从原理聊起：AIGC能否替代真正的内容创作者？
一、几个问题
AIGC 近期成了热点，不少小玩法开始出现在小红书，比较流行的是头像二次元化，效果较好。高端局一般会用 Stable Diffusion，MidJourney 这样的工具来生成 AI 画作。
AIGC 是 Artificial Inteligence Generated Content （人工智能生成内容）的简称，实际当然不止是画画。包括声音、图像、视频，是都可以用类似的技术生成的。
（可以在这里看到一些视频的示例：le/video/）
作为破圈的先锋，AIGC 的画作还是更令人震撼：
（Dall-E2 的：/dall-e-2/）
（少楠用 Midjourney 绘制的图像，输入的描述是：Ultra realistic tree with green beech leaves， stunning forests in the background， sunrise light， art by Greg Rutkowski Alphonse Mucha Rien Portvliet， 8k --ar 16:9 --testp）
于是，有关 AIGC ，引来了几个有意思的问题的讨论：
- AIGC 能否替代真正的创作者？
- AIGC 是否意味着人工智能的质变？
- AIGC 能解决哪些问题？不能解决哪些问题？
我自己有一些观察，跟大家分享下。
二、机器学习原理
我大学读研时的老本行就是机器学习，做过一些项目，略有了解，试着用白话简单说下机器学习的逻辑。
我们可以设想一下，科学家观测一个现象后，总结出定律的方法。
古代科学家认为天圆地方，这是最直观的推测，因为太阳月亮星星的运转用这个解释是合理的；后来观测到了地球是球型，那地心说就是直观的逻辑；再后来观测到了更多天文现象，就知道太阳才是太阳系中心，地球是公转中做自转的。
这个演进是符合一个逻辑的：依据当前的信息，解释一个现象，用最简单的方式。新的现象出现，解释不了了，再加入别的因子让它变复杂，再解释新的现象。
机器学习正是如此。
我们要识别一个人会不会买口红，最直观的方法就是判断 ta 的性别，是女性，就有更大的概率会买口红。人的属性千变万化，但性别就是我们判断“买口红”这个命题的“特征提取”。我们到这个规律以后，就能用性别作为特征，建立模型。
输入用户资料 - 提取性别并判断 - 输出
现实情况更加复杂，可能男性也会买，往往是在逢年过节的时候送礼用。那么性别（男） 购买日期（临近节日），也能成为重要的特征，我们就要引入新的特征向量，即购买日期。
输入用户资料 - 提取性别&购买日期并判断 - 输出
根据新的用户资料和购买行为，我们持续会发现新的特征有利于我们的判断。于是就引入更多新的特征，比如除了公共节假日，可能还要看用户女朋友/家人的生日；比如女性里面，购买口红概率更大的，可能会出现在某个年龄段，等等。这样“特征”就越来越多。
输入用户资料 - 提取性别&购买日期&年龄&....... 并判断 - 输出
我们输出的结论肯定就越来越准确。这就是机器学习运作的基本逻辑。
即然要提取这么多特征做判断，就要看不同的特征影响输出的程度有多大。性别和年龄可能权重大一些，其它的可能权重小一些。怎么判断呢？肯定不能人为，那就要训练一个模型。
机器学习的模型就是投入我们认为筛选出来的特征维度（性别、年龄等）、大量的正向和负向的案例（训练集），让机器学习出一个极度复杂的公式，公式来解释每个特征影响结果的程度。
这里面训练集的规模就成了重点，案例越多肯定越准确。在过去的时代，很多训练集是需要人工标注的，标注员会跟富士康的工人一样算是劳动密集型的工作，去判断这个案例是正的还是负的。比如文字识别，这个字是哪个字？图像分类识别，这是猫还是狗？一段翻译，是否翻译准确？
这也是为何互联网公司团队往往拥有最好的“算法”。当我们提到算法好的时候，大部分情况下其实讲的是这个公司的机器学习模型准确度高，这个准确度来源于公司收集的大量用户行
为数据，用户是在用准确的行为免费帮企业做标注，比如购买消费行为、浏览点击行为，等等。
此为机器学习的原理。当然这是白话说的，具体怎么提取特征、怎么判断权重和因子间相互的影响、怎么分类、怎么建模等等，其实是很复杂的技术操作。
