OpenAI最新成果:AI弥合语言和图像鸿沟的一次突破

2023-11-03 18:50

本文主要是介绍OpenAI最新成果:AI弥合语言和图像鸿沟的一次突破,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

OpenAI最新成果:AI弥合语言和图像鸿沟的一次突破

本文作者:林檎

图片

在《逻辑与哲学论》(Tractatus Logico-Philosophicus) 一书中,伟大的哲学家维特根斯坦提出了这样的一种理论 ——Picture Theory of Meaning。

这个理论指出,如果可以在现实世界中对语言陈述进行定义或图示,那么这些语言陈述才是有意义的。即,有实在意思的句子,必须能反映成图像。而可用语言表达的事物和只能用非语言方式表达的事物之间,将存在着不可逾越的鸿沟。

维特根斯坦说,人走不出图画,因为人的语言就相当于图画。

OpenAI 最近发布的一项最新成果 DALL-E,是对维特根斯坦这个理论的一个很好演示。

DALL-E 都生成了什么?

GPT-3 表明,大型神经网络可以执行各种文本生成任务。图像 GPT 表明,同样类型的神经网络也可以用来生成高保真度的图像。

基于这两个发现,OpenAI 开发出了 DALL-E,直观展示了如何通过语言来操纵视觉概念。

DALL-E 名字来自西班牙超现实主义画家萨尔瓦多・达利(Salvador Dali)和皮克斯动画的 WALL・E,DALL-E 可以视为是 OpenAI 去年推出的语言模型 GPT-3 的图像版,它拥有 120 亿参数,经过训练后可以重新生成图像,而且是以与文本或图像提示一致的方式生成任何现有图像。OpenAI 自己的官方博客展示了非常多有趣的案例。

下面的示例,显示的是输入 “舒适的企鹅” 的结果。舒适,其实是一个有点抽象的概念,DALL-E 如何 “理解” 这个提示?答案出现了不少毛绒企鹅玩具。

图片

不过,做好心理准备,一些不合常理的搭配,可能会有突破你舒适度的结果。

比如下面这个提示,由 “由豪猪制成的、具有豪猪纹理的立方体”,便产生某些观感比较令人不安的结果。这里突出的是结果的多样性。

图片

“我们发现 DALL-E 具有多种功能,包括创建动物和对象的拟人化版本,以合理的方式组合无关概念,渲染文本并将变换应用于现有图像。” OpenAI 在博客中如此写道。

OpenAI 介绍道,与 GPT-3 一样,DALL-E 是一个 transformer 语言模型,它同时接收文本和图像作为一个单一数据流,其中包含 256 个文本、1024 个图像共 1280 个 tokens。DALL-E 对 text tokens 使用标准的因果掩码,对行、列或卷积注意力模式的 image tokens 使用稀疏注意力,具体取决于每一层的情况。

在训练过程中,图像被预处理为 256x256 分辨率。类似于 VQVAE,通过使用离散 VAE,每个图像都被压缩到 32x32 网格的离散码,而之后使用连续松弛进行预训练,避免了对显式代码本、EMA 损失或死代码复活(dead code revival)等技巧的需求,并且可以扩展。

有关 DALL-E 的体系结构以及 OpenAI 如何对该程序进行训练的更多详细信息,仍然等待未来发表的具体论文。

DALL-E 的几大能力

多次将文本转换成图像的实验之后,OpenAI 总结出 DALL-E 所具有的的多项能力:

1、控制属性:OpenAI 测试了 DALL-E 修改目标物体的能力,包括修改相应的属性以及出现的次数。

2、绘制多个目标:同时控制多个目标物体、彼此的属性和空间关系。例如,一堆三维立方体:红色的立方体在绿色立方体的顶部。绿色立方体在中间。蓝色立方体在底部。

图片

3、可视化透视与三维:控制场景的视点和渲染场景的 3D 样式。

4、可视化内部和外部结构:运用横截面视角绘制内部结构和用宏观图像绘制外部结构。例如,核桃的横截面。

图片

5、推断上下文细节:例如,日出时坐在田野上的水豚,根据水豚的方位,可能需要画一个阴影,但该细节未明确提及。

图片

6、组合不相关的概念:结合完全不同的 idea,合成不存在的物体。例如,鳄梨型扶手椅。

图片

7、动物插图:主要体现艺术插画能力。例如:一个专业、高质量的恋爱波霸珍珠奶茶表情符号

图片

8、零样本视觉推理:仅根据提示来执行多种任务,而无需任何额外训练。

9、掌握地理知识:结合地理知识(似乎体现了一定的固有印象)进行生成。例如,中国美食的图片。

图片

10、掌握时间知识:检验其随时间变化的概念的知识。例如,20 年代起发明的电话的照片。

图片

事实上,DALL-E 本身并不是什么全新的尝试,但是从 OpenAI 给出的演示来看,它运行起来效果相当不错,大部分情况下都能比较好地处理各种输入,在给定提示下产生合理的结果。因而引发了大范围的关注。

尤其是将不相关的概念(其中有些事物根本不可能在现实世界中存在)相组合的这项能力,充满了维特根斯坦 Picture Theory of Meaning 的意味。

例如下列这个提示,“竖琴状的蜗牛”。相信很多人看到这个描述的时候,第一反应根本想象不出这会是怎样的一个存在。但 DALL-E 给出了它的想象。

图片

DALL-E 展现出的这些能力固然有趣,那么,它会有怎样的商业价值吗?

