AI图像生成哪家强,Google 的 IMAGEN vs OpenAI 的 DALLE2

简介: 图像生成领域卷起来了。

昨天我们聊到了OpenAI公司出品的DALL-E 2模型,可以轻松加愉悦的完成文本到图像的转换。

可技术创新有可能不是螺旋式上升,波浪式前进的,而是飞跃式的。

仅仅一个月之后,卷王Google就推出了自己的文本到图像生成模型,或者叫模型工厂,因为它的实现不仅仅是依赖于一个简单的模型,而是一堆大小模型的组合,Google给它取名叫做 Imagen。

Imagen 一出,就剑指DALL-E 2,Google 的论文《Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding》中就直接给出Imagen 吊打 DALL-E 2的例子。

Imagen V.S. DALL-E 2

下面从几个角度看看,Imagen是如何吊打DALL-E 2的。

颜色分类

image.png

(一个黄色的书和一个红色的花瓶)

评:文本描述是,一个黄色的书和一个红色的花瓶,看来 DALL-E 2 确实把颜色搞反了。

容易让人误解的文字描述:英文文本理解

image.png

评:

A couple of glasses are sitting on a table. 英语过了6级的我,对这句话的翻译也懵懵的。A couple of glasses 到底应该翻译为一对玻璃杯还是一副眼镜?

查了查资料才明白,原来,a couple of glasses 既可以翻译为一副眼镜,也可以翻译为一对玻璃杯,关键在于动词是不是复数。注意这里用的是 are, 很显然,正确翻译是一对玻璃杯。而 DALL-E 2 中却有的图片生成出现了眼镜。

Imagen 更胜一筹。

文本位置展示

image.png

评:这个例子是希望在纽约天际上空,出现Hello World字样,并且伴有烟花。DALL-E 2 很明显出现了几处 Hellow world 的错误文本。此处Imagen又胜出。

除此之外,论文中还列举了很多例子,不多赘述。

Google凭借 Imagen 的出色发挥,可以说直接吊打了 DALL-E 2,并且顺便碾压了下另一个模型GLIDE。

总结下来就是一句话。

Google借着这篇论文,向其他文本-图像模型说了句:你们都是弟弟。

伦理问题

遥想2013年,快播兴盛至极,风头一时无两。几乎每个电脑的桌面上,都能看到一个红色圆圈的标志。

可突然之间,快播被禁,创始人被抓,锒铛入狱,只留下一句互联网上流传至今的名言:“技术是无罪的。”

没错,技术无罪。

但被滥用了,创始人就被抓了。

Imagen 同样面临这个问题。

你能想象一个人对着模型说。

嘿,给我生成一张吴某某的绯闻照片。

或者更细节的,生成一张吴某某和谁谁谁在哪里,干什么的照片。

想起了死亡笔记。虽然不至于致人身亡,即使莫须有的照片,但社会影响,足以让一个奋斗多年的人,身败名裂。造假的代价太小,而影响太大。

很显然,Google意识到了这个问题。

如果对文本描述不加限制,对图像生成不加限制。最终生成一些越来越真实并且带有社会危害性的图片,那不是Google想看到的。

于是,Google很聪明,做了一些声明。

首先,文本-图像的使用场景多种多样,并且很可能会影响社会,潜在的风险会让人们批判这个项目,因此决定不进行开源和在公开场合进行功能演示。

其次,文本-图像的生成需求,会导致大量各行业从业人员严重依赖AI模型和数据。同时,训练Imagen需要涉及到大量的数据集,包括色情图像、种族主义诽谤和有害的社会刻板印象等相关文件,会进一步增加模型和公众使用的风险,所以决定Imagen不对公众开放。

最后,文本-图像的评估方法还需要进一步研究,以消除社会和文化偏见。

声明的很好,我们的技术很牛,但我们不对外开放。

什么时候解决了社会伦理问题,我们再考虑公开。

One More Thing

《三体2:黑暗森林》中有一个画面。

当三体舰队到达地球时,所有的人类科技在三体文明面前都是渣渣,人类存亡危在旦夕。罗辑站在自己的坟墓前,拿着手枪,对着自己的脑袋,向三体人喊到:“我要和三体人通话。”

...

