2023年的AI绘画领域是由两家公司的动态引爆的。

3月17日百度公布文心一言，网友们疯狂发散想象力，令人捧腹的图片接连被天生。关于文心一言文字天生图片的讨论热情*高涨。

紧接着，3月18日，美国Midjourney公司宣布第五版AI图像天生服务，即MidjourneyV5。原本就处在行业*水平的Midjourney，这一次版本更新真正让AI绘画圈沸腾了。由于MidjourneyV5天生的图片堪称惊艳。

两个系统险些同时公布，免不了被对比。深燃体验后发现，文心一言的图片天生功效，能够识别简朴元素、文本没有歧义的人或事物，但涉及到成语、专著名词，以及字面意思和现实意义差其余表述，它就会跑偏。Midjourney在这方面险些没什么问题。另外，Midjourney吸收到的提醒词（prompt）越详细精准，天生的图片越相符要求，但文心一言需求越多，系统越容易失足。

讥讽背后，AI天生图片着实不是一件简朴的事情，需要在数据、算法、算力等方面综合发力，既对手艺和硬件有高要求，还对数据采集和标注等苦活累活高度依赖。文心一言的AI绘图功效与Midjourney在以上三方面都有不小的差距。

百度方面果然示意，“人人也会从接下来文生图能力的快速调优迭代，看到百度的自研实力。文心一言正在人人的使用历程中不停学习和生长，请人人给自研手艺和产物一点信心和时间。”从业者预估，文心一言全力追赶，用一年左右的时间有希望到达外洋80%以上的水平。

AI绘图这个战场，枪声已经打响，追逐赛、排位赛都将一轮轮上演。

搞不定成语和专著名词，提醒词越多AI越废

文心一言最近接受的*磨练，莫过于画一幅中餐菜名图。在网友们的热情创作下，驴肉火烧、红烧狮子头等菜品出来的画做一个比一个离谱，门庭若市的街道、虎头虎脑的大胖小子，同样惊掉了人人的下巴。

网民热心找bug，百度程序员应该也在背后发力，深燃测试发现，以上内容均已更新为可以准确显示对应图片。不外，像娃娃菜、脸盆、虎皮鸡蛋、三杯鸡，尚有胸中有数的男子、虎背熊腰的男子，文心一言仍然给出的是字面直译后的图片，画风一言难尽。

即便输入提醒词时强调“画一个卫浴器材水龙头”，文心一言画出的仍然是水中龙的头像；当深燃输入“画一个风姿绰约的人”时，系统画出的是一位男士，显然AI没能明晰风姿绰约形容的是女人。

程序员改bug的速率比不上网友找破绽的速率。很快又有人发现，文心一言绘图时有把提醒词中译英之后凭证英文意思天生图片的可能性，据此有人推测百度可能用外洋的作图产物接口，套了一个自己的壳。

深燃也验证了一下某用户的测试。好比输入“水瓜”，画出的是西瓜，这也对应西瓜的英文单词Watermelon；要求画树叶、封面、苹果，画出的图是树叶笼罩苹果，显然系统是把封面翻译成了Cover，这个单词也有笼罩的意思；画“土耳其张开同党”，泛起的画面是张开同党的火鸡，我们都知道，Turkey是土耳其，也是火鸡。

对此，百度对外回应称，文心一言完全是百度自研的大语言模子，文生图能力来自文心跨模态大模子ERNIE-ViLG。“在大模子训练中，我们使用的是全球互联网果然数据，相符行业老例。”

亚洲视觉科技研发总监陈经也在接受媒体采访时示意，“百度的绘图AI接纳了英文标注的开源图片素材举行训练，因此需要中翻英来当prompt（提醒词）。现在，全球AI研发有开源的传统，稀奇是训练数据库，否则网络图片效率太低了。”

深燃体验后还发现，文心一言在单个需求形貌时显示尚可，好比画一幅气忿的小孩、开心的农民、一只很饿的流量猫，但一幅图一旦提出多个作图需求，AI就有点懵。

好比请文心一言“天生一幅画，在一个下雨天，小红在植树，小王在看书”，系统天生的图片里只有背靠树看书的一小我私人；尚有，“画一幅画，内里有大笑的年轻人、哭泣的小孩、愁容满面的老人”，系统把哭泣和愁容满面等神色聚集在了一张脸上，画出了一个小孩和老人的连系体。如下图所示，尚有一些类似的情形，系统同样没能准确完成给出的指令。

深燃又把上述提醒词输入到MidjourneyV4测试了一下，如下图所示，纵然是V4版本，显示也远凌驾文心一言。MidjourneyV4基本能明晰句子中的意思，做出的图险些可以包罗所有的要素。

