Google|谷歌新AI火了：世界最长单词都能画：Pneumonoultramicroscopicsilicovolcanoconiosis 谷歌新AI火了：世界最长单词都

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：

文章图片

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：

文章图片

（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。

文章图片

就连谷歌 AI 负责人 Jeff Dean 也连发数条推文，玩得不亦乐乎：

文章图片

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。

文章图片

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。

文章图片

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~

文章图片

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……

文章图片

甚至有时候它还会讲双关笑话。

文章图片

（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。

文章图片

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。

文章图片

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 。

文章图片

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。

文章图片

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。

文章图片

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。

文章图片

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。

文章图片

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。

文章图片

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+）

文章图片

△ 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。

Google|谷歌新AI火了：世界最长单词都能画：Pneumonoultramicroscopicsilicovolcanoconiosis

文章图片

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。

文章图片

△ 图：Imagen 作画
DALL?E、MidJourney 等“闻讯赶来”参与其中。

文章图片

△ DALL?E 作画
甚至还有把 Wordle 和 DALL-E 2 搞到一起的：

文章图片

……
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：

文章图片

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
参考链接：
[1]https://twitter.com/lmthang/status/1539664610596225024
[2]https://gizmodo.com/new-browser-game-combines-dall-e-mini-and-wordle-1849105289
【Google|谷歌新AI火了：世界最长单词都能画：Pneumonoultramicroscopicsilicovolcanoconiosis】[3]https://imagen.research.google/