原標題：AI繪畫，為何聽不懂人話？

深燃（shenrancaijing）原創(chuàng)

作者 | 唐亞華

編輯 | 黎明

2023年的AI繪畫領域是由兩家公司的動態(tài)引爆的。

3月17日百度發(fā)布文心一言，網(wǎng)友們瘋狂發(fā)散想象力，令人捧腹的圖片接連被生成。關于文心一言文字生成圖片的討論熱情空前高漲。

緊接著，3月18日，美國Midjourney公司宣布第五版AI圖像生成服務，即MidjourneyV5。本來就處在行業(yè)領先水平的Midjourney，這一次版本更新真正讓AI繪畫圈沸騰了。因為MidjourneyV5生成的圖片堪稱驚艷。

兩個系統(tǒng)幾乎同時發(fā)布，免不了被對比。深燃體驗后發(fā)現(xiàn)，文心一言的圖片生成功能，能夠識別簡單元素、文本沒有歧義的人或事物，但涉及到成語、專有名詞，以及字面意思和實際意義不同的表述，它就會跑偏。Midjourney在這方面幾乎沒什么問題。另外，Midjourney接收到的提示詞（prompt）越詳細精準，生成的圖片越符合要求，但文心一言需求越多，系統(tǒng)越容易出錯。

調侃背后，AI生成圖片其實不是一件簡單的事情，需要在數(shù)據(jù)、算法、算力等方面綜合發(fā)力，既對技術和硬件有高要求，還對數(shù)據(jù)采集和標注等苦活累活高度依賴。文心一言的AI繪圖功能與Midjourney在以上三方面都有不小的差距。

百度方面公開表示，“大家也會從接下來文生圖能力的快速調優(yōu)迭代，看到百度的自研實力。文心一言正在大家的使用過程中不斷學習和成長，請大家給自研技術和產品一點信心和時間?！睆臉I(yè)者預估，文心一言全力追趕，用一年左右的時間有希望達到國外80%以上的水平。

AI繪圖這個戰(zhàn)場，槍聲已經(jīng)打響，追逐賽、排位賽都將一輪輪上演。

搞不定成語和專有名詞，提示詞越多AI越廢

文心一言最近接受的最大考驗，莫過于畫一幅中餐菜名圖。在網(wǎng)友們的熱情創(chuàng)作下，驢肉火燒、紅燒獅子頭等菜品出來的畫做一個比一個離譜，車水馬龍的街道、虎頭虎腦的大胖小子，同樣驚掉了大家的下巴。

網(wǎng)友體驗文心一言時截圖，目前已更新

網(wǎng)民熱心找bug，百度程序員應該也在背后發(fā)力，深燃測試發(fā)現(xiàn)，以上內容均已更新為可以正確顯示對應圖片。不過，像娃娃菜、臉盆、虎皮雞蛋、三杯雞，還有胸有成竹的男人、虎背熊腰的男人，文心一言仍然給出的是字面直譯后的圖片，畫風一言難盡。

深燃截圖

即便輸入提示詞時強調“畫一個衛(wèi)浴器材水龍頭”，文心一言畫出的仍然是水中龍的頭像；當深燃輸入“畫一個風姿綽約的人”時，系統(tǒng)畫出的是一位男士，顯然AI沒能理解風姿綽約形容的是女人。

深燃截圖

程序員改bug的速度比不上網(wǎng)友找漏洞的速度。很快又有人發(fā)現(xiàn)，文心一言畫圖時有把提示詞中譯英之后根據(jù)英文意思生成圖片的可能性，據(jù)此有人推測百度可能用國外的作圖產品接口，套了一個自己的殼。

深燃也驗證了一下某用戶的測試。比如輸入“水瓜”，畫出的是西瓜，這也對應西瓜的英文單詞Watermelon；要求畫樹葉、封面、蘋果，畫出的圖是樹葉覆蓋蘋果，顯然系統(tǒng)是把封面翻譯成了Cover，這個單詞也有覆蓋的意思；畫“土耳其張開翅膀”，出現(xiàn)的畫面是張開翅膀的火雞，我們都知道，Turkey是土耳其，也是火雞。

深燃截圖

對此，百度對外回應稱，文心一言完全是百度自研的大語言模型，文生圖能力來自文心跨模態(tài)大模型ERNIE-ViLG?！霸诖竽Ｐ陀柧氈校覀兪褂玫氖侨蚧ヂ?lián)網(wǎng)公開數(shù)據(jù)，符合行業(yè)慣例?！?/p>

