新智元报道
编辑：桃子 好困
【新智元导读】OpenAI重磅研究「一致性模型」项目开源，不仅一步瞬时生图，还能图像编辑，连最能打的扩散模型也得让步了。
ChatGPT、Midjourney的火爆，让其背后技术扩散模型成为「生成式AI」革命的基础。甚至，还受到业内研究者极力追捧，其风头远远盖过曾经逆袭天下的GAN。就在扩散模型最能打的时候，竟有网友突然高调宣布：
Diffusion models时代终结！Consistency models加冕为王！
这究竟是怎么回事？？？
原来，OpenAI曾在3月发布了一篇重磅、且含金量十足的论文「Consistency Models」，并在今天在GitHub上公开了模型权重。
论文地址：https://arxiv.org/abs/2303.01469
项目地址：https://github.com/openai/consistency_models「一致性模型」在训练速度上颠覆了扩散模型，能够『一步生成』，比扩散模型更快一个数量级完成简单任务，而且用到的计算量还要少10-2000倍。
那么，这到底有多快呢？有网友表示，相当于在大约3.5秒内生成64张分辨率为256x256的图像，也就是每秒18张！而且，最新模型最主要优势之一，就是不需要「对抗训练」就能实现高质量样本。
这篇研究由图灵三巨头之一Hinton学生，AlexNet的主要推动者Ilya Sutskever亲笔撰写，还有研发DALL-E 2的华人学者Mark Chen、Prafulla Dhariwal，研究内容有多硬核可想而知。甚至还有网友称，「一致性模型」才是未来的研究方向，相信我们未来一定会嘲笑扩散模型。
所以，扩散模型也要不存在了？
更快，更强，无需对抗
目前，这篇论文还是未定稿版本，研究还在继续中。2021年，OpenAI首席执行官Sam Altman曾撰写了一篇博客，讨论摩尔定律应该如何应用于所有领域。
Altman前段时间又在推特上公开谈到了人工智能正在实现「蛙跳」。他表示，「新版摩尔定律可能很快就会出现，宇宙中的智能数量每18个月翻一番。」
对于其他人来说，Altman的乐观可能看起来毫无根据。但OpenAI的首席科学家Ilya Sutskever带领团队做出的最新研究，恰恰为Altman的主张提供了强有力的支撑。
都说2022年是AIGC元年，是因为许多模型的泉涌背后都是基于扩散模型。扩散模型的大红大紫逐渐取代了GAN，并成为当前业界最有效的图像生成模型，就比如DALL.E 2、谷歌Imagen都是扩散模型。然而，最新提出的「一致性模型」已被证明可以在更短的时间内，输出与扩散模型相同质量的内容。这是因为，这种「一致性模型」采用了类似GAN的单步生成的过程。相比之下，扩散模型采用了一种反复采样的过程，逐步消除图像中的噪声。这种方法虽然让人印象深刻，但需要依赖执行一百到数千步的步骤才能取得良好的结果，不仅操作成本高，而且速度慢。
扩散模型的持续迭代生成过程，比「一致性模型」消耗的计算量要多10-2000倍，甚至减慢了训练过程中的推理速度。「一致性模型」强大之处在于，必要时能够在样本质量和计算资源两者间进行权衡。此外，这个模型还能够执行零样本的数据编辑任务，比如图像修补，着色或笔触引导的图像编辑。
使用在LSUN Bedroom 256^256上通过蒸馏训练的一致性模型进行零样本图像编辑「一致性模型」还能在使用数学方程时将数据转换成噪声，并确保结果输出对于相似数据点是一致的，从而实现它们之间的平滑过渡。这类方程称为「概率流常微分方程」（Probability Flow ODE）。
这项研究将这类模型命名为「一致性」，因为它们在输入数据和输出数据之间保持了这种自洽性。这些模型既可以在蒸馏模式（distillation mode）下训练，也可以在分离模式（isolation mode）下训练。在蒸馏模式中，模型能够从预训练的扩散模型中提取数据，使其能够在单个步骤中执行。在分离模式下，模型完全不依赖于扩散模型，从而使其成为一种完全独立的模型。
值得注意的是，这两种训练方法都将「对抗训练」从中删除。不得不承认，对抗训练确实会产生更强大的神经网络，但其过程是较为迂回。即它引入一组被错误分类的对抗性样本，然后用正确的标签重新训练目标神经网络。因此，对抗训练这种方式也会导致深度学习模型预测的准确性略有下降，甚至它可能在机器人应用中带来意想不到的副作用。实验结果表明，用于训练「一致性模型」的蒸馏技术优于用于扩散模型的。「一致性模型」在 CIFAR10图像集和 ImageNet 64x64数据集上，分别获得了3.55和6.20的最新最先进的FID分数。
这简直就是实现了，扩散模型的质量 + GAN的速度，双重完美。2月份，Sutskever曾发布了一条推文暗示，
许多人认为伟大的AI进步必须包含一个新的「想法」。但事实并非如此：许多AI的最伟大进步都是以这样的形式出现的，嗯，原来这个熟悉的不起眼的想法，如果做得好，会变得令人难以置信。
最新研究正好证明了这一点，基于旧概念的微调可以改变一切。
