0
| 本文作者： 王悅 | 2023-10-31 21:13 |
“這一波生成式 AI 技術的爆發(fā)，讓我們 AI 從業(yè)者看到了 AGI（通用人工智能）的曙光。”在聊到今年生成式 AI 的行業(yè)大勢時，F(xiàn)asion.AI 創(chuàng)始人程斌如此對 AI 科技評論說到。
坐在他旁邊的，是美圖影像研究院（MT Lab）負責人劉洛麒。在北京海淀的量子銀座大廈，這兩位在人工智能行業(yè)深耕十數(shù)載、目前均在生成式AI領域開拓的一線從業(yè)者，與 AI 科技評論一起，展開了一場別開生面的對談。
按輩分來算，程斌是劉洛麒的師兄，兩人博士均畢業(yè)于新加坡國立大學，師從人工智能領域國際頂級專家顏水成教授。師徒三人也曾與其他同伴一起加入 360，創(chuàng)立 360 人工智能研究院，將人工智能技術廣泛落地于智能硬件、金融風控、直播和短視頻等業(yè)務場景中。
2019 年，隨著顏水成離開 360，已經有過一次創(chuàng)業(yè)經歷的程斌，也離職開啟了自己的二次創(chuàng)業(yè)之路。其創(chuàng)立的 Fasion.AI，是國內較早利用生成式 AI 技術進行圖片和視頻內容生產的初創(chuàng)公司，尤其是在基于超寫實 2D 數(shù)字人的視頻內容合成領域頗有建樹，其產品已經在教育、營銷、直播、客服等領域廣泛應用。
兩年后，曾在博士期間主攻人臉、以“美顏”為主題拿到過 ACM Multimedia Best Paper Award 的劉洛麒，加入了國內最懂“美學” 、以“美”為內核的美圖公司，負責核心算法研發(fā)工作，帶領團隊不斷打造“ AI 時代的影像生產力工具”，并于今年推出國內首個懂美學的AI視覺大模型 MiracleVision，助力美圖近期業(yè)績和股價的雙重突破。
本次，針對時下大火的 AIGC 和數(shù)字人賽道，AI 科技評論請到了這兩位業(yè)界人士分享他們對于今天人工智能賽道的理解和洞見。
以下是 AI 科技評論與程斌、劉洛麒二人的對話實錄，AI 科技評論在不改變原意的前提下，做了編輯和調整。
AI 科技評論：大模型會是人工智能走向 AGI 的坦途嗎？
劉洛麒：目前來看，大模型應該是走在正確的方向上。我們可以進行一種生物學的類比，人類是基于碳基的生物，機器是由硅基制造，雖然兩者的底層是非常不一樣的，但最終硅基結構是否也有可能像碳基構造一樣，產生出一定的智能性？就像人類的大腦中大約有數(shù)百億個神經元，每個神經元都與其它數(shù)千個神經元相連，可以想象連接路徑的龐大與復雜程度。
大模型的參數(shù)量雖然能夠達到百億的量級，但是它連接的拓撲結構都是規(guī)整的，相對比較簡單，連接數(shù)也不夠多。如果有一天，大模型的參數(shù)量和連接數(shù)也達到或者超過人腦的規(guī)模，計算能力相比現(xiàn)在也有了極大的提高，那是否有可能實現(xiàn)跟人類大腦接近的智能，我們是可以憧憬下的。
所以，當大模型的理解、推理、學習等多種能力達到一定程度之后，也許就能實現(xiàn) AGI 了。人工智能的通用性在不斷提高，但要實現(xiàn)真正的 AGI 還需要時間。大模型也是我們邁向通用人工智能的重要一步，為未來的 AI 研究和發(fā)展開辟了新的道路。
程斌：回顧歷史，人工智能行業(yè)其實一直在追求AGI的道路上孜孜不倦，歷經了幾十年的研究和實踐才走到了今天。對于AI從業(yè)者來講，上一波深度學習 AI1.0 的時代，大多數(shù)人還是會用比較理智謹慎的態(tài)度去看待 AGI。