亞洲視覺科技研發(fā)總監(jiān)陳經(jīng)也在接受媒體采訪時表示，“百度的畫圖AI采用了英文標注的開源圖片素材進行訓練，因此需要中翻英來當prompt（提示詞）。目前，全球AI研發(fā)有開源的傳統(tǒng)，特別是訓練數(shù)據(jù)庫，不然收集圖片效率太低了?！?/p>

深燃體驗后還發(fā)現(xiàn)，文心一言在單個需求描述時表現(xiàn)尚可，比如畫一幅憤怒的小孩、開心的農民、一只很餓的流量貓，但一幅圖一旦提出多個作圖需求，AI就有點懵。

比如請文心一言“生成一幅畫，在一個下雨天，小紅在植樹，小王在看書”，系統(tǒng)生成的圖片里只有背靠樹看書的一個人；還有，“畫一幅畫，里面有大笑的年輕人、哭泣的小孩、愁容滿面的老人”，系統(tǒng)把哭泣和愁容滿面等表情集合在了一張臉上，畫出了一個小孩和老人的結合體。如下圖所示，還有一些類似的情況，系統(tǒng)同樣沒能準確完成給出的指令。

深燃截圖

深燃又把上述提示詞輸入到MidjourneyV4測試了一下，如下圖所示，即使是V4版本，表現(xiàn)也遠高出文心一言。MidjourneyV4基本能理解句子中的意思，做出的圖幾乎可以包含所有的要素。

深燃體驗MidjourneyV4后截圖

深燃還測試了AI繪畫領域一直以來難以攻克的畫手指難的問題。在這方面，文心一言也沒能經(jīng)受住考驗。比如“畫一位30歲的女士，雙手豎起大拇指”，文心一言生成的圖片大拇指是豎起來了，但是其中一只手有7根手指；輸入“畫一個人，兩只手做點贊姿勢”時，系統(tǒng)也無法實現(xiàn)這一手部姿勢。

深燃截圖

Midjourney此前的版本同樣存在手指誤差的問題，最新發(fā)布的V5版本，已經(jīng)能夠正確畫出五根手指，雖然有人依舊指出其繪出的大拇指有點長，但相比以往已經(jīng)有不小的進步。有從業(yè)者評價：“Midjourney的此前版本就像是近視患者沒有戴上眼鏡，而MidjourneyV5就是戴上眼鏡后的清晰效果，4K細節(jié)拉滿”。

比如MidjourneyV5畫出的《三體》角色圖，效果被網(wǎng)友評價為幾乎要“成精了”。而文心一言畫《三體》角色時，系統(tǒng)全然不顧描述里提到的留著黑色短發(fā)、戴著眼鏡的要求，畫出了一個扎著發(fā)髻，不戴眼鏡，古風穿著的男士。

上圖為MidjourneyV5生成的三體角色圖 圖片來源 / Ai總編推書

下圖為文心一言作圖 / 深燃截圖

最近MidjourneyV5畫的一對情侶的圖片掀起了業(yè)內一陣驚呼。作圖的提示詞是：“一對年輕的情侶穿著牛仔褲和夾克坐在樓頂上”，背景分別是2000年和2023年的北京。最后出圖的效果大大超出很多人的想象。深燃把類似表述輸入文心一言時，系統(tǒng)直接給出了毫不相關的圖片。

左圖為MidjourneyV5作圖 圖片來源 / 量子位

右為深燃對比體驗文心一言截圖

對比來看，Midjourney作圖已經(jīng)在細節(jié)上幾近完美了，文心一言還處在難以準確分辨字面意思和實際意思的初級階段。Midjourney提示詞描述越詳細，生成的圖片越精準，文心一言能理解的文字長度有限，過多描述會讓它直接報錯或者胡亂生成圖片。

AI文生圖到底有多難？

按出現(xiàn)時間來算，AI繪畫算是AI領域的新事物。

公開報道顯示，2021年1月，OpenAI發(fā)布了兩個連接文本與圖像的神經(jīng)網(wǎng)絡：DALL?E和 CLIP。DALL?E可以基于文本直接生成圖像，CLIP能夠完成圖像與文本類別的匹配。DALL?E是基于GPT-3的120億參數(shù)版本實現(xiàn)的。

隨后在2022年，DALL·E 2、Stable Diffusion等文生圖底層大模型發(fā)布，帶動了應用層的發(fā)展，出現(xiàn)了批爆款產品，包括Midjourney。2022年也被認為是“AI繪畫元年”。

