Midjourney V6刷屏，但它最可怕的地方居然不是那些神圖？

　　本文來自于微信公眾號 硅星人Pro(ID:Si-Planet)，作者:苗正 王兆洋。

　　Midjourney在沉寂九個月后推出了Midjourney V6，這個文生圖產(chǎn)品體現(xiàn)出的更細膩的細節(jié)處理，更強大的語言理解能力和更加“不像AI”的圖片效果在過去幾天引發(fā)一片驚呼。

　　作為一個閉源的模型產(chǎn)品，Midjourney的魔法配方并不為人所知，但就像OpenAI和Google一樣它會在產(chǎn)品更新時發(fā)布官方技術(shù)公告，有心人還是可以從中一窺模型能力提升的技術(shù)原理。

　　而我們?nèi)グ橇税撬嘎兜男畔⒑螅l(fā)現(xiàn)這次更新的意義遠不止于大家曬的那一張張精美的圖片上…….

　　圖片模型的突破，卻靠的是語言模型能力?

　　“Midjourney v6作為一個“文生圖”模型，此次改進的核心能力卻來自其自然語言處理能力的提升。

　　這首先是對提示詞理解的’跟隨能力’的提升。在其官方文檔中，這被稱為“prompt following”。簡單來說，這就是指系統(tǒng)對用戶輸入的提示詞的理解和響應(yīng)能力。通過增強這一能力，Midjourney現(xiàn)在能夠更好地解析復(fù)雜的提示，無論是關(guān)鍵詞、命令還是問題，都能夠準確把握。

　　第二個顯著的更新是提示詞的長度。用戶現(xiàn)在可以輸入更長的提示詞。這一方面得益于上面提到的模型跟蹤能力的增強，另外則依靠模型連貫性的提升。

　　所謂連貫性，用一個經(jīng)典的故事就能解釋。A問B:“下午大掃除，你來嗎?”B說:“我去!我不去!”那么B的意思毫無疑問是不去，因為上文中的大掃除非常累，而B說的“我去!”在這里則表示驚訝，能夠準確理解這個對話，就叫連貫性。它確保了模型在處理用戶哪怕很復(fù)雜的指令輸入時，也能夠邏輯一致地響應(yīng)。

　　這兩個自然語言能力上的改進，Midjourney具體是如何做的?

　　在跟隨能力方面的改進，主要基于三個方面:

　　上下文管理，它通過分析上下文關(guān)系來更準確地理解用戶意圖;序列建模，利用循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)和長短時記憶網(wǎng)絡(luò)(LSTM)來捕捉對話中的長期依賴;以及交互狀態(tài)跟蹤，它持續(xù)追蹤用戶的目標、意圖和對話狀態(tài)，以確保系統(tǒng)響應(yīng)的連貫性。

　　這些改進看起來就像是一個大語言模型的進化中在做的事情。

　　但它畢竟是個文生圖模型，也就是語言能力和圖片能力結(jié)合的模型，這其實也給它在提升能力時帶來了優(yōu)勢——與語言模型的對話產(chǎn)品形態(tài)總是涉及隱私與所屬的問題不同，Midjourney v6生成的圖片目前來看，全部是公共資源。

　　也就是說你花錢買了服務(wù)以后，圖片是公共的，模型會生成兩份，你拿一份，V6的服務(wù)器(也就是V6discoard)也拿一份。那么Midjouney可以拿這些“實戰(zhàn)”反過來加入到自己的預(yù)訓(xùn)練大模型中，繼續(xù)訓(xùn)練模型以提高性能。

　　所以這還引出一個有意思的話題，如果文生圖因此而能夠源源不斷擁有更高質(zhì)量的數(shù)據(jù)來反哺到預(yù)訓(xùn)練階段，而數(shù)據(jù)真的成為模型訓(xùn)練的決定性因素后，是不是文生圖模型有可能訓(xùn)練出比大語言模型更強的語言能力?