深燃还测试了AI绘画领域一直以来难以攻克的画手指难的问题。在这方面，文心一言也没能经受住磨练。好比“画一位30岁的女士，双手竖起大拇指”，文心一言天生的图片大拇指是竖起来了，然则其中一只手有7根手指；输入“画一小我私人，两只手做点赞姿势”时，系统也无法实现这一手部姿势。

Midjourney此前的版本同样存在手指误差的问题，最新公布的V5版本，已经能够准确画出五根手指，虽然有人依旧指出其绘出的大拇指有点长，但相比以往已经有不小的提高。有从业者评价：“Midjourney的此前版本就像是近视患者没有戴上眼镜，而MidjourneyV5就是戴上眼镜后的清晰效果，4K细节拉满”。

好比MidjourneyV5画出的《三体》角色图，效果被网友评价为险些要“成精了”。而文心一言画《三体》角色时，系统全然掉臂形貌里提到的留着玄色短发、戴着眼镜的要求，画出了一个扎着发髻，不戴眼镜，古风穿着的男士。

最近MidjourneyV5画的一对情侣的图片掀起了业内一阵惊呼。作图的提醒词是：“一对年轻的情侣穿着牛仔裤和夹克坐在楼顶上”，靠山划分是2000年和2023年的北京。最后出图的效果大大超出许多人的想象。深燃把类似表述输入文心一言时，系统直接给出了绝不相关的图片。

对比来看，Midjourney作图已经在细节上几近*了，文心一言还处在难以准确分辨字面意思和现实意思的低级阶段。Midjourney提醒词形貌越详细，天生的图片越精准，文心一言能明晰的文字长度有限，过多形貌会让它直接报错或者胡乱天生图片。

02 AI文生图到底有多灾？

按泛起时间来算，AI绘画算是AI领域的新事物。

果然报道显示，2021年1月，OpenAI公布了两个毗邻文本与图像的神经网络：DALL・E和 CLIP。DALL・E可以基于文本直接天生图像，CLIP能够完成图像与文本种其余匹配。DALL・E是基于GPT-3的120亿参数版本实现的。

随后在2022年，DALL·E 2、Stable Diffusion等文生图底层大模子公布，动员了应用层的生长，泛起了一大批爆款产物，包罗Midjourney。2022年也被以为是“AI绘画元年”。

StabilityAI的Stable Diffusion是一个开源模子，许多开发者基于这个模子开发训练出了更多差其余天生模子。海内许多科技公司的AI绘画项目也是由Stable Diffusion提供手艺支持。Midjourney是付费订阅的，果然信息显示，Midjourney每年的收入可能到达1亿美元左右。另外，有AI绘图营业的尚有Google、Meta等公司。百度的文心一言和此前就公布的文心一格算是海内最早的具备AI绘画功效的大模子。

文心一言的公布和升级了的MidjourneyV5更是将AI绘画行业推向热潮。这一次迭代是Midjourney自去年推出以来*的更新，Midjourney也成了现在市面上*进的AI图像天生器之一。

摩根大通私人银行发布《亚太地区前100家由女性推动的高增长企业》三迭纪入选

热度还在继续。最近，行业内又有一系列企业跟进推出AI绘画功效。3月21日，微软宣布，必应搜索引擎接入了OpenAI的DALL·E模子，将AI图像天生功效引入新版必应和Edge浏览器，免费开放。就在统一天，Adobe公布AI模子Firefly，支持用文字天生图像、艺术字体。

可以说，2023年，AI绘画行业迎来了真正的大发作。

讥讽文心一言之余，客观来说，AI天生图片自己就不是一件容易实现的事情。系统的语义明晰能力、充实的数据标注、细节处置、用户的提醒词选择，都在AI作图中起着主要作用。

AI领域资深从业者郭威告诉深燃，之前AI天生图片只需要确认气概、物品等，用GAN（天生式匹敌网络）天生图片。文心一言和Midjourney这一代模子的做法是先明晰自然语义，再天生图片。把自然语言输入到系统里，AI对语义的明晰和人类的明晰不能制止会有误差。

“更大的难点，照样标注数据。语义比词组的空间更大，需要大量数据，而且标注难度和成本更高。”郭威说。

许多人以为，系统天生图片有误时，后台改一个标注就能矫正系统了。好比天生“驴肉火烧”出了错，只是告诉系统这是一道菜，而不是一头驴就行了，但这种方式只是一对一修改而没有一层层训练，修正了单个错误，并不会增强系统的明晰能力，治标不治本。

也就是说，即即是有大量开源的全球数据库图片可以用，海内的系统在中文提醒词与英文素材对应方面还需要做大量事情。

另外，AI天生的图片极难完善眼睛、手、脚等部位细节。一直以来，行业内就有“AI不会画手”的说法，许多人判断是不是AI作图，就看图片中的手画得怎么样。“由于深度学习神经网络没有足够的数据学习手指与手指之间的架构逻辑，加上手指枢纽间特征属于细小颗粒度，天生的手容易失足。”资深AloT算法从业者连路诗说。现在除了MidjourneyV5，其他AI作图产物细节方面的问题还没有完全解决。