StabilityAI的Stable Diffusion是一個開源模型，很多開發(fā)者基于這個模型開發(fā)訓練出了更多不同的生成模型。國內很多科技公司的AI繪畫項目也是由Stable Diffusion提供技術支撐。Midjourney是付費訂閱的，公開信息顯示，Midjourney每年的收入可能達到1億美元左右。另外，有AI繪圖業(yè)務的還有Google、Meta等公司。百度的文心一言和此前就發(fā)布的文心一格算是國內最早的具備AI繪畫功能的大模型。

文心一言的發(fā)布和升級了的MidjourneyV5更是將AI繪畫行業(yè)推向。這一次迭代是Midjourney自去年推出以來最大的更新，Midjourney也成了目前市面上最先進的AI圖像生成器之一。

熱度還在繼續(xù)。最近，行業(yè)內又有一系列企業(yè)跟進推出AI繪畫功能。3月21日，微軟宣布，必應搜索引擎接入了OpenAI的DALL·E模型，將AI圖像生成功能引入新版必應和Edge瀏覽器，免費開放。就在同一天，Adobe發(fā)布AI模型Firefly，支持用文字生成圖像、藝術字體。

可以說，2023年，AI繪畫行業(yè)迎來了真正的大爆發(fā)。

調侃文心一言之余，客觀來說，AI生成圖片本身就不是一件容易實現(xiàn)的事情。系統(tǒng)的語義理解能力、充分的數(shù)據(jù)標注、細節(jié)處理、用戶的提示詞選擇，都在AI作圖中起著重要作用。

AI領域資深從業(yè)者郭威告訴深燃，之前AI生成圖片只需要確認風格、物品等，用GAN（生成式對抗網(wǎng)絡）生成圖片。文心一言和Midjourney這一代模型的做法是先理解自然語義，再生成圖片。把自然語言輸入到系統(tǒng)里，AI對語義的理解和人類的理解不可避免會有偏差。

“更大的難點，還是標注數(shù)據(jù)。語義比詞組的空間更大，需要大量數(shù)據(jù)，而且標注難度和成本更高。”郭威說。

很多人以為，系統(tǒng)生成圖片有誤時，后臺改一個標注就能矯正系統(tǒng)了。比如生成“驢肉火燒”出了錯，只是告訴系統(tǒng)這是一道菜，而不是一頭驢就行了，但這種方式只是一對一修改而沒有一層層訓練，修正了單個錯誤，并不會增強系統(tǒng)的理解能力，治標不治本。

也就是說，即便是有大量開源的全球數(shù)據(jù)庫圖片可以用，國內的系統(tǒng)在中文提示詞與英文素材對應方面還需要做大量工作。

另外，AI生成的圖片極難完善眼睛、手、腳等部位細節(jié)。一直以來，行業(yè)內就有“AI不會畫手”的說法，很多人判斷是不是AI作圖，就看圖片中的手畫得怎么樣?！耙驗樯疃葘W習神經(jīng)網(wǎng)絡沒有足夠的數(shù)據(jù)學習手指與手指之間的架構邏輯，加上手指關節(jié)間特征屬于細小顆粒度，生成的手容易出錯?！辟Y深AloT算法從業(yè)者連路詩說。目前除了MidjourneyV5，其他AI作圖產品細節(jié)方面的問題還沒有完全解決。

到了最終生成圖片環(huán)節(jié)，用戶選擇用什么提示詞（prompt）和風格（style）來生成想要的圖片也很重要，新用戶往往不得方法，很難找到精準的提示詞或足夠契合的風格。

此外，目前的AI繪圖產品還存在一些共同的挑戰(zhàn)。

連路詩提到，一方面是時效性不夠，目前AI繪畫知識庫的更新、數(shù)據(jù)的引入不完全是實時的，如果加入實時性數(shù)據(jù)，需要巨大的成本；另一方面，目前各系統(tǒng)對數(shù)據(jù)過濾的嚴謹程度不一樣，有的設置了相對嚴格的禁用詞，有的沒有，法律或道德邊界不清。

還有一個是AI繪圖帶來的版權問題。目前行業(yè)內大部分企業(yè)不對外宣布自己用來訓練AI的圖片來源，這樣的AI生成圖片商用時，可能存在未知的法律風險。且目前AI作的圖也不受版權保護。

