“近期热门的 AI 作画技术是通过文本描述生成绘画，但有人批评其是“抄袭”或“缝合怪”。实际上，AI 生成图片的原理是通过潜在空间（latent space）的操作来实现的。潜在空间是一个多维向量空间，可以表示一个图片的所有可能性。通过输入文本描述，AI 会在潜在空间内找到与文本描述相对应的向量，并将其转化为图片。
在上一篇文章 ai绘画是什么意思？什么是ai绘画？ 中，我们讲到最近火热的 AI 作画技术是是通过文本描述生成绘画，今天我们就讲一下这背后的ai绘画技术和ai画画原理。
“大象上飞”～ 当 AI 开始想象
早在 1980s，人工智能的先行者们就在尝试解决 AI 识别物体的问题，最终在 2015 年 AI 的识别能力超越了人类水平。
能识别图片中的物体后，很快 AI 成功地将这些标签组合成一句话，这就是图像字幕技术（image captioning）：通过图像生成对应的一句话描述。
这个过程能不能反过来？换言之，能不能通过图片生成描述图片的一句话呢？
相比从图片生成字幕，这是相当大的挑战，研究者希望 AI 能生成人们前所未见的图片。2016 年，这一设想成为了现实，就是这些 32 * 32 像素的图片。
这为我们展示了一些未来的可能性，而现在，未来已来！
AI = 缝合怪？
提到 AI 作画，很多批评者会提到 “缝合怪” “抄袭”。我们可能会假设，当我们输入 “一只骑摩托车的大熊猫”
AI 会在数据库里检索 “摩托车”、“大熊猫” 的图片，然后把他们拼在一起
但实际上并非如此，要了解 AI 怎么生成图片，需要先理解 latent space——潜在空间。大家都有自己的身份证号码，前 6 位代表地区、中间 8 位代表生日、后 4 位代表个人其他信息。放到空间上如图所示，这个空间就是「人类潜在空间」。
这个空间上相近的人，可能就是生日、地区接近的人。人可以对应为这个空间的一个点，这个空间的一个点也对应一个人。如果在空间中我的附近找一个点，对应的人可能跟我非常相似，没准就是我失散多年的兄弟 hh
AI 就是通过学习找到了一个「图片潜在空间」，每张图片都可以对应到其中一个点，相近的两个点可能就是内容、风格相似的图片。
所以这个空间中有一个区域是 “大熊猫区”，一个区域是 “摩托车区”。提示语 “一只骑摩托车的大熊猫” 会帮助 AI 找到「图片潜在空间」中某个可能位于 “大熊猫区”、“摩托车区” 交汇处的点。AI 再把这个点通过某种方式「生成」一张图片，这种方式就是大名鼎鼎的 “Diffusion”。
至于 AI 是怎么通过 prompt（提示语）找到「图片潜在空间」中对应的点，再把这个点生成一张图片，敬请关注 ai绘画是怎么画的？ai绘画算法揭秘
图片引用：
- “大象在天上飞”～ 当 AI 开始想象
- https://github.com/floydhub/image-classification-template
- https://towardsdatascience.com/image-captioning-in-deep-learning-9cd23fb4d8d2
- https://arxiv.org/pdf/1511.02793.pdf
- https://www.youtube.com/watch?v=SVcsDDABEkM
- AI = 缝合怪？
【原创】
作者：倒立的BOB
更多精彩内容请访问 ～