已经有大量网友表示,希望能够购买到范例中演示的牛油果椅子。再或许,DALL-E 生成的图片,会截断类似 “视觉 XX” 这样的图片网站的财路(just kidding)?在博客中,OpenAI 团队展现的两个应用案例,分别是服装设计、室内设计。虽然并未明确这是他们所构想的商业用途,但看起来并不遥远。毕竟,2021 年,维特根斯坦近一个世纪前的想法,已经 “活生生” 在我们面前上演。

Reference:
https://openai.com/blog/dall-e/

公众号:数据实战派
转载请后台联系小编~

这篇关于OpenAI最新成果:AI弥合语言和图像鸿沟的一次突破的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/340180

相关文章

Spring定时任务只执行一次的原因分析与解决方案

《Spring定时任务只执行一次的原因分析与解决方案》在使用Spring的@Scheduled定时任务时,你是否遇到过任务只执行一次,后续不再触发的情况?这种情况可能由多种原因导致,如未启用调度、线程... 目录1. 问题背景2. Spring定时任务的基本用法3. 为什么定时任务只执行一次?3.1 未启用

基于Flask框架添加多个AI模型的API并进行交互

《基于Flask框架添加多个AI模型的API并进行交互》:本文主要介绍如何基于Flask框架开发AI模型API管理系统,允许用户添加、删除不同AI模型的API密钥,感兴趣的可以了解下... 目录1. 概述2. 后端代码说明2.1 依赖库导入2.2 应用初始化2.3 API 存储字典2.4 路由函数2.5 应

C语言中的数据类型强制转换

《C语言中的数据类型强制转换》:本文主要介绍C语言中的数据类型强制转换方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录C语言数据类型强制转换自动转换强制转换类型总结C语言数据类型强制转换强制类型转换:是通过类型转换运算来实现的,主要的数据类型转换分为自动转换

利用Go语言开发文件操作工具轻松处理所有文件

《利用Go语言开发文件操作工具轻松处理所有文件》在后端开发中,文件操作是一个非常常见但又容易出错的场景,本文小编要向大家介绍一个强大的Go语言文件操作工具库,它能帮你轻松处理各种文件操作场景... 目录为什么需要这个工具?核心功能详解1. 文件/目录存javascript在性检查2. 批量创建目录3. 文件

C语言实现两个变量值交换的三种方式

《C语言实现两个变量值交换的三种方式》两个变量值的交换是编程中最常见的问题之一,以下将介绍三种变量的交换方式,其中第一种方式是最常用也是最实用的,后两种方式一般只在特殊限制下使用,需要的朋友可以参考下... 目录1.使用临时变量(推荐)2.相加和相减的方式(值较大时可能丢失数据)3.按位异或运算1.使用临时

使用C语言实现交换整数的奇数位和偶数位

《使用C语言实现交换整数的奇数位和偶数位》在C语言中,要交换一个整数的二进制位中的奇数位和偶数位,重点需要理解位操作,当我们谈论二进制位的奇数位和偶数位时,我们是指从右到左数的位置,本文给大家介绍了使... 目录一、问题描述二、解决思路三、函数实现四、宏实现五、总结一、问题描述使用C语言代码实现:将一个整

查看Oracle数据库中UNDO表空间的使用情况(最新推荐)

《查看Oracle数据库中UNDO表空间的使用情况(最新推荐)》Oracle数据库中查看UNDO表空间使用情况的4种方法:DBA_TABLESPACES和DBA_DATA_FILES提供基本信息,V$... 目录1. 通过 DBjavascriptA_TABLESPACES 和 DBA_DATA_FILES

Spring AI ectorStore的使用流程

《SpringAIectorStore的使用流程》SpringAI中的VectorStore是一种用于存储和检索高维向量数据的数据库或存储解决方案,它在AI应用中发挥着至关重要的作用,本文给大家介... 目录一、VectorStore的基本概念二、VectorStore的核心接口三、VectorStore的

最新Spring Security实战教程之Spring Security安全框架指南

《最新SpringSecurity实战教程之SpringSecurity安全框架指南》SpringSecurity是Spring生态系统中的核心组件,提供认证、授权和防护机制,以保护应用免受各种安... 目录前言什么是Spring Security?同类框架对比Spring Security典型应用场景传统

最新Spring Security实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)

《最新SpringSecurity实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)》本章节介绍了如何通过SpringSecurity实现从配置自定义登录页面、表单登录处理逻辑的配置,并简单模拟... 目录前言改造准备开始登录页改造自定义用户名密码登陆成功失败跳转问题自定义登出前后端分离适配方案结语前言