AIGC初探

AI小说 5个月前

19 0 0

AIGC介绍

AIGC 即 AI Generated Content，利用人工智能技术来生成内容，它被认为是继PGC、UGC之后的新型内容创作方式。2022年AIGC高速发展，这其中深度学习模型不断完善、开源模式的推动、大模型探索商业化的可能，成为AIGC发展的“加速度”。

AIGC可以生成文字、代码、声音、图片和视频。

1）AI生成文字

目前AI已经可以作诗、写邮件、写广告、剧本和小说。OpenAI的GPT-3模型是AI生成文字中最成熟的模型。

GPT-3模型商业化：自动写邮件的OthersideAI，自动写广告文案的Copy.ai和Jasper.aiAI写作：采用AIGC技术的虚拟人度晓晓写作高考作文，在不到1分钟的时间，完成了40多篇文章，获得专家打分48分的成绩，击败了75%的考生知识管理和内容协作平台Notion也发布了其文字自动生成产品Notion AI

2）AI生成代码

Deepcode：由人工智能驱动的代码审查软件DeepCode宣布，它已经检查了超过400万名开发者的代码。DeepCode的机器学习机器人精通JavaScript、TypeScript、Java、C/ c 和Python。Kite：是一款由 AI 驱动的代码补全插件，可以帮助开发者更快地编写代码并保持流畅，并且支持 13 种语言和 16 款编辑器。但因付费用户过少，已经关闭。

3）AI生成音频

音乐创作

歌词音频对齐、音乐节拍识别、音乐质量检测、韵律识别等系统

音频合成和音频降噪性能，保障用户音乐作品的高质量完成度和呈现度。

语音合成

阿里推出的新一代语音合成技术KAN-TTS，可以应用到汽车导航系统/地图系统。

4）AI生成图片

今年AI作画水平突飞猛进，其背后的算法模型也在不断迭代，年初推出的Disco Diffusion只能生成粗糙的图片，4月OpenAI发布的DALL-E2代已经可以生成完整的人像和图片，到8月StabilityAI发布的Stable Diffusion模型取得质的突破，已经可以生成可以媲美专业画师的作品，生成图片的效率也从年初的数小时到现在的几分钟甚至数十秒。

AI做图的模型特点出现时间GAN（Generative Adversarial Network）不稳定、分辨率低、只会模仿无法原创2014年CAN（Creative Adversial Network）表达抽象、能够原创2017年DALL-E（openAI）文字转绘画、绘画水平一般2021年2月CLIP VQGAN可文字转绘画、开源、绘画水平一般2021年4月Disco Diffusion可文字转绘画、开源、原创性、图片精美、渲染时间长2022年2月Midjourney可文字转绘画、付费、适合人像、突出细节2022年3月Dall-E2（openAI）可文字转绘画、付费、限制较多，对复杂文字理解准确、艺术性不高、渲染快2022年4月Stable Diffusion可文字转绘画、免费开源、原创性、灵活度高、图片精美、真实感、艺术性、渲染快2022年8月Imagen（Google）有限公开，理论上比DALL-E2效果好2022年11月

5）AI生成视频

目前AI生成视频的算法模型还未成熟，也还没出现一家独大的局面。9月底Meta公布了AI制作视频工具Make-A-Video，Google也紧接着发布了Imagen Video和Phenaki。

AI生成视频模型特点出现时间Morpheus输入文字即可生成3D和动画2021年10月Make-A-Video（Meta）文字转视频、图片转视频、视频生成视频2022年9月Image Video（Google）文字转视频、视频质量高2022年10月Phenaki（Google）文字转视频、情节连贯2022年10月Stability AI Video暂未公布研发中

核心技术

序号深度学习模型类别出现时间特点1GAN（Generative Adversial Network）图像生成20141 生成器用来生成图片，判别器用来判断图片质量，两者互相平衡之后得到结果2 对输出结果的控制力较弱，容易产生随机图像，分辨率比较低2CLIP（Contrastive Language Image Pre-Training）图像生成20211 进行自然语言理解和计算机视觉分析2 使用已经标注好的文字-图像训练数据。一方面对文字进行模型训练，另一方面对图像进行另一个模型的训练，不断调整两个模型内部参数，使得模型分别输出的文字特征值和图形特征值并确认匹配3Diffusion图像生成20221 通过增加噪声破坏训练数据来学习，然后找出如何逆转这种噪声过程以恢复原始图像2 经过训练，该模型可以应用这些去噪方法，从随机输入中合成新的干净数据4ChatGPT文本生成20221 通过使用大量的训练数据来模拟人类的语言行为，并通过语法和语义分析，生成人类可以理解的文本。2 根据上下文和语境，提供准确和恰当的回答，并模拟多种情绪和语气。这样，就可以让用户在与机器交互时，感受到更加真实和自然的对话体验。5MockingBird语音克隆2021借助深度学习算法，可以完全模拟某个人的声音，而且由机器合成的语音连情绪都能够完美表达出来。6AudioLM音乐生成2022是一个具有长期一致性的高质量音频生成框架，将输入的音频映射为一串离散的标记，并将音频生成任务转化为语言建模任务7NeRF三维重建2020用2D的posed images作为监督，即可表示复杂的三维场景。