那個時候，我們能實現(xiàn)的更多還是在限定場景下的淺層智能，但是距離真正的通用人工智能還是挺遠的。然而這一波生成式AI技術的爆發(fā)，真正讓我們AI從業(yè)者感覺到 AGI 的曙光。
有個很典型的例子， NLP 在上一波深度學習時代并不是一個被解決得很好的問題，大家認為這個是極具挑戰(zhàn)的問題，因為牽扯到認知、理解、邏輯推理和生成這些復雜能力。但是大模型上來就在這個原以為最難的問題上取得了巨大的突破，甚至有一點降維打擊的感覺，這個給 AI 從業(yè)者們帶來非常大的震撼。
當然，目前我們距離真正的 AGI 還有明顯的難題等待解決，例如大模型還需要面對可解釋性不明確、輸出結果不可控、泛化能力不足、多模態(tài)能力局限等一系列問題，進而會帶來一些倫理和規(guī)范上的約束。
從現(xiàn)階段的發(fā)展來看，大模型雖然在提高自然語言處理、計算機視覺和其他任務的性能方面取得了顯著進展，但要實現(xiàn) AGI 仍有許多挑戰(zhàn)。它一定不是一帆風順的坦途，Transformer 架構也未必是最終形態(tài)，也可能會有新的技術和方向出來，再顛覆它。但是大模型確實是目前最有希望的方向，激發(fā)了大家對 AGI 的信心。
AI 科技評論：在大模型迭代的過程中，數(shù)據是天花板般的存在。當下大模型消耗數(shù)據的速度非常驚人，數(shù)據是否在短時間內被消耗完，大模型是否看到了天花板？
劉洛麒：我覺得當下社會中的數(shù)據量沒有窮盡。首先，生產者依然在源源不斷地產生新數(shù)據，包括文本、圖像、視頻、音頻等等多種模態(tài)，比如短視頻平臺每時每刻仍然在生產新的視頻內容。
客觀物理世界的數(shù)據描述可以是多層次，多模態(tài)的，交互式的。對于同一個物理事件，我們可以在不同精度下的時間、空間等坐標系下去對應描述，也可以通過多種感知手段下去記錄（視覺、聽覺、觸覺等），不同物理事物和事件的交互行為又幾乎是無窮的。而這些都是通向 AGI 所需要的數(shù)據記錄，
事實上，大規(guī)模的優(yōu)質數(shù)據才是實現(xiàn)算法突破的關鍵因素，而優(yōu)質數(shù)據目前其實還處于挖掘初期。我們還需要思考，已有的數(shù)據資源是不是真的挖掘到位，數(shù)據是否已經物盡其用？
如現(xiàn)在大多數(shù) LLM 是基于純文本進行訓練，而人類所感知的外界信息70%以上來自視覺，如何更好的實現(xiàn)語言、圖像、視頻、聲音等多模態(tài)間的結合也將是大模型未來的探索方向。
目前大模型使用的數(shù)據還是更多是單一孤立的，缺少更豐富的數(shù)據表述，近期 OpenAI 新推出的多模態(tài)模型 GPT-4v 已經能聽語音，理解圖片，但我們在這個方向上也仍有很長的路要走。
程斌：當下人工智能消耗數(shù)據的速度是非?？膳碌摹Ｎ覀€人覺得，如果設想的道路可以被打通，有可能有一天物理世界數(shù)據的生產速度真的會跟不上人工智能學習的速度。
當然，我很認同洛麒說的點，現(xiàn)在很多數(shù)據可能真的還沒有更好地去應用它。當下數(shù)據采集和存儲的范圍、力度都還沒有達到邊界，數(shù)據處理的質量也有待提高，尤其是數(shù)據的使用還牽扯到隱私性和安全性，這些都是需要去逐步解決的問題。
最近也有不少公司去利用 AI 生產數(shù)據，對這個我還是比較謹慎地去看待的，因為擔心會不會陷入到數(shù)據繭房中。這里面有一個很重要的前提，AI 的邏輯是不是代表了整個客觀物理世界的邏輯？
如果 AI 僅僅代表了物理世界的一部分的邏輯，那 AI 合成的數(shù)據最后都將陷入一個局部最優(yōu)解，而喪失了全局的判斷，這可能導致 AI 系統(tǒng)在不同環(huán)境下的泛化能力受限。