　　在連貫性提升上其實就已經(jīng)有一點這個味道。對于大語言模型來說，想要提高連貫性并不簡單，涉及了多方面的因素。但是作為一個使用自然語言來生成圖片的模型，事實上簡化了過程，由于它不涉及與用戶進行持續(xù)對話，因此無需應(yīng)用束搜索等啟發(fā)式算法，也無需處理自然語言生成中的后處理問題，如語法校正和風(fēng)格調(diào)整。這種簡化使得Midjourney在提高連貫性方面只需專注于核心任務(wù)，從而顯著提升了其在理解和響應(yīng)用戶輸入時的邏輯一致性。

　　懂視覺的模型能有更好的文字能力?

　　圖像模型卻靠語言能力突破，這其實已經(jīng)不是第一次。此前同樣引發(fā)一陣騷動的Dalle3，也是如此。作為OpenAI的模型，背靠ChatGPT，語言能力自然更強。

　　在對比了兩者后我發(fā)現(xiàn)V6在語言理解上其實還是較DALL·E有一定差距。最明顯的地方就在于適應(yīng)性上。適應(yīng)性代表系統(tǒng)在能適應(yīng)不同用戶的語言風(fēng)格和表達方式，以及在面對新的或未見過的情況時保持響應(yīng)連貫性的能力。可能是DALL·E背靠ChatGPT，所以在對自然語言各方面的性能上會更優(yōu)異一些。

　　但Midjourney似乎也在瞄著ChatGPT為代表的語言模型的能力來進化。在此次的更新中，V6增加的另一個非常重要的能力，也與語言有關(guān)。Midjourney稱，其現(xiàn)在擁有了文本繪制能力，雖然依然較弱。

　　對于人工智能繪圖來說，能繪制文本無疑是一項重大進步。

　　這個能力并非像看起來那樣，直接來自模型里大語言模型的模塊。在官方更新里，文本繪制能力后緊隨的是圖像放大功能的更新。它們原理比較復(fù)雜，但本質(zhì)其實是同一個問題。

　　圖像生成模型在訓(xùn)練的時候所用的數(shù)據(jù)，是一些通過泛化和模糊處理的圖像內(nèi)容。我們都知道，分辨率越高的圖片數(shù)據(jù)量越大，反之，越模糊越泛化的圖片它的數(shù)據(jù)量就越小。人工智能理解圖片的方式和人類完全不一樣，他們是按照統(tǒng)計學(xué)的一個概念叫做“模式識別”，通過圖片中的特征來理解。使用泛化和模糊的圖片好處在于，小數(shù)據(jù)量的圖片讀取速度快，訓(xùn)練時間就短。但想要用這種訓(xùn)練方式來理解文字是非常難的，因為文字是一種符號，這種泛化處理對于圖像中的文字尤其不利，即使是微小的變形或模糊都可能導(dǎo)致文字難以辨認。同時，訓(xùn)練所使用的圖像分辨率很低，那么生成圖片時，分辨率也不會高到哪里去。

　　而Midjourney的訓(xùn)練方法，其實就是在訓(xùn)練它的圖像“放大”能力。它所使用的模型叫做去噪擴散概率模型(denoising diffusion probabilistic models)，這種模型通過模擬從噪聲中提取信息的過程來生成清晰的圖像。想象一下，就像我們用軟件修復(fù)模糊的老照片，Midjourney的模型也能夠從模糊的圖像中“學(xué)習(xí)”到清晰的細節(jié)。

　　也就是說，這是像Midjourney這樣的圖像模型一直在做的事情，訓(xùn)練越久優(yōu)化越久它的圖像“放大”能力就越強，也就會逐漸產(chǎn)生關(guān)于文字的生成能力。

　　在直覺上，這種能力肯定不如“純粹”的語言模型的語言能力，但一些研究已經(jīng)在給出不同的指向，在多模態(tài)領(lǐng)域很重要的模型VLMO的論文里就曾提到一個有意思的結(jié)論，當你完全拿一個在視覺數(shù)據(jù)上訓(xùn)練好的模型，可以直接對文本數(shù)據(jù)建模，甚至不需要微調(diào)就可以有很強的文本生成能力。但反過來用語言訓(xùn)練在視覺上生成，則差很多。

　　這是一種很奇怪也很有意思的現(xiàn)象，這一次V6似乎把它再一次輕微的展示出來了。而更重要的是在今天多模態(tài)大模型已經(jīng)成為未來最重要的趨勢時，一個圖像能力為主的模型產(chǎn)生文字能力給了走向多模態(tài)一個新的思路。

　　世界更精彩了。