【新智元導讀】8月10日，一個名為Stable Diffusion的開源模型正式發(fā)布，眾網(wǎng)友都玩瘋了。
最近，一個叫Xander Steenbrugge的AI研究員兼數(shù)碼藝術(shù)家，上傳了一段非常震撼的視頻《跨越時間之旅》。
地球上的生物大進化，從原始海洋起始，到遠古蜥蜴、恐龍、哺乳動物，再到猴子、猩猩、猿人、智人……最后出現(xiàn)了科幻中的未來世界。
而Steenbrugge也激動地評論道：我們正在跨越一個門檻，生成式人工智能不再只是關(guān)于新穎的美學，而是演變成了一個驚人的工具，可以構(gòu)建強大的、以人為中心的敘事。
Steenbrugge表示，這個視頻用了36個連續(xù)的短語。為了找到可能的最佳順序，他嘗試了超過一千種不同的提示和種子，并在代碼中應(yīng)用了許多「提示工程」的技巧，來弄清楚到底哪些是有效的，哪些是無效的。
前特斯拉AI高級總監(jiān)Andrej Karpathy看完后大受震撼，也忍不住手癢嘗試了一波。
「超現(xiàn)實的蒸汽朋克神經(jīng)網(wǎng)絡(luò)機器，呈大腦形狀，放置在一個基座上，上面布滿了齒輪制成的神經(jīng)元」，在輸入這段文字后，他的大作也生成了。
2分鐘的視頻（在A100上渲染約1小時），是通過在隨機噪聲輸入的模型之間平滑插值生成的。
這個名為Stable Diffusion的模型，采用的是在兩個句子的意義之間「插值」的方式。插入的地方是語義的間隔，而不是視覺的空格，因此，它極大地改變了故事敘述的方式。
而這，僅僅是由生成式人工智能驅(qū)動的數(shù)字內(nèi)容創(chuàng)作革命的開始。
Stable Diffusion：開源模型的里程碑
從2021年初以來，可以從文本描述生成圖像的人工智能一直在快速發(fā)展。當時，OpenAI用DALL-E 1和CLIP展示了令人印象深刻的結(jié)果。
在2022年，OpenAI發(fā)布了令人印象深刻的DALL-E 2，谷歌展示了Imagen和Parti，Midjourney推出了公測版，Craiyon創(chuàng)作的AI圖像也遍布各種社交媒體。
而就現(xiàn)在最近，Stability AI又發(fā)布了一個全新的模型——Stable Diffusion。
不過，與DALL-E 2不同的是，Stable Diffusion可以生成OpenAI禁止的各種知名人士。
雖然像是Midjourney、Pixelz.ai等等這些系統(tǒng)也可以做到，但它們生成的質(zhì)量，還遠沒有達到能與Stable Diffusion相媲美的程度，而且還都不是開源的。
現(xiàn)在有請我們的老朋友馬斯克，表演一個秒變「黑寡婦」（斯嘉麗·約翰遜）。
顯然，作為主要開發(fā)者的Stability AI，希望不止一家公司或團隊能夠訓練Stable Diffusion的變體。
比如，你是一個沒有海量的GPU算力的研究人員。不用擔心，Stable Diffusion即將能夠在一塊僅有5.1GB VRAM的顯卡上運行。
再比如，你是一個平時使用配備蘋果M1芯片的MacBook的愛好者，Stable Diffusion也可以運行。只不過，這時圖像生成的時間就要從幾秒鐘變成幾分鐘了。
如此看來，多模態(tài)模型正沿著以前大型語言模型所走的道路前進：遠離單一的供應(yīng)商，并通過開放源碼廣泛提供眾多的替代方案。
此外，Runway已經(jīng)在研究如何基于Stable Diffusion來實現(xiàn)文本到視頻的編輯了。
在測試階段之后，Stable Diffusion就會免費，代碼和經(jīng)過訓練的模型將作為開源發(fā)布。還將有一個帶有Web界面的托管版本，供用戶測試系統(tǒng)。
Stable Diffusion 是 Stability AI、RunwayML、LMU Munich、EleutherAI 和 LAION 的研究人員合作的結(jié)果。EleutherAI以其開源語言模型GPT-J-6B 和GPT-NeoX-20B等而聞名。
非營利組織 LAION（大規(guī)模人工智能開放網(wǎng)絡(luò)）為訓練數(shù)據(jù)提供了開源LAION 5B數(shù)據(jù)集，該團隊在初始測試階段根據(jù)人工反饋對其進行過濾，以創(chuàng)建最終的LAION-Aesthetics訓練數(shù)據(jù)集。
Runway的Patrick Esser和LMU 慕尼黑的Robin Rombach領(lǐng)導了這個項目，他們在海德堡大學 CompVis小組的研究奠定了這個項目的基礎(chǔ)。在海德堡大學，他們創(chuàng)建了廣泛使用的VQGAN和Latent Diffusion。這兩個模型再加上OpenAI和Google Brain的成果，使Stable Diffusion得以實現(xiàn)。
Stability AI成立于2020年，背后的出資人是數(shù)學家、計算機科學家Emad Mostaque。他曾在各種對沖基金擔任分析師。
憑借Stability AI和他的私人財富，Mostaque希望能夠培育一個開源AI研究社區(qū)。他的創(chuàng)業(yè)公司之前就支持創(chuàng)建「LAION 5B」數(shù)據(jù)集。為了訓練Stable Diffusion的模型，Stability AI為服務(wù)器提供了4,000個Nvidia A100 GPU。
「除了我們的75名員工之外，沒有任何其他人擁有決策權(quán)——無論是億萬富翁、大型基金，還是政府，我們是完全獨立的?！筂ostaque說。「我們計劃使用我們的計算來加速基礎(chǔ)人工智能的開源?！?/span>
除了開頭地兩段視頻，也有網(wǎng)友用Stable Diffusion生成一段衰老的動畫。
他表示，制作過程中在長提示中改變一個詞，比在短提示中有更微妙的效果。此外，使用描述，如老，中年，幼兒，通常比說明具體的年齡，如10歲，40歲，80歲效果更好。
Leyendecker和Maxence筆下的「黑魂」
感受一下特斯拉的前人工智能和自動駕駛視覺總監(jiān)Andrej Karpathy被虐的心路歷程。
看完大神制作的視頻之后，Karpathy非常激動。
然后一波操作搞出來的成果，放進幼兒園小班里都毫無違和感。絕望的Karpathy直呼想要請一位「提示工程師」替自己創(chuàng)作。
最后Karpathy終于悟了，創(chuàng)作出了他非常滿意的新作——蒸汽朋克人工神經(jīng)網(wǎng)絡(luò)機器，和藍莓意大利面。
https://stability.ai/blog/stable-diffusion-announcement