這里正好引出一個非常有意思的問題，就是這次人工智能浪潮為什么會從語言大模型先突破？
有一個很重要的原因就是，文本和語言已經經過了人類幾千年的積累，是被精煉和壓縮過的知識性數(shù)據。這些文本數(shù)據具有非常高的信息密度、豐富性和完整性，大模型在學習的時候直接邁過了信息提煉這第一步過程，其學習效率大大提升。
相比之下，圖像跟視頻是從物理世界直接獲取的數(shù)據，沒有經過類似的精煉過程，它們與文本和語言的信息密度是完全不一樣的。所以，現(xiàn)在我們還沒有真正能夠挖掘到現(xiàn)實世界中海量圖像和視頻中所蘊含的更豐富的知識。如果這一步能夠突破，那距離實現(xiàn) AGI 會更近一步。
AI 科技評論：如何看待當下的這波 AIGC 創(chuàng)業(yè)潮？
程斌：這波 AIGC 的創(chuàng)業(yè)潮發(fā)展還是非常迅猛的，從今年二三月份的時候底層大模型公司被追捧，到五六月份大家逐漸關注應用層面，在營銷等最直接落地的領域開始嘗試，再到七八月份涌現(xiàn)出不少傳統(tǒng)行業(yè)結合大模型進行自我升級的典型案例，比如在旅游、教育、醫(yī)療、跨國人力資源等領域，已經有一些敏銳的傳統(tǒng)行業(yè)創(chuàng)業(yè)者開始擁抱大模型。未來五年內，AIGC 領域的創(chuàng)業(yè)公司一定會如當年互聯(lián)網和移動互聯(lián)網創(chuàng)業(yè)潮那樣涌現(xiàn)。
不過，相比較上一波 AI 創(chuàng)業(yè)潮，最近這一波技術爆發(fā)有一個很有意思的點，大模型把原來很多我們認為不可解或者解不好的問題變得可解了，但同時，解決問題的技術門檻也被大大拉低。
我以前一直說，AI 這樣的應用科學領域很難去構建所謂的技術壁壘。但是，以前我們還能多多少少通過一些差異化的技術點，在一些細分領域形成一定的技術門檻，現(xiàn)在這一門檻被大大削弱，這更加考驗創(chuàng)業(yè)團隊對業(yè)務的理解能力、運營能力和商業(yè)化能力。
從某種意義上講，這一波 AIGC 的真正受益者其實是原來已經形成商業(yè)閉環(huán)的企業(yè)，比如美圖，即原來的業(yè)務有流量、有場景、有商業(yè)化邏輯，然后用 AIGC 來更好地降本增效，提升和改善原有的產品體驗，甚至進一步拓展更加豐富的商業(yè)化產品。
劉洛麒：是的。美圖擁有影像行業(yè)第一的用戶心智，用戶規(guī)模強大，大模型冷啟動的獲客成本低，基于大模型的 AI 技術也讓我們可以很快地將構想落地驗證，也帶來非常正向的用戶反饋，還能在短時間去驗證產品成功與否，減少了大量的時間和人力成本投入，更重要的是減少了很多的不確定性。
而對于用戶來說，AIGC 是前所未有的，這對于用戶群體的吸引力是非常強的，用戶也有足夠的動力去嘗試，這也提高了付費訂閱意愿。
目前業(yè)界雖然有許多開源的大模型，但具體業(yè)務場景下的大模型的開發(fā)依然存在一定的門檻。數(shù)據、算力、算法是決定大模型質量的“三駕馬車”，大模型依賴成熟的算力基建，訓練和推理則需要強大的算法和計算能力，還需要龐大的數(shù)據量和優(yōu)質的數(shù)據質量，數(shù)據質量的高低很大程度上決定了模型能力的上限，而這些正是美圖的優(yōu)勢所在。
另外，大模型的布局需要找到合適的切入場景，對業(yè)務賦能，也能夠對外輸出能力。比如美圖通過 AIGC 推動了 AI 繪畫、AI 動漫、AI 商品圖、AI 模特試衣等等功能應用落地，同時基于大模型重構了美圖過去 15 年的產品，從生活場景延伸至生產力場景。
