圖像內(nèi)容的深度學(xué)習(xí)

利用人工智能憑空生成圖像，2021年這似乎還處于技術(shù)變革的前夜，2022年這一切已經(jīng)成為現(xiàn)實(shí)，在一年的時(shí)間里人工智能生成圖像的技術(shù)日新月異，目前仍在不斷變化發(fā)展中。人工智能技術(shù)已經(jīng)發(fā)展了幾十年，只是在最近幾年里開始越來越實(shí)用化。人工智能生成圖像的前提是人工智能深度學(xué)習(xí)，而深度學(xué)習(xí)的基礎(chǔ)則是圖像的數(shù)字化。

在過去的20多年中，網(wǎng)絡(luò)中的數(shù)字圖像呈指數(shù)級增長，為人工智能的深度學(xué)習(xí)提供了龐大的數(shù)據(jù)庫?；邶嫶蟮臄?shù)字圖像數(shù)據(jù)庫，圖像內(nèi)容深度學(xué)習(xí)有了質(zhì)的提升。在數(shù)字圖像數(shù)據(jù)庫的基礎(chǔ)上，還有一項(xiàng)關(guān)鍵技術(shù)就是識別圖像的內(nèi)容，讓人工智能可以區(qū)分圖像內(nèi)容中的各種元素，并能理解不同圖像中相同元素的個(gè)性與共性。人工智能區(qū)分圖像內(nèi)容有兩方面的訓(xùn)練，一個(gè)是理解自然語言，另一個(gè)是計(jì)算機(jī)視覺分析，這是一種文字與圖像相匹配的訓(xùn)練方式。龐大的數(shù)字圖像數(shù)據(jù)庫與圖像內(nèi)容識別訓(xùn)練取得了關(guān)鍵的成效，加之人工智能技術(shù)預(yù)訓(xùn)練模型的優(yōu)化，與公開測試獲得的良好反饋，這就是人工智能生成圖像技術(shù)在2022年開始爆發(fā)的原因。

1

2

3

Image

參考圖：?安德烈亞斯·古斯基，《萊茵河 II》，1999，圖片來源于佳士得

本頁其他圖片為人工智能技術(shù)生成，關(guān)鍵詞：Andreas Gursky、Rhein II、photography，圖1、2由 Midjourney 生成，圖3由DreamStudio生成。

1

2

3

4

Image

參考圖：?杰夫·沃爾，《死亡士兵的對話》，1992，圖片來源于佳士得

本頁其他圖片為人工智能技術(shù)生成，關(guān)鍵詞：Jeff Wall、Dead Troops Talk、photography，圖 1—4 由 Midjourney 生成，圖 5—6 由DreamStudio 生成。

人工智能生成圖像

龐大的數(shù)字圖像數(shù)據(jù)庫與圖像內(nèi)容識別訓(xùn)練的成果，使人工智能可以根據(jù)用戶描述生成圖像。描述通常分為兩種，一種是文字，另一種是圖像。前者是人工智能根據(jù)文字的意思，從深度學(xué)習(xí)的數(shù)據(jù)中尋找與之對應(yīng)的圖像元素并生成新的圖像，后者則是根據(jù)用戶上傳的圖像進(jìn)行理解和分析畫面元素，然后生成新的圖像。二者最關(guān)鍵的一點(diǎn)就是人工智能可以脫離照相機(jī)等工具，參考文字或圖像的內(nèi)容，憑空生成新的圖像。如果描述的內(nèi)容比較復(fù)雜，涉及多個(gè)元素，人工智能會(huì)根據(jù)描述中涉及到的元素，一一配齊并把這些組合到同一張圖像之中。

在2022年一整年的時(shí)間里，Disco Diffusion、DALL-E 2、Midjourney和 Stable? Diffusion先后誕生，Disco Diffusion已經(jīng)迭代成 Stable Diffusion。DALL-E2、Midj ourney和StableDiffusion 各具特色，目前都在測試階段，且主要以生成繪畫為主。但是人工智能生成圖像技術(shù)在過去一年之內(nèi)數(shù)次更新迭代，未來生成攝影作品只是時(shí)間問題。本部分的圖片由筆者通過 Midjourney 和基于 Stable Diffusion 開源算法的 DreamStudio 生成，所采用的關(guān)鍵詞為攝影史上比較著名的藝術(shù)作品的作者名字、作品標(biāo)題和一個(gè)固定的單詞——攝影（photography）。選擇這些關(guān)鍵詞的初衷為，作者名字定義圖像風(fēng)格，作品標(biāo)題定義圖像內(nèi)容，以及攝影定義畫面效果是偏向照片的寫實(shí)風(fēng)格。

