前。太阳落在城市景观上。漫画书插图。

谷歌“自己卷自己”

在这项研究来自Google Research，团队中的华人居多。

研究核心工作人员包括Yuanzhong Xu、Thang Luong等，目前均就职于谷歌从事AI相关研究工作。

（Thang Luong在谷歌学术上的引用量高达20000+）

△左：Yuanzhong Xu；右：Thang Luong

不过有意思的是，同为“说句话让AI作画”，同为出自谷歌之手的Imagen，它跟Parti还真有点千丝万缕的关系。

在Parti的GitHub的项目文档中就有提到：

• 感谢Imagen团队，他们在发布Imagen之前与我们分享了其最近完整的结果。
• 他们在CF-guidance方面的重要发现，对最终的Parti模型特别有帮助。

而且Imagen的作者之一Burcu Karagol Ayan，也参与到了Parti的项目中。

（有种谷歌“自己卷自己”那味了）

不仅如此，就连“隔壁”DALL-E 2的作者Aditya Ramesh，也给Parti在MS-COCO评价方面做了讨论工作。

以及DALL-Eval的作者们，也在Parti数据方面的工作提供了帮助。

One More Thing

有一说一，就“文本生成图像”这事，可不只是研究人员们的宠儿。

网友们在“玩”它这条路上，也是乐此不疲（脑洞不要太大好吧）。

前一阵子让Imagen画一幅宋朝“虎戴VR”，直接演变成AI作画大战。

△图：Imagen作画

DALL·E、MidJourney等“闻讯赶来”参与其中。

△ DALL·E作画

甚至还有把Wordle和 DALL-E 2搞到一起的：

不过回归到这次的Parti，好玩归好玩，但还是有网友提出了“直击灵魂”的问题：

• 啥时候商业化？要是自己“关门玩”就没意思了。

Parti论文地址：

https://parti.research.google/

GitHub项目地址：

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

[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/