依托美圖 AI 開放平臺，以 API 和 SDK 的方式，為行業(yè)客戶提供提供大模型的商業(yè)使用模式。2023 上半年，在 AIGC 推動下，美圖在 AI 圖片、AI 視頻、AI 設計等領域持續(xù)創(chuàng)新，推動 VIP 訂閱收入大幅增長，VIP 會員數(shù)超 720 萬，同比增長 44％，創(chuàng)下歷史新高。
AI 科技評論：以 AIGC 為主攻方向的創(chuàng)業(yè)公司要想突出重圍，有哪些關鍵要素是必須具備的？
劉洛麒：其實 AIGC 領域的公司要想突出重圍的話，不僅僅是技術問題，更關鍵的是需要把技術和應用場景相結合起來。
但是當下存在的一個現(xiàn)象是部分公司對大模型實際的應用場景考慮得不夠深入，技術的落地有一定難度。做好大模型很重要，但如何用好大模型其實更加重要。
我們不能只關注大模型的數(shù)據量、參數(shù)量這些技術指標，更要抓住應用場景的核心需求，并且在商業(yè)模式上得到驗證。預訓練大模型是基礎設施，大模型的下一步是走向多模態(tài)。
如何實現(xiàn)在不同行業(yè)、垂直領域、功能場景的部署與應用，讓大模型真正走向產業(yè)、走進實體，解決企業(yè)與行業(yè)面臨的現(xiàn)實問題，是更值得關注的領域。
程斌：創(chuàng)業(yè)公司在技術層面再去卷基礎大模型的意義已經不大了，現(xiàn)在市面上已經有很多開源的大模型做得很好，直接調用就可以，而且做基礎大模型還是有一定的門檻的，這讓后來者很難再入局并取得優(yōu)勢。
現(xiàn)階段，如果要打出差異化，一定是將生成式 AI 技術與具體業(yè)務做深度融合，而不是浮于表面的做一些簡單的應用。剛才我也說了，有一些敏銳的傳統(tǒng)行業(yè)創(chuàng)業(yè)者已經開始擁抱大模型。他們熟悉行業(yè)，了解需求，一旦利用好大模型這樣的先進生產工具，發(fā)展會非常迅猛。
不過，正如我以前說國內 SaaS 行業(yè)存在的一個問題，大模型應用領域也有可能同樣存在，那就是生產工具的變革能否真正帶來生產關系的改變，進而真正提高生產力。
打個比方說，如果傳統(tǒng)行業(yè)應用是馬拉車，那么結合先進生產工具，很多時候貌似我們打造出來一輛小汽車，但是并沒有真正改變商業(yè)模式當中的某些痛點環(huán)節(jié)，還是在沿用傳統(tǒng)方式在運營，那無非就是從馬拉車變成馬拉小汽車，并沒有能夠讓它靠先進發(fā)動機和燃料跑起來，沒有真正形成商業(yè)模式和生產力的變革。
所以，在大模型這樣顛覆級的技術突破下，我們也希望看到更多行業(yè)能夠真正從馬車升級到小汽車，靠著先進發(fā)動機和燃料實現(xiàn)突破。這需要更多的創(chuàng)新和深度融合，以確保技術不僅僅停留在表面，而是真正為企業(yè)和社會帶來持續(xù)的價值和進步。
當然，對于技術型初創(chuàng)公司來說，AIGC 也不只是大模型這一條路。大模型更多是以數(shù)據為支撐，能產生豐富多樣的內容。但在一些樣本量小、功耗資源少、對實時性有一定要求的場景中，其他技術路徑，比如生成對抗網絡（GAN），仍然存在差異化的優(yōu)勢。
雖然在 Diffusion 和 Transformer 出來之后，GAN 有點被冷落了，但在一些小而美的應用場景中，它仍然具有一定優(yōu)勢的。此外，自監(jiān)督學習、強化學習、元學習等方法也可能在特定領域或任務中提供了新的機會和優(yōu)勢。
因此，AIGC 領域的技術創(chuàng)新是多樣化的，創(chuàng)業(yè)公司應根據其業(yè)務定位、市場需求和資源狀況，選擇適合其需求的技術路徑。
