文本转图片的危险算法“达利”降临：“造假”程度绝了

手机

警方通报辅警执法直播中被撞飞：犯罪嫌疑人已投案

票房这么火爆，如何请视障人士“看”一场电影？

家电

文本转图片的危险算法“达利”降临：“造假”程度绝了

2022-04-17 14:37:14 来源：快科技

论算法创新，OpenAI好像永远都不会让我们失望。

这个世界最牛逼的人工智能实验室之一，推出过包括GPT2、GPT3等极为强大的自然语言处理模型，威震人工智能圈。而在创始人马斯克退出，微软数十亿美金重金接手后，他们便开始逐步向技术商业化之路做出妥协。

但这并没有影响他们在“无人之境”的奔跑速度。

这一次，我们又在不同领域一流期刊杂志上，看到了OpenAI的名字。这一次与他们名字同时出现的，是大量色彩斑斓到让人心生愉悦，但却似真非真、似假非假的图片。

以及图片背后一个具有致命创造力和吸引力的新算法。

OpenAI新算法生成的图像，这些图像未曾在现实中出现

这个算法的名字叫DALL-E2（达利），据说是为了致敬2008年的动画电影《机器人瓦力》和超现实主义画家萨尔瓦多·达利而取的。这就意味着，算法可能具备了一些超出人类想像的能力。

简单来说，它是一个可以将文本描述转换为图像的系统——只要写下你想看到的东西，达利就会为你绘制出来，非常像一个二维版的3D打印机。

举个例子，当你在达利搜索栏里，输入“长得像牛油果的茶壶”，它会在大约5秒时间内，生成多达10张与“牛油果茶壶”词义相符的图片。

结果显然100%扣题。而且因为分辨率很高，所以这些图像看起来更像是真实的照片。

但这个例子其实非常“现实主义”，因为牛油果形状的茶壶，我们极有可能在创意商店中买到。但是“会下棋的猫”呢？OpenAI工程师Alex Nichol在输入“会下棋的猫”后，生成了这样一张图片：

老夫的少女心……看起来毫无违和感

还有难度更高的文字描述词，譬如“一个雨夜，一个超级英雄栖息在城市上空，风格就像一本漫画书”，输出结果没有一处不符合词义：

而输入“位于城市中心的巴比伦空中花园，达利画风”，输出的艺术效果简直妙不可言：

此外，达利系统还输出了很多文字描述复杂，但输出结果不仅精准，而且堪称艺术品的图片，都被放在了 OpenAI 的instergram上：

想想我们平时在百度里搜图时出来的垃圾结果，就隐约能明白达利的强大创造力意味着什么。

本质上，与很多人工智能算法模型一样，DALL-E就是一个模拟了大脑神经元网络的数学系统，它自然需要分析大量数据来学习技能。

譬如刚才讲的牛油果茶壶，在识别出一颗牛油果之前，OpenAI说，达利至少观摩了上千个大大小小、奇形怪状的牛油果。而更重要的是，它还需要在图像与描述图像的文字之间，找到一种关系模式。

事实上，这个系统引发人工智能研究圈讨论的关键之一，便在于它能够同时处理文字语言与图像，并且在自然语言理解与计算机视觉之间构建起更加紧密的关系。而此前的研究，的确还没有到达这样的水平。

《MIT技术评论》给出的评价，一定程度上代表了学术领域对达利系统的部分态度：“虽然这些被制作的图像既超现实又呈现卡通化，但它们证明了，人工智能已经学会‘世界被组合在一起的基础逻辑’。这些图像实在是令人惊叹。”

这个图像输入Dalle的搜索文字是：“一辆未来汽车在雾中滑行”

不过，从Dalle2这个名字就能看出，OpenAI曾在此前推出过向大众开放的第一代版本，然而我在试用后，严重怀疑第一代达利，可能仅仅装了一个印象派画风滤镜。

譬如，当我输入“马斯克是个‘吹牛逼大王’”，出来的都是脸部扭曲的马斯克大头照：

歪脸的马斯克

但短短2年，第二代达利就取得了惊人的进步，而这取决于算法模型的重新设计，因为初代版本或多或少是GPT-3的一种扩展。

当然，新版本也有不少问题。

譬如，输入“把艾菲尔铁塔送上月球”后，出现的图像仅仅是一张“夜晚下的埃菲尔铁塔”。所以，OpenAI的科学家们还在输入更多数据改进它。另外，仔细观察这些生成的图像，你会发现一些“弱点”：

像很多刚“出生”的算法模型一样，达利在描绘“手脚”等细节上仍然非常吃力。很明显，宇航员的手脚，以及猫的爪子都有一点不自然。

输入文字：骑着马的宇航员。很明显手脚细节有问题

但无论如何，达利都是个值得让我们赞一声“牛逼”的技术进步。甚至于，由于这波能力表现突出，它引发的恐慌，不亚于此前文字生成模型GPT3带来的文字造假争议。

亚利桑那州立大学计算机科学教授苏巴拉奥的话直言不讳：“你可以用它来做好事，但你肯定可以用它来做更加疯狂的事情，包括深度伪造的照片和视频。”