多久才能追上？

行業(yè)共性問題之外，根據(jù)多位從業(yè)者的說法，在數(shù)據(jù)、算法、算力三方面，文心一言都跟Midjourney差距不小。

數(shù)據(jù)方面，文心一言數(shù)據(jù)的數(shù)量和質量都需要提升。

連路詩解釋，NLP（即natural language process，自然語言處理）分成幾個過程，第一步是自然語言理解，比如，實體識別，系統(tǒng)會根據(jù)專屬名詞生成自己的理解；接下來是自然語言生成，包括生成文字和圖片。大多數(shù)問題出在對自然語言的理解不準確，這時候就需要人工對句子進行數(shù)據(jù)處理、參數(shù)調整等。

“中文本身難在字與字之間沒有間距，人工分詞一方面要隔開字詞的間距，同時要界定動詞、名詞等詞性，還要標注主語、謂語、賓語，以及是否為常用詞等”，連路詩補充，“分詞需要龐大的人力投入，一般一個小組至少需要5000人。AI公司通常把這一需求外包給人力成本較低的省份的公司，另外，AI生成圖片的結果也需要人類的反饋增強學習?！?/strong>

基礎標注工作做好之后，系統(tǒng)會將這些詞轉成向量進行計算，向量越不準確，生成的結果越模糊?！澳壳鞍俣瓤赡茏隽艘徊糠止ぷ鳎€沒達到能準確理解大部分語義的程度，可以判定為不及格?！边B路詩說。

陳經(jīng)也提到，大模型需要的數(shù)據(jù)庫里的“圖片是要標注的，這更加大了收集整理圖片的難度。當前也有中文標準的訓練數(shù)據(jù)，但是少很多。由于發(fā)布時間倉促，百度對于畫圖AI的中文輸入詞還沒完全搞定，后續(xù)應該會根據(jù)用戶反饋，把中文的提示詞與英文的訓練素材更好的對應上。”

第差距是算法。

算法方面，各公司在底層大模型的使用層數(shù)上有差別。連路詩認為，以文心一言目前在算法方面的表現(xiàn)來看，有可能與Midjourney等模型的深度神經(jīng)網(wǎng)絡的層數(shù)有十倍左右的差距。

“AI生成圖片不準確還有一種可能性，該系統(tǒng)的底層架構不是深度神經(jīng)網(wǎng)絡，也沒有根據(jù)底層Vector（向量）一點點像素級生成圖片，而是系統(tǒng)先用搜索引擎匹配知識圖譜，再生成圖像，也可以理解為拼湊貼圖。神經(jīng)網(wǎng)絡在對圖片進行計算的時候，本來就有圖片的旋轉、切割、拼湊，這樣的系統(tǒng)生成的圖片有可能是顆粒度很粗的片狀圖片拼湊出來的。”連路詩做了這樣的推測。不過，文心一言屬于哪種技術還不清楚。

第三，算力上的差距。OpenAI號稱自己的模型是千億規(guī)模參數(shù)，也就是每次計算的時候擁有1000張以上顯卡分布式計算的算力。百度與國外幾家主要科技企業(yè)的算力差距同樣不小。

當然，百度和Midjourney目前的發(fā)展程度不一，與其發(fā)展階段也有關系。

Midjourney于2022年3月首次面世，目前已經(jīng)迭代到了第五代。百度文心一言所具備的AI作圖功能，即文心一格，雖然在2022年8月就推出了，但目前沒有看到相關的升級迭代信息。而在AI領域，變化幾乎是以天為單位的。

國內AI繪圖多久能趕上國際水平？郭威對此比較樂觀。在他看來，“數(shù)據(jù)方面雖然有差異，但最多也只有半年左右的差距，中文類的數(shù)據(jù)國內比國外更多，拼命補一下能趕上?！?/p>

至于算法差異，他表示，OpenAI等幾家機構比Google、Facebook、百度等高出半年到一年的水平，之前因為不確定性大，各企業(yè)沒有重點布局，現(xiàn)在驗證這條路是有前途的，針對性追趕，很快也能趕上。雖然OpenAI沒開源，但從OpenAI出來的一些人很快也會把技術思路共享到小圈子里，頭部公司很容易跟進。

“算力的差距就很難彌補了，短期內難追上去，但是用一年多時間把國內系統(tǒng)做到國外80分或90分以上的程度是可能的?！惫f。

無論如何，接下來，AI繪畫將會走到舞臺大放異彩是確定的事實，對各公司來說，拼的是速度。行業(yè)規(guī)則是公開的，所有選手都在往前跑，這時候，競爭是最大的動力，拿結果說話才是硬道理。

*題圖及文中配圖來源于pexels。應受訪者要求，文中郭威為化名。