聊三、深度学习与 AIGC 原理
机器学习发展到 21 世纪，计算机的性能大幅提升，开始演化出深度学习（Deep Learning）。
深度学习之所以是“深度的”，就因为除了能学习模型怎么做精确，还能学习怎么建模本身。
前面讲的案例里，我们要识别一个人会不会买口红，还是从“生活观察”出发，去猜想，诶，这个特征是不是有关系？那个特征是不是有关系？
深度学习的逻辑不需要判断，就是一股脑把所有的信息，转化成数据投入进深度学习的模型里去，它会自己去判断哪个有用、哪个没用。
这样的好处是很显然的：能覆盖更多的特征、能采集更多的数据。并且由于深度学习的算法是可以叠加很多层次的，就能解决更复杂的场景、更复杂的数据。
所以深度学习的效果会明显变好。
（一个 卷积神经网络，即 convolutional neural network 、CNN 的示意图，来源 CSDN）
像我们举的例子，还是单一维度的判断，会不会买口红。而深度学习就可以到图像领域、视频领域了，可以处理大量像素的值、位置等等问题。
但深度学习也会存在一个问题，就是既然绕过了人为提取特征、人为判断规律，就会让深度学习的模型，几乎不存在可解释性。就相当于这是一个黑盒，我们知道它每次能给出准确的答案，却不知道它为什么给；甚至我们拆开盒子，看到里面大量的函数、公式和逻辑，也会觉得莫名其妙——有可能要判断会不会买口红，有个因子是这人右脚的脚趾头是不是有胎记。
在深度学习领域中，2014 年横空出世了一款全新的算法，生成对抗网络(GAN， Generative adversarial network)。它在后来的 AIGC 领域所向披靡，大受欢迎，效果极佳。而它的原理
甚至很有文学性。
GAN 解决这个问题的方式是，放一个老师，跟学生博弈。模型就像一个学生，给出考题的答案，老师来判断正误，直到满意；老师满意以后，学生对老师不满意了，觉得这些题太简单，老师你得出点更难的题目，我还得继续提升成绩呢，于是老师也要进步，给新的考题，直到学生几乎答不出来；接下来学生继续努力学习、答题，到了阈值后，老师继续学习、出题......循环往复，就像 GAN 的名字里所述，对抗的模式来共同提升。
这个算法的逻辑就是：竞争才能使人成长。
（在原始图像基础上，用 GAN 生成的一些实例。来源：/mirrors/yenchenlin/pix2pix-tensorflow）
它的具体实现当然又更加复杂了。我们只需要知道，它在图像方面，有最出的表现，很适合基于原始内容（噪音）、补充和丰富细节。
GAN 是 AIGC 最常用的机器学习算法之一，另外一个常用的是 diffusion model，在某些方面很像，比如也是适合基于原始内容（噪音）来生成内容。文章一开头的那几张图，就是基
于 diffusion model 原理的。
所以总结下就是，机器学习的发展过程中，大大简化了人工参与的环节和步骤、丰富了输入和输出的维度及准确性，继而从“会不会买口红”这样简单的问题，进化到了可以生成一幅宠物的照片、一段以假乱真的视频、一条模仿某人的声音。（推荐英剧《真相捕捉》，讲的是围绕 Deepfake 这类技术的罪案故事。）
这个过程中，很多公式和模型的复杂性已经到了难以解释，甚至无法去遍历和阅读的程度。聊到这，可能诸位也能有一种感受：这些年机器学习的进展飞快，不过仍然都围绕在最初机器学习的原理上——通过海量的数据训练机器，让机器能更好地预测概率。
四、统计、概率、训练与经验主义
我们换个视角，用更形象的表述，可能有助于理解机器学习是怎么实现我们看到的人工智能的。
自然语言处理/机器翻译领域，我们目光所及的翻译工具，用的方式可以这么理解，比如是中文翻译到英文，机器做的事情是：
∙当给出的第一个中文词出现的时候，翻译是哪个英文词的概率更大？
∙当给出的第二个中文词，出现在第一个中文词后面的时候，翻译是哪个英文词的概率更大？
∙......
类比到 AIGC 领域，比如我们要画一个小狗，机器做的事情是：
∙当给出的关键词是小狗的时候，第一个像素点在哪个位置、哪个颜的概率更大？
∙......
∙当画完脸部后，它有没有耳朵？
∙有的话，有几只耳朵的概率更大？
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论