AI图像生成哪家强，Google 的 IMAGEN vs OpenAI 的 DALLE2

昨天我们聊到了OpenAI公司出品的DALL-E 2模型，可以轻松加愉悦的完成文本到图像的转换。

可技术创新有可能不是螺旋式上升，波浪式前进的，而是飞跃式的。

仅仅一个月之后，卷王Google就推出了自己的文本到图像生成模型，或者叫模型工厂，因为它的实现不仅仅是依赖于一个简单的模型，而是一堆大小模型的组合，Google给它取名叫做 Imagen。

Imagen 一出，就剑指DALL-E 2，Google 的论文《Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding》中就直接给出Imagen 吊打 DALL-E 2的例子。

Imagen V.S. DALL-E 2

下面从几个角度看看，Imagen是如何吊打DALL-E 2的。

颜色分类

（一个黄色的书和一个红色的花瓶）

评：文本描述是，一个黄色的书和一个红色的花瓶，看来 DALL-E 2 确实把颜色搞反了。

容易让人误解的文字描述：英文文本理解

评：

A couple of glasses are sitting on a table. 英语过了6级的我，对这句话的翻译也懵懵的。A couple of glasses 到底应该翻译为一对玻璃杯还是一副眼镜？

查了查资料才明白，原来，a couple of glasses 既可以翻译为一副眼镜，也可以翻译为一对玻璃杯，关键在于动词是不是复数。注意这里用的是 are, 很显然，正确翻译是一对玻璃杯。而 DALL-E 2 中却有的图片生成出现了眼镜。

Imagen 更胜一筹。

文本位置展示

评：这个例子是希望在纽约天际上空，出现Hello World字样，并且伴有烟花。DALL-E 2 很明显出现了几处 Hellow world 的错误文本。此处Imagen又胜出。

除此之外，论文中还列举了很多例子，不多赘述。

Google凭借 Imagen 的出色发挥，可以说直接吊打了 DALL-E 2，并且顺便碾压了下另一个模型GLIDE。

总结下来就是一句话。

Google借着这篇论文，向其他文本-图像模型说了句：你们都是弟弟。

伦理问题

遥想2013年，快播兴盛至极，风头一时无两。几乎每个电脑的桌面上，都能看到一个红色圆圈的标志。

可突然之间，快播被禁，创始人被抓，锒铛入狱，只留下一句互联网上流传至今的名言：“技术是无罪的。”

没错，技术无罪。

但被滥用了，创始人就被抓了。

Imagen 同样面临这个问题。

你能想象一个人对着模型说。

嘿，给我生成一张吴某某的绯闻照片。

或者更细节的，生成一张吴某某和谁谁谁在哪里，干什么的照片。

想起了死亡笔记。虽然不至于致人身亡，即使莫须有的照片，但社会影响，足以让一个奋斗多年的人，身败名裂。造假的代价太小，而影响太大。

很显然，Google意识到了这个问题。

如果对文本描述不加限制，对图像生成不加限制。最终生成一些越来越真实并且带有社会危害性的图片，那不是Google想看到的。

于是，Google很聪明，做了一些声明。

首先，文本-图像的使用场景多种多样，并且很可能会影响社会，潜在的风险会让人们批判这个项目，因此决定不进行开源和在公开场合进行功能演示。

其次，文本-图像的生成需求，会导致大量各行业从业人员严重依赖AI模型和数据。同时，训练Imagen需要涉及到大量的数据集，包括色情图像、种族主义诽谤和有害的社会刻板印象等相关文件，会进一步增加模型和公众使用的风险，所以决定Imagen不对公众开放。

最后，文本-图像的评估方法还需要进一步研究，以消除社会和文化偏见。

声明的很好，我们的技术很牛，但我们不对外开放。

什么时候解决了社会伦理问题，我们再考虑公开。

One More Thing

《三体2：黑暗森林》中有一个画面。

当三体舰队到达地球时，所有的人类科技在三体文明面前都是渣渣，人类存亡危在旦夕。罗辑站在自己的坟墓前，拿着手枪，对着自己的脑袋，向三体人喊到：“我要和三体人通话。”

...

罗辑赢了，不费一颗子弹，利用他的社会宇宙学——黑暗森林法则，开启了人类与三体人共生共存的威慑纪元。

写到这，我意识到。

自然科学的发展与人文社会学的发展应该是相辅相成的。

自然科技发展快了，社会伦理跟不上，需要等一等。

尤其在人工智能，这种到处都有可能面临伦理道德风险的行业。

自然科学发展的再好，也逃脱不了社会伦理人文的约束。曾经的“学好数理化，走遍天下都不怕”的思想，需要审视一下了。