到了最终天生图片环节，用户选择用什么提醒词（prompt）和气概（style）来天生想要的图片也很主要，新用户往往不得方式，很难找到精准的提醒词或足够契合的气概。

此外，现在的AI绘图产物还存在一些配合的挑战。

连路诗提到，一方面是时效性不够，现在AI绘画知识库的更新、数据的引入不完全是实时的，若是加入实时性数据，需要伟大的成本；另一方面，现在各系统对数据过滤的严谨水平纷歧样，有的设置了相对严酷的禁用词，有的没有，执法或道德界线不清。

尚有一个是AI绘图带来的版权问题。现在行业内大部门企业纰谬外宣布自己用来训练AI的图片泉源，这样的AI天生图片商用时，可能存在未知的执法风险。且现在AI作的图也不受版权珍爱。

03 多久才气追上？

行业共性问题之外，凭证多位从业者的说法，在数据、算法、算力三方面，文心一言都跟Midjourney差距不小。

数据方面，文心一言数据的数目和质量都需要提升。

连路诗注释，NLP（即natural language process，自然语言处置）分成几个历程，*步是自然语言明晰，好比，实体识别，系统会凭证专属名词天生自己的明晰；接下来是自然语言天生，包罗天生文字和图片。大多数问题出在对自然语言的明晰禁绝确，这时刻就需要人工对句子举行数据处置、参数调整等。

“中文自己难在字与字之间没有间距，人工分词一方面要离隔字词的间距，同时要界定动词、名词等词性，还要标注主语、谓语、宾语，以及是否为常用词等”，连路诗弥补，“分词需要重大的人力投入，一样平常一个小组至少需要5000人。AI公司通常把这一需求外包给人力成本较低的省份的公司，另外，AI天生图片的效果也需要人类的反馈增强学习。”

基础标注事情做好之后，系统会将这些词转成向量举行盘算，向量越禁绝确，天生的效果越模糊。“现在百度可能做了一部门事情，但还没到达能准确明晰大部门语义的水平，可以判断为不及格。”连路诗说。

陈经也提到，大模子需要的数据库里的“图片是要标注的，这加倍大了网络整理图片的难度。当前也有中文尺度的训练数据，然则少许多。由于公布时间急急，百度对于绘图AI的中文输入词还没完全搞定，后续应该会凭证用户反馈，把中文的提醒词与英文的训练素材更好的对应上。”

第二大差距是算法。

算法方面，各公司在底层大模子的使用层数上有差异。连路诗以为，以文心一言现在在算法方面的显示来看，有可能与Midjourney等模子的深度神经网络的层数有十倍左右的差距。

“AI天生图片禁绝确尚有一种可能性，该系统的底层架构不是深度神经网络，也没有凭证底层Vector（向量）一点点像素级天生图片，而是系统先用搜索引擎匹配知识图谱，再天生图像，也可以明晰为拼集贴图。神经网络在对图片举行盘算的时刻，原本就有图片的旋转、切割、拼集，这样的系统天生的图片有可能是颗粒度很粗的片状图片拼集出来的。”连路诗做了这样的推测。不外，文心一言属于哪种手艺还不清晰。

第三，算力上的差距。OpenAI号称自己的模子是千亿规模参数，也就是每次盘算的时刻拥有1000张以上显卡漫衍式盘算的算力。百度与外洋几家主要科技企业的算力差距同样不小。

固然，百度和Midjourney现在的生长水平纷歧，与其生长阶段也有关系。

Midjourney于2022年3月首次面世，现在已经迭代到了第五代。百度文心一言所具备的AI作图功效，即文心一格，虽然在2022年8月就推出了，但现在没有看到相关的升级迭代信息。而在AI领域，转变险些是以天为单元的。

海内AI绘图多久能遇上国际水平？郭威对此对照乐观。在他看来，“数据方面虽然有差异，但最多也只有半年左右的差距，中文类的数据海内比外洋更多，拼命补一下能遇上。”

至于算法差异，他示意，OpenAI等几家机构比Google、Facebook、百度等凌驾半年到一年的水平，之前由于不确定性大，各企业没有重点结构，现在验证这条路是有前途的，针对性追赶，很快也能遇上。虽然OpenAI没开源，但从OpenAI出来的一些人很快也会把手艺思绪共享到小圈子里，头部公司很容易跟进。

“算力的差距就很难填补了，短期内难追上去，然则用一年多时间把海内系统做到外洋80分或90分以上的水平是可能的。”郭威说。

无论若何，接下来，AI绘画将会走到舞台中央大放异彩是确定的事实，对各公司来说，拼的是速率。行业规则是果然的，所有选手都在往前跑，这时刻，竞争是*的动力，拿效果语言才是硬原理。