罗辑赢了,不费一颗子弹,利用他的社会宇宙学——黑暗森林法则,开启了人类与三体人共生共存的威慑纪元。

写到这,我意识到。

自然科学的发展与人文社会学的发展应该是相辅相成的。

自然科技发展快了,社会伦理跟不上,需要等一等。

尤其在人工智能,这种到处都有可能面临伦理道德风险的行业。

自然科学发展的再好,也逃脱不了社会伦理人文的约束。曾经的“学好数理化,走遍天下都不怕”的思想,需要审视一下了。

相关文章
|
25天前
|
人工智能 搜索推荐 API
node-DeepResearch:开源复现版OpenAI Deep Research,支持多步推理和复杂查询的AI智能体
node-DeepResearch 是一个开源 AI 智能体项目,支持多步推理和复杂查询,帮助用户逐步解决问题。
202 27
node-DeepResearch:开源复现版OpenAI Deep Research,支持多步推理和复杂查询的AI智能体
|
8天前
|
人工智能 监控 自动驾驶
Migician:清北华科联手放大招!多图像定位大模型问世:3秒锁定跨画面目标,安防监控迎来AI革命!
Migician 是北交大联合清华、华中科大推出的多模态视觉定位模型,支持自由形式的跨图像精确定位、灵活输入形式和多种复杂任务。
60 3
Migician:清北华科联手放大招!多图像定位大模型问世:3秒锁定跨画面目标,安防监控迎来AI革命!
|
21天前
|
机器学习/深度学习 人工智能 编解码
Lumina-Image 2.0:上海 AI Lab 开源的统一图像生成模型,支持生成多分辨率、多风格的图像
Lumina-Image 2.0 是上海 AI Lab 开源的高效统一图像生成模型,参数量为26亿,基于扩散模型和Transformer架构,支持多种推理求解器,能生成高质量、多风格的图像。
151 17
Lumina-Image 2.0:上海 AI Lab 开源的统一图像生成模型,支持生成多分辨率、多风格的图像
|
11天前
|
人工智能 Kubernetes 测试技术
SWE-Lancer:OpenAI发布衡量AI工程能力的「血汗标尺」!1400个百万美元任务实测,GPT-4o仅能赚2.9万刀?
SWE-Lancer 是 OpenAI 推出的基准测试,评估语言模型在自由职业软件工程任务中的表现,涵盖真实任务、端到端测试和多选项评估。
64 4
SWE-Lancer:OpenAI发布衡量AI工程能力的「血汗标尺」!1400个百万美元任务实测,GPT-4o仅能赚2.9万刀?
|
7天前
|
人工智能 数据可视化
文本、图像、点云任意模态输入,AI能够一键生成高质量CAD模型了
《CAD-MLLM: Unifying Multimodality-Conditioned CAD Generation With MLLM》提出了一种新型系统CAD-MLLM,能够根据文本、图像、点云或其组合生成高质量的CAD模型。该系统基于大型语言模型(LLM),通过多模态数据对齐和渐进式训练策略,实现了高效的CAD模型生成。作者创建了首个包含文本、图像、点云和命令序列的多模态数据集Omni-CAD,包含约450K个实例。实验表明,CAD-MLLM在多个任务上表现出色,特别是在点云条件生成任务中显著优于现有方法。未来工作将聚焦于提升计算效率、增加数据多样性及探索新模态。
92 18
|
4天前
|
人工智能
D1net阅闻 | OpenAI进军虚拟助手领域 AI智能体加速迈入商业化阶段
D1net阅闻 | OpenAI进军虚拟助手领域 AI智能体加速迈入商业化阶段
|
6天前
|
人工智能 搜索推荐 机器人
用户破4亿、企业客户翻倍!OpenAI的GPT-5将推进全球AI战争进入白热化阶段!
用户破4亿、企业客户翻倍!OpenAI的GPT-5将推进全球AI战争进入白热化阶段!
|
6天前
|
机器学习/深度学习 人工智能 机器人
AI成本革命:DeepSeek-R1与OpenAI的颠覆性突破重构企业智能新范式
AI成本革命:DeepSeek-R1与OpenAI的颠覆性突破重构企业智能新范式
|
2月前
|
机器学习/深度学习 人工智能 安全
GLM-Zero:智谱AI推出与 OpenAI-o1-Preview 旗鼓相当的深度推理模型,开放在线免费使用和API调用
GLM-Zero 是智谱AI推出的深度推理模型,专注于提升数理逻辑、代码编写和复杂问题解决能力,支持多模态输入与完整推理过程输出。
244 24
GLM-Zero:智谱AI推出与 OpenAI-o1-Preview 旗鼓相当的深度推理模型,开放在线免费使用和API调用
|
2月前
|
人工智能 编解码 自然语言处理
CogView-3-Flash:智谱首个免费AI图像生成模型,支持多种分辨率,快速生成创意图像
CogView-3-Flash 是智谱推出的首个免费AI图像生成模型,支持多种分辨率,快速生成高质量图像,广泛应用于广告、设计、艺术创作等领域。
78 6
CogView-3-Flash:智谱首个免费AI图像生成模型,支持多种分辨率,快速生成创意图像

热门文章

最新文章