最終生成的圖像內(nèi)容包括場景和肖像元素，從中可以看出人工智能生成圖像的能力是可以分析理解文字描述，并據(jù)此生成圖像內(nèi)容，不同元素也可以組合到同一畫面中，但是相比真實(shí)的照片來說，效果還是有明顯差距。因?yàn)槟壳暗募夹g(shù)主要是以生成繪畫為主，雖然筆者加了攝影作為關(guān)鍵詞，生成的圖像也確實(shí)偏向真實(shí)，但是仔細(xì)觀察細(xì)節(jié)還是能發(fā)現(xiàn)明顯類似于三維建模的效果，一些人體器官也比較怪異，比如混亂的五官和肢體。基于本次測試結(jié)果，顯示目前希望用文字生成以假亂真的照片還不太現(xiàn)實(shí)，但也能體現(xiàn)人工智能技術(shù)生成圖像的潛力，假以時(shí)日必定能夠獲得更好的效果。

5

6

Image

參考圖：?理查德·普林斯，《無題（牛仔）》，1989，圖片來源于佳士得

本頁其他圖片為人工智能技術(shù)生成，關(guān)鍵詞：Richard Prince、Untitled （Cowboy）、photography，均由Midjourney 生成。

未來的應(yīng)用場景

2022年， 游戲開發(fā)者杰森· 艾倫（Jason M. Allen）利用人工智能制作了一幅名為《太空歌劇院》（Thé?tre Dopéra Spatial）的繪畫，獲得了美國科羅拉多博覽會(huì)年度藝術(shù)比賽的一等獎(jiǎng)。獲獎(jiǎng)之后，杰森·艾倫坦言這是他利用人工智能創(chuàng)作的作品。創(chuàng)作過程使用Midjourney 生成圖像，然后導(dǎo)入 Gigapixel AI 提高作品的分辨率，第三步使用Photoshop修飾，最后就是將圖像印制在畫布上。根據(jù)比賽規(guī)則，評委們認(rèn)為杰森·艾倫的作品是符合要求的。

正如攝影術(shù)誕生時(shí)，有人感嘆繪畫死了一樣，目前人工智能技術(shù)可以通過描述生成繪畫，在一些人眼里，繪畫似乎又要死了。其實(shí)不然，攝影術(shù)和人工智能都是藝術(shù)家的創(chuàng)作工具而已。攝影沒有殺死繪畫，繪畫反而開辟了新的藝術(shù)道路，人工智能也不會(huì)殺死繪畫，而是提供了一種生成圖像素材的渠道，藝術(shù)家也可以在素材的基礎(chǔ)上再創(chuàng)作。

目前來看，一個(gè)可行的應(yīng)用場景，便是利用人工智能制作插畫之類的商業(yè)圖像庫。使用人工智能生成的圖像可以降低插畫的生產(chǎn)成本，對于小型公司來說是不錯(cuò)的選擇。另外，既然人工智能可以生成圖像，那么利用它生成其他內(nèi)容，比如聲音、視頻、三維建模之類的，也是未來可期的。

毫無疑問，我們正在進(jìn)入人工智能圖像的時(shí)代，但這并不意味著照相機(jī)就要廢棄了，數(shù)字圖像和人工智能圖像是當(dāng)下兩種不同的獲取圖像的方法，目前還不能相互取代。能夠使用不同的工具創(chuàng)作，可以增添創(chuàng)作的便利，我們能做的就是關(guān)注和學(xué)習(xí)，并嘗試使用最新的圖像技術(shù)創(chuàng)作作品。

