几十年前，柯达说出了那句经典的广告语，“你负责按快门，剩下的交给我们”。在未来，AI 兴许也会打起类似的广告，“你什么都不用干，剩下的交给我们”。

人工智能领域缺钱，但这两个月来，他们不缺“好消息”。

Google 母公司 Alphabet 旗下的 DeepMind，先推出了蛋白质结构预测 AI——AlphaFold 2，为困扰了生化学界 50 年的难题提供了解决思路；接着又发论文介绍“进阶版 AlphaGo”——MuZero，这个 AI 能在完全不知道棋局规则和人类知识的情况下，自己摸索，决策，并赢棋。

2021 年的第一周还没过去，AI 就再次向人类发起了“挑衅”。

AI 研究机构 OpenAI，继去年部分开放了 AI 模型 GPT-3 并引爆整个科技圈之后，又于近期连发了 DALL·E 和 CLIP 这两个连接文本与图像的神经网络。它们刚一面世，就点燃了整个 AI 社区。因为人们发现有了这些神经网络，就能通过自然语言操纵视觉概念，比如，你输入“一把牛油果造型的扶手椅”，它们就能通过图像合成，“凭空捏造”出一系列的目标图像。

什么是人工智能的未来？《麻省理工科技评论》认为就是“那把牛油果造型的扶手椅”，因为 AI 又往“构建多模态 AI 系统”这个长期目标又迈近了一大步。

“干掉”程序员后，AI 又对艺术家下手了

DALL·E 率先在社交网络上刷起了屏，因为人们放出了很多看起来像凭空捏造的合成图，比如“立方体状的豪猪”、“由乌龟变成的长颈鹿”和“竖琴状的蜗牛”，这些就像是超现实主义画家萨尔瓦多·达利在梦里会看到的奇异造物。有意思的是，DALL·E 也正是“Dalí”和皮克斯动画形象“WALL-E”的合成词。

竖琴状的蜗牛

DALL·E 是 OpenAI 基于 GPT-3 开发的一种“用字生图”的 AI。GPT-3 本质上是一个自然语言处理（NLP）模型，机器就是依靠 NLP 理解了我们平时说的“人话”。在 1750 亿参数量基础上的 GPT-3，展现出了惊人的翻译、问答和文本填空能力，写出来的新闻甚至通过了图灵测试，人们分辨不出是人还是机器写的。

GPT-3 可扩展性非常强大，甚至可以用在无代码开发领域。无代码就是就是不用敲代码也可以直接生成程序，而 GPT-3 就是强大的无代码开发平台，只要对它输入你想要什么样的网页或者 app，它就能帮你直接生成。因此，业内认为基层码农将会被 AI“干掉”。

而 DALL·E 是 GPT-3 的一个小版本，使用了 120 亿个参数。它使用的是“文本-图像对”的数据集，而非像 GPT-3 那样广泛的数据集。“从原理上来看，它应该就是 GPT-3 在文本合成图像方向上的扩展版本。”Keras 创始人 Fran?ois Chollet 表示。

DALL·E 可以利用自然语言从文字说明中“捏造”图像，就像 GPT-3 创建网站和写故事一样。DALL·E 生成复杂图像的表现，让人惊喜，比如下面这则包含多个要素的目标文本：“一只戴着红帽子、黄手套、蓝衬衫和绿裤子的刺猬”。

要正确地解释这句话，DALL·E 不仅要正确地将每件衣服与动物组合在一起，还要将（帽子、红色）、（手套、黄色）、（衬衫、蓝色）和（裤子，绿色）形成各种联想，而且还不能混淆它们。

这张图显示了 DALL·E 掌握了理解相对定位、堆叠对象和控制多个属性方面的能力｜OpenAI

因为足够强大的 NLP 底层，DALL·E 还能执行多种图像到图像的翻译任务，比如“参照上面的猫在下面生成草图”、“画出和上面一样的茶壶，并在茶壶上写上『GPT』”等等。除此之外，DALL·E 也能理解地理事实，生成让人信服的“中国食物的图片”，它甚至也能理解“时间”，画出从 20 年代起发明的电话，甚至联想未来的手机。