AI 科技評論：美圖做 AIGC 和大模型有什么獨到之處？
劉洛麒：美圖的大模型確實是不同于其他廠商的。絕大部分 AI 公司做大模型大多更強調數(shù)據量和參數(shù)規(guī)模，而美圖做大模型的創(chuàng)新點在于“懂美學”。
通過融合多年來積累的美學認知，美圖為大模型搭建了基于機器學習的美學評估系統(tǒng)，為模型的生成效果打上“美學分數(shù)“，從而不斷地提升模型對美學的理解。
美圖視覺大模型的三大優(yōu)勢：第一，擅長亞洲人像攝影，二是將中國傳統(tǒng)文化元素融入現(xiàn)代設計中，為創(chuàng)作賦予獨特的東方韻味；三是在商業(yè)設計領域的應用價值，設計師可以在美圖視覺大模型等幫助下，快速地創(chuàng)作出具有創(chuàng)意和美感的作品。
現(xiàn)在，美圖視覺大模型 MiracleVision 作為美圖 AI 產品生態(tài)的底層支撐，在為美圖全系產品提供 AI 模型能力。
AI 科技評論：數(shù)字人和大模型之間的關系是什么？
程斌：目前在很多場景中，語言大模型生產的文本內容在和外界的交互過程中，單純的文本呈現(xiàn)形式相對比較單一，經常需要多樣性和形象化展現(xiàn)形式，可視化呈現(xiàn)變得尤為重要，而數(shù)字人則是最優(yōu)的解決方案。
數(shù)字人結合語言大模型，不僅可以理解和生成語言和文本，還可以具備虛擬的外觀、聲音和行為，使交互更加生動和自然，為用戶提供了更富有情感、更具個性化的交互體驗。而在未來，當 AGI 真正實現(xiàn)的時候，數(shù)字人是 AGI 最自然的展現(xiàn)形式和交互方式。
AI 科技評論：當下數(shù)字人市場中有 2D 和 3D 兩種技術路線，實踐的過程中，面對這兩種路線要如何抉擇？
程斌：2D 和 3D 數(shù)字人應該說各具特色，各有其適用的場景。
3D 數(shù)字人走的高端精品路線，通過設計或拍攝、建模、渲染、面部、骨骼綁定、動捕驅動等一系列流程完成資產制作及內容生產。
要創(chuàng)建一個超寫實、高精度的 3D 虛擬數(shù)字人，需要專業(yè)的工程師使用專業(yè)的設備和軟件進行精細化制作，其生產成本較高、周期較長?，F(xiàn)階段，很多公司利用AI技術進行 3D 數(shù)字人的輔助創(chuàng)作，大大提高了其生產效率，但是依然造價不菲。此外，3D 數(shù)字人資產制作僅僅是初期的一次性投入，后期的運營成本也不低，其內容制作也需要專業(yè)團隊持續(xù)跟進。
過去 3D 數(shù)字人更多被影視和游戲行業(yè)所使用，這幾年因為元宇宙等概念的興起，很多品牌也開始推出自己的數(shù)字代言人，但是行業(yè)中也出現(xiàn)過 3D 數(shù)字人在制作完成之后品牌方缺乏持續(xù)運營能力的狀況，造成大量 3D 資產的閑置和浪費。
另外，3D 數(shù)字人更強調其 IP 屬性，IP 和內容是 3D 數(shù)字人的核心。某種意義上說，人們并不太關心 3D 數(shù)字人是哪家技術公司做的，更關心其 IP 和運營權在誰手里。因此，IP 和內容是 3D 數(shù)字人的核心，決定了它們的吸引力和商業(yè)潛力。
而 2D 數(shù)字人相比較 3D 數(shù)字人來說，有它固有的一些劣勢。比如，2D 數(shù)字人本身并不像 3D 數(shù)字人那樣是一個完整的資產。它只采集了人的正面信息用于訓練合成，無法像 3D 數(shù)字人那樣可以從任意角度去生成各種復雜動作，僅僅只能完成正面口播和一些簡單預置動作的交互，其生成的內容相對于 3D 數(shù)字人來說會比較單一，其應用場景也會相對受限。