技術(shù)迭代的焦慮與反思

關(guān)于人工智能技術(shù)能否取代個(gè)體勞動(dòng)的問題，雖然短時(shí)間內(nèi)還難以形成氣候，但顯然這樣的趨勢已經(jīng)在制造焦慮。在攝影領(lǐng)域，筆者認(rèn)為目前還不必太過焦慮，除了技術(shù)還不成熟之外，最重要的一點(diǎn)是，人工智能生成的照片越真實(shí)，其實(shí)也意味著照片越虛假。畢竟那不是現(xiàn)實(shí)發(fā)生的事，關(guān)于現(xiàn)實(shí)的照片，目前來看還是需要靠實(shí)際拍攝。照片至今還是記錄人類歷史的一種必要方式，歷史不能偽造，所以未來歷史中的現(xiàn)實(shí)不可能由人工智能技術(shù)生成。但商業(yè)照片就是另一種情況了，本來商業(yè)照片中就充滿擺拍、置景、拼貼等加工方式，人工智能技術(shù)恰恰可以簡化成本和流程，提高生產(chǎn)效率。使用人工智能技術(shù)運(yùn)營一個(gè)商業(yè)圖像庫并非難事，商業(yè)圖像領(lǐng)域勢必會(huì)經(jīng)歷一次工作流程和成本的革新。

Image

參考圖：

[上] ?辛迪·舍曼，《無題電影劇照 #48》，1979，圖片來源于佳士得[下] ?辛迪·舍曼，《無題#92》，1981，圖片來源于佳士得

本頁其他圖片為人工智能技術(shù)生成，關(guān)鍵詞：Cindy Sherman、Untitled Film Still、photography，均由 Midjourney 生成。

人工智能技術(shù)除了生成圖像外，在其他領(lǐng)域也有其身影，比如預(yù)訓(xùn)練生成模型 ChatGPT，經(jīng)過大量文本數(shù)據(jù)的訓(xùn)練，它能夠?qū)Ω鞣N問題輸入生成類似人類的回答，對它提問時(shí)，它會(huì)通過訓(xùn)練和一組算法來生成與問題相關(guān)并以自然的方式編寫的回答。雖然ChatGPT能提供準(zhǔn)確和有用的信息，尤其是較傳統(tǒng)的搜索引擎要強(qiáng)大很多，但它并不總是能夠提供完整或正確的答案。而且經(jīng)過測試發(fā)現(xiàn)，ChatGPT所能提供的回答基本上是基于人類已有的知識，也就是說目前人工智能技術(shù)的知識儲(chǔ)備僅包括人類已知的范疇，它并不能根據(jù)已有的數(shù)據(jù)知識進(jìn)行自我思考，并創(chuàng)造新的知識，比如人工智能技術(shù)能回答目前已知的太空技術(shù)（不涉及保密內(nèi)容），但是指望它生成一個(gè)太空移民技術(shù)的可行方案，那是不可能的。在可預(yù)見的將來，甚至就在近幾年，人工智能技術(shù)還將延伸至音樂、視頻、三維建模等領(lǐng)域，在依靠虛構(gòu)想象的內(nèi)容制作領(lǐng)域，人工智能技術(shù)可以成為內(nèi)容制作的新方式。

最近10年，人工智能技術(shù)在實(shí)用領(lǐng)域的應(yīng)用比較廣泛，比如在各種應(yīng)用軟件中普遍使用的推薦系統(tǒng)，是通過大數(shù)據(jù)分析用戶數(shù)據(jù)的分析型人工智能技術(shù)，目前用于生成圖像和文字的則是基于大數(shù)據(jù)預(yù)訓(xùn)練生成模型的內(nèi)容生成型人工智能技術(shù)。當(dāng)下，人工智能技術(shù)帶來的焦慮主要是能否取代人的勞動(dòng)，但就其技術(shù)能力來看，在未來一段時(shí)間內(nèi)，社會(huì)工作主要還是通過人類與人工智能合作來完成的。曾經(jīng)，機(jī)械取代了許多人力工作，被取代的勞動(dòng)力可以去從事機(jī)械制造和維護(hù)的工作，汽車取代了黃包車，車夫則可以成為出租車司機(jī)，因此技術(shù)變革會(huì)在一定程度上推動(dòng)勞動(dòng)力的技能提升。比如在內(nèi)容生成領(lǐng)域，使用人工智能技術(shù)可能成為一種新的職業(yè)技能，無法掌握新技術(shù)的勞動(dòng)力，難以在新生職業(yè)中獲得工作機(jī)會(huì)，就可能淪為被淘汰的黃包車。