中国食物

各个年代的手机

另外，它还能根据文字指令“看日出的水豚鼠”，生成诸如波普风格、超现实主义风格、浮世绘风格等不同艺术风格的画作，还能渲染出各个角度下美洲狮的细节。

看日出的水豚鼠

Coursera 创始人、斯坦福大学教授吴恩达还特别对 OpenAI 表示祝贺，并挑选了自己最喜欢的“蓝色衬衫 + 黑色长裤”的 AI 生成图。DALL·E 能不能成为艺术家不敢说，但成为 AI 大神的着装参谋，绰绰有余。

吴恩达的 Twitter

一个生成图像，一个匹配文字和图像

但 DALL·E 目前也存在局限，比如当人们引入更多的对象时，DALL-E 容易混淆对象及其颜色之间的关联。另外，用意思相同的词重新表述指令，生成的图像也不一致。还有一些迹象表明，DALL·E 只是在模仿它在网上看到的图片，而不是生成新颖的图像。

而 OpenAI 同期发布的 CLIP（Contrastive Language–Image Pre-training），则是为了加强文本和图像的关联程度而诞生的。CLIP 是一个从互联网上收集的 4 亿对图像和文本来进行训练的多模态模型。

CLIP 使用了大量可用的监督资源，即网络上找到的文本-图像对。这些数据用于创建 CLIP 的代理训练任务，即给定一张图像，然后预测数据集中 32768 个随机采样文本片段中哪个与该图像匹配。

简单来说，CLIP 能根据视觉类别名称，自己分类图像，创新点在于它学会了识别图像，而不是像大多数现有模型那样，通过数据集中的标签（比如“猫”或“香蕉”）识别图像，而是从互联网上获取的图像及其标题中识别图像。

CLIP 瞄向的，就是当前深度学习的两个“痛点”：一是数据集构建成本高昂；二是数据集应用范围狭窄。具体来说，深度学习需要大量的数据，而视觉模型传统上采用人工标注的数据集进行训练，这些数据集的构建成本很高，而 CLIP 可以从互联网上已经公开可用的文本图像对中自行学习；CLIP 可以适应执行各种各样的视觉分类任务，而不需要额外的训练样本。

另外，实验结果表明，经过 16 天的 GPU 训练，在训练 4 亿张图像之后，Transformer 语言模型在 ImageNet 数据集上仅实现了 16% 的准确率。CLIP 则高效得多，实现相同准确率的速度快了大约 9 倍。

简单来说，DALL·E 可以基于文本直接生成图像，CLIP 则能够完成图像与文本类别的匹配。

出门问问 CEO 李志飞曾告诉极客公园（ID: GeekPark），“GPT-3 随着数据和参数规模增大而展现出的学习能力曲线，目前也还没有要停止的意思。虽然 AI 的学习能力还没有达到大家公认的“摩尔定律”，但是过去几年确实看到模型每几个月就翻倍。可以预测到的是，GPT-4 参数又会增大至少 10 倍，而且处理的数据将会更加多模态（文字、图像、视觉、声音）。”

OpenAI 首席科学家 Ilya Sutskever 也在推特上发文表示：“人工智能的长期目标是构建多模态神经网络，即 AI 能够学习不同模态之间的概念（文本和视觉领域为主），从而更好地理解世界。而 DALL·E 和 CLIP 使我们更接近『多模态 AI 系统』这一目标。”

DALL·E 和 CLIP 的出现，让人们看到自然语言与视觉的壁垒正在被逐渐打通。

几十年前，柯达说出了那句经典的广告语，“你负责按快门，剩下的交给我们”。在未来，AI 兴许也会打起类似的广告，“你什么都不用干，剩下的交给我们”。