没错，虽然工程师展示出的这些作品，看起来艺术创造水平非凡，但与所有人工智能系统的典型特征相同，它一定会从训练自己的大量数据属性中继承某种“偏见”。

譬如，当你输入“律师”，系统结果都是这样的：

所有律师都是男性，且大多看起来是白人

算法的性别与人种偏见问题，自诞生之日便在欧美地区争议多年，迄今都无法解决，甚至有愈演愈烈之势。这也是导致包括亚马逊、谷歌等公司无法大规模部署人脸识别系统的关键原因之一。

另外，试想一下，当初在“换头”算法盛行，外网网友喜欢把特朗普等领导人的头像移植到某个搞笑电视剧里，引发捧腹大笑；而达利的出现，是否有能力让我们不费吹灰之力，便可以做到任意输出大量政治造假照片。

甚至于，当输入“某某吸毒、打架斗殴”这类显然足以陷害他人，改变他人命运的关键词，如果都会出现毫无违和感的图像，那么会带来什么后果？

与工程师对技术的痴迷不同，纽约时报的读者们对达利算法的评价极为犀利，思考深度不可小觑，甚至可以说直击人类的灵魂：

人们将不得不对他们在网上看到的几乎所有东西持怀疑态度。

这个系统的出现，会让“天平”向一个更加奇异与危险的世界倾斜。

人类还没有在哲学上发展到能够负责任地使用技术的程度。就像加密货币一样，骗子似乎也总是被技术那“厌恶人类”的一面所吸引。

我很高兴这个工具没有被公开。如果这件事公开了，（我）最明智的做法是完全脱离网络和电视，避免与那些想告诉你自己在网络上看到什么东西的人有任何接触。如果未来全息影像成为主流，那么我们将为子孙后代创造一个反乌托邦式的地狱。

正如社交媒体与技术革命一样，硅谷的能力远远超过人们的批判性思维。我们现在生活在一个教育被忽视了几十年的世界里，人们分析事物的能力已经让位于“应用公式”。

与此同时，硅谷技术的发展正在提供不可抗拒的便利。因为我们很多人都忙于生存，所以我们支持这种便利，甚至没有时间来反思它的影响。因此，我们现在不再是挥舞锤子的人，而是大多数的钉子。

输入“空乘工作者”，出现的都是女性乘务员形象

我认为，关于人工智能的普及已经足有七八年，而大众之如今仍然会心生恐惧，是因为体验过被监控和数据之网牢牢困住的感觉后，即便惊喜于达利系统的强大创造力，也早就超越了“事不关己、高高挂起”的心态：

不知道这些曾经的笑话，什么时候会落到自己头上。

正是鉴于西方社会这种对达利又惊又恐的态度，OpenAI已经反复公开强调，这绝对不是一个产品，自己仅仅是想了解算法的能力与局限性。

他们保证会严格控制达利的使用权，只会向一小部分经过严格审查的测试人员开放；未来只会在艺术家工具层面做一些有限制的尝试。

比较有趣的是，他们还给达利设定了一个“反欺凌过滤器”。比如，输入“一头长着羊头的猪”，系统就拒绝输出。因为OpenAI解释，“猪”和“羊”同时出现应该触犯了过滤器设定的禁令。

另外，关于偏见问题，为了减少对女性的伤害，OpenAI希望过滤掉所有训练数据中的“性别内容”。但他们发现，当他们尝试过滤掉这些信息时，达利系统产生的女性图像变少了。

因为这又触及了另一种现实世界中职场存在的局限性（有些产业和职位，女性就是很少），因而导致了另一种对女性的伤害: 抹杀。

输入文字：熊猫宝宝在银河尽头弹钢琴。OpenAI的公开图片里，大部分都是动物，尽量避免男女性别带来的争议

但是，世界上聪明的程序员还有很多很多，可能很快就会有其他企业和国家能能够开发出类似的技术。毕竟，人类追求技术创新的动机非常多样化，而利益是其中最大的推动力之一。

而他们本身的人类道德感是否值得信任，这就很难说了，因为很多动机与造福人类显然是相悖离的。

但我们又不能因此一棒子打死，全面限制人类追求算法创新的速度。那么，就应该思考这样一个问题：

如何才能真正改变所有算法创新参与者的潜在激励结构?

但对我个人来说，只能说对技术的应用相对悲观，或者说谨慎乐观：

因为我从来不会对技术失望，但我也从来不轻易相信人性。

关键词：文本转图片的危险算法达利降临造假