【新智元導讀】國外小夥意外發現DALL-E新妙用，AI生成女友竟成逃避長輩催婚利器！？
自從AI圖檔生成技術爆火以後，各路玩家紛紛親自嘗試。
要不就是用AI做個頭像，要不就是生成一些奇思妙想的畫作。
但要我說，這些點子和今天的主人公Dinda比起來，簡直就是不值一提。
思路打開一點嘛。
用高科技應付長輩？
Dinda是YouTube的一名照片編輯，本着近水樓台先得月的原則，他每天就是和圖檔生成軟體打交道。
最近，Dinda遭遇了全世界大齡青年都會面臨的問題——來自長輩的催婚。
然而，Dinda小哥事業未就，怎能思慮兒女情長？可來自長輩的壓力又不能不管，那就隻剩一條路了——作假騙長輩。
在以前，作假是一件很麻煩的事，要找一個知根知底的異性朋友，約好來個一日情侶。見見家長，把兩邊都糊弄過去就算完。
但是不得不說，風險挺大的。一個大活人，可不能随時都配合着應付來自長輩的檢查。
Dinda想了一個妙招。如果自己能用DALL-E生成一大堆和女朋友合拍的照片，時不時給長輩發過去應付一下，不就行了？
Dinda打開了DALL-E，用圖像修複功能進行操作。該功能允許使用者擦除圖檔上的一部分，然後DALL-E會根據使用者輸入的文字來填補空缺的部分。
于是，Dinda整了點自己的自拍照，然後把身邊的空間擦了一塊，留下一個正好能放下自己假想的女朋友的位置。
接着，他在指令中輸入——一個有女朋友的男人。
然後，啪。
這還不算完，一般和修圖打交道的人都很重視細節。
為了讓生成的圖像更加的逼真，Dinda還把虛拟女友的臉給裁了下來，導出到一個叫GFP-GAN的人工智能照片編輯程式中。
通過這個程式，Dinda可以進行微調，把這張臉做得更逼真。之後再把微調過的圖像放到ps裡，再修一下，最後放回原始圖像。
這樣一來，生成的照片就無可挑剔了。
Dinda表示，「就算我告訴别人這張照片是生成的，90%的人也不知道哪裡是動過的。」
與此同時，他還示範了照片編輯人員如何使用同樣的技術在AI的幫助下把人去掉。
還是一樣的把要去掉的人身上塗抹一下，DALL-E就會生成一個替代背景出來。雖然背景很複雜，但是生成出來的圖檔也還可以。
超凡圖像生成工具！
DALL-E究竟是什麼呢？
我不允許還有人沒聽說過DALL·E。畢竟，現在都出到2代——DALL·E 2了。
這是一款由OpenAI開發的轉化器模型，全部的功能就是把「話」變成「畫」。
具體來說，DALL·E是一個有120億參數版本的GPT-3，被訓練成了使用文本生成圖像的模型。背後的資料集是文本-圖像的對應集。
比如上面這幾張圖，有戴帽子的狗，做實驗的熊貓，還有長得像星雲的狗狗。有沒有覺得，哪怕不合常理，但是并不違和？這就是DALL·E能做到的。說起DALL-E的源頭，其實是研究人員從GPT-3那裡得到了啟發。GPT-3是個用語言生成語言的工具，而圖像GPT則可以用來生成高保真度的圖檔。
研究人員發現，用文本來操控視覺，是可以做到的。也就是這樣，DALL·E成為了一個和GPT-3一樣的轉化器。
在此基礎上，研究人員又開始琢磨同時用文本描述多個物體，生成一張圖。這些物體各自的特征、之間的空間位置關系全都交給文字來描述。
比方說，輸入文本：一隻戴着紅帽子、黃手套，穿着藍襯衫和綠褲子的刺猬。為了正确生成對應的圖檔，DALL·E不僅要正确了解不同衣服和刺猬之間的關系，還不能混淆不同衣服和顔色的對應關系。
這種任務被稱作變量綁定，在文獻中有大量的相關研究。
可以說，DALL·E從1代到2代，就是這麼一個個小任務走過來的。最終能夠呈現的就是一個不錯的文本-圖像轉化器。
T2I究竟有多卷？
要說今年最火的AI便是多模态人工智能崛起。
上半年，文本生成圖像AI模型（T2I）各家争霸。
除了DALL-E，谷歌自家Imagen、Parti，Meta的文本圖像生成工具Make-A-Scene，再到現在大火的Stable Diffusion、谷歌文本3D生成模型DreamFusion都在擴充着文本轉圖像的應用。
先是4月，在GPT-3大模型的加持下，Open AI對畫圖界的扛把子DALL-E進行了2.0版的全面更新。
和上一代相比，可以說，DALL·E 2簡直就是直接從二次元簡筆畫走向超高清大圖：
分辨率提升4倍，從256x256提升到了1024x1024，并且生成圖像的準确率也更高！
5月，谷歌不甘落後推出AI創作神器Imagen，效果奇佳。
僅僅給出一個場景的描述，Imagen就能生成高品質、高分辨率的圖像，無論這種場景在現實世界中是否合乎邏輯。
6月，谷歌再次推出了新一代AI繪畫大師Parti。
要說Imagen和Parti不同地方，便在于采取了不同的政策——自回歸和擴散。
Parti是一個自回歸模型，它的方法首先将一組圖像轉換為一系列代碼條目，然後将給定的文本提示轉換為這些代碼條目并「拼成」一個新圖像。
7月，Meta公布了自家的AI「畫家」——Make-A-Scene，通過文本描述，再加上一張草圖，就能生成你想要的樣子。
最重要的是，構圖上下、左右、大小、形狀等各種元素都由你說了算。
可以看到，DALL-E 2、Imagen等仍然停留在二維創作，無法生成360度無死角的3D模型。
而谷歌釋出的文本3D生成模型DreamFusion便開辟了這一新路線。
訓練後的模型可以在任意角度、任意光照條件、任意三維環境中基于給定的文本提示生成模型。
而且整個過程既不需要3D訓練資料，也無需修改圖像擴散模型，完全依賴預訓練擴散模型作為先驗。
由此可見，在文本轉圖像這塊，各大廠已經卷上了新高度。
甚至有人稱，今年文本轉視訊AI模型暫時還不會到來。
沒想到的是，Meta和谷歌再次打破了這一預言。
T2V已來！
9月底，Meta最先公布了文本一鍵生成視訊模型Make-A-Video。
這一模型厲害到什麼程度？
除了可以把文本變成視訊之外，它也可以把靜态圖變成Gif、把視訊變成視訊。
這一模型釋出後，就連圖靈獎得主Yann LeCun稱，該來的都會來。
比如「馬兒喝水」，生成如下效果：
貓主子拿着遙控器在看電視
簡直AI導演上線。
緊接着10月，谷歌還是文本視訊模型兩連發。
先是Imagen Video，與Meta的Make-A-Video相比最突出一個特點就是「高清」。
它能生成1280*768分辨率、每秒24幀的視訊片段。
與此同時，還有Phenaki模型，讓騎馬的宇航員也動了起來。
這一模型能根據200個詞左右的提示語生成2分鐘以上的長鏡頭，講述一個完整的故事。
在文本轉視訊上，下一個誰會接棒？