但是，正所謂“尺有所短，寸有所長”，與3D數(shù)字人相比，2D 數(shù)字人也有其天然的優(yōu)勢。
首先，2D 數(shù)字人的制作和內容生產完全是由AI算法合成的，其生產效率和生產成本比 3D 數(shù)字人有極大的優(yōu)勢。我們 Fasion.AI 目前打造的 2D 數(shù)字人可以做到實時驅動和交互，整體的生產成本不到 3D 數(shù)字人的十分之一。
其次，2D 數(shù)字人的模型制作以及后續(xù)內容生產，都是基于真人拍攝的視頻訓練而成，其呈現(xiàn)效果幾乎與真人一模一樣。而 3D 數(shù)字人目前因為技術所限，其渲染結果始終距離真人還有一些差距 。在一些對人物真實性要求比較高的場景下，2D 數(shù)字人還是有其先天的優(yōu)勢。
因此，2D 數(shù)字人特別適用于高頻次、低成本、批量化進行增量內容合成的場景，比如教育、營銷、客服、直播等領域。某種意義上說，相比較 3D 數(shù)字人較強的 IP 屬性， 2D 數(shù)字人在很多場景下其實是在去 IP 化，并不特別強調其IP屬性，而是更強調它快速進行內容生成的能力。
我們 Fasion.AI 目前已經完成了整套自主知識產權的 2D 數(shù)字人的能力搭建，包括基于 2D 數(shù)字人的短視頻離線合成、互動直播、實時交互、私有化部署等，口型合成的準確率超過 98%，可實現(xiàn)幾十種語言的實時驅動和無縫切換，實時交互的延遲最低可達到 500 毫秒以內，在業(yè)內均處于領先地位。
特別是我們推出的“云影”小樣本數(shù)字人，僅需要 3 到 5 分鐘的訓練視頻，就可以快速為客戶打造專屬數(shù)字人，極大的降低了數(shù)字人的生產和使用門檻。
目前，我們已經為客戶打造專屬 2D 數(shù)字人數(shù)百例，客戶行業(yè)涵蓋教育、營銷、金融、保險、客服、直播、黨建、主持等領域，并與華為、360、昆侖萬維、智譜華章、高途、標貝、云知聲等大模型和行業(yè)公司都展開了深度合作。
劉洛麒：美圖的 AI 數(shù)字人走的是另一條路徑。我們主要服務于視頻內容創(chuàng)作、影視處理與剪輯等生產力場景，主要側重在 3D 數(shù)字人領域。我們的 3D 數(shù)字人跟傳統(tǒng)的數(shù)字人不太一樣，是更加偏向特效場景的 3D 數(shù)字人，對于一些短視頻的制作非常有幫助。
美圖在今年8月正式上線的AI數(shù)字人生成工具——DreamAvatar。首期推出“AI 演員”功能，數(shù)字人的生成不需要專業(yè)設備，一臺手機就能輕松搞定。
用戶只需要將拍攝好的視頻素材導入，并指定視頻里的人物，就能夠進行人體檢測、跟蹤、擦除、替換、背景修復，自動把真人替換成數(shù)字人，做到動作于真人完美同步。通過相機姿態(tài)估計和跟蹤，以及光照估計算法，數(shù)字人和環(huán)境的融合變得更加自然，而且更具真實感。
目前我們共推出了機器人、獸人、類人三大題材，共計 11 個不同風格的數(shù)字人形象，每個題材從造型風格、渲染風格都做了不同方向的細化。未來我們也會提供更多的數(shù)字人形象，并考慮與用戶輸入的形象進行結合，為用戶提供多樣性的體驗和選擇。
此外，我們也在探索 3D 大模型的實現(xiàn)路徑，將人物、物品的 3D 形象自動建模出來，從文生圖，到文生視頻，再到文生 3D，這也是美圖在多模態(tài)領域努力的一個方向。
雷峰網(公眾號：雷峰網)雷峰網雷峰網
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
