人工智能，如何妙笔“生”画******

　　核心阅读

　　输入一段话，“绘”出一幅画——人工智能的绘画本领，吸引众多职业画师和零基础用户尝鲜。人工智能绘画的本质是计算，接受“语言描述”指令后根据自身的理解还原出图像。未来，人工智能技术应用于艺术创作等领域，还要注意防范潜在风险，让技术进步更好地造福社会。

　　不用画笔、颜料，输入一段描述性文字，计算机就能自动解析，生成相应的画作。2022世界人工智能大会上，人工智能绘画的展示令观众惊叹。

　　一些过去专属于人类创作的领域，比如绘画、书法、写作、作曲，如今人工智能也已开始涉足。人工智能是如何绘画的？当前沿技术与艺术相遇，将碰撞出怎样的火花？在内容、版权等方面又是否存在问题？

　　从文本到图像，人工智能绘画本质是计算

　　人工智能绘画是一个从文本到图像的生成过程，输入一段话，生成一幅画，本质是计算。简要地说，计算机通过大量学习，能识别特定图片元素和文本之间的关联。同理，人工智能程序在收到“语言描述”指令后，可以根据自身的算法还原出图像。

　　设定计算机程序作画的想法由来已久。早在20世纪70年代，就有艺术家开发了操作机械臂的电脑程序，让机械臂按照指令在画纸上作画。近些年，人工智能技术日新月异，科研人员尝试设计自动作图的计算机程序。但过去很长一段时间，人工智能“画”出的作品普遍不够好，往往只是一些模糊的图像元素的组合，还称不上是完整的画。

　　今年以来，人工智能画技迅速“进化”。谈及技术突破原因，百度文心一格总架构师肖欣延认为，这是预训练大模型的兴起、大数据的训练和扩散模型的出现3方面共同作用的结果。

　　具体来说，预训练大模型增强了人工智能的通用性，成为人工智能技术及应用的新基座；大数据的训练中，通过在众多高性能GPU(图形处理器)算力资源中进行并行学习，计算机能够在短时间内完成大量的数据学习。近年来，几乎所有人工智能的技术发展都受益于这两方面的进展。而对人工智能绘画来说，扩散模型的出现至关重要。

　　扩散模型的原理是，通过人为逐步添加噪声，让图像逐渐变“模糊”，再不断学习去噪过程，如此人工智能就能从完全是噪声的图片中逐渐还原出清晰的图片，即“画”出图像。

　　“这一过程与人类学习相似。通常，人们学画从临摹开始，机器也是如此。它最初生成的图像可能很模糊，但计算机会不断修正，从而输出越来越清楚、层次越来越丰富的图像。”肖欣延说。

　　扩散模型让人工智能绘画技术实现跨越，不仅作画质量快速提升，生成时间也缩短到几秒钟。

　　众多用户尝鲜，大量应用加速“画技”进化

　　汤林杰是某互联网公司的运营人员。工作中，他需要借助一些图片来丰富文案，而网络上找到合适的配图并不容易。今年10月，了解人工智能绘画程序后，他尝试自己“画”图。现在，人工智能绘画工具已经是他工作的重要辅助。

　　随着算法模型对公众开放以及训练数据成本的下降，人工智能绘画门槛越来越低，一些简易化操作平台在国内外兴起。如今，不仅一些职业插画师尝试用人工智能绘画程序辅助作画、激发灵感，许多没有绘画基础的用户也开始尝鲜，并“晒”在社交平台上。

　　大量需求的涌现也加速了技术的更新迭代。“用人工智能绘画的人越多，算法就越能理解输入的描述文本，画作质量就越高。”肖欣延表示，当前人工智能绘画水平与今年初相比，已经有很大进步。

　　不过，目前的人工智能绘画技术并不完美。首先，可控性仍然不高，即计算机不能很好理解人类指令的含义，即便是输入“画两个苹果，左边红色，右边绿色”这样的简单描述，生成的图像也可能有很大偏差；其次，细节呈现能力还不够。比如，对空间、透视和光影的刻画就很不如意。不少人工智能渲染出的画作，初看上去惊艳，认真观察问题却不少。

　　但肖欣延认为，人工智能绘画在技法上的缺陷未来有望得到弥补。比如，基于跨模态大模型和强大的深度学习框架，百度开发的技术一定程度上已经缓解这些问题。此外，未来人工智能不仅能作画，还能根据文本描述生成视频，并直接配上解说文字，“可以把视频生成看作是维度更高的绘画，从技术层面看，这是可以实现的。”

　　防范潜在风险，守住法律和伦理底线

　　人工智能进入绘画领域，计算机会取代人类画师吗？

　　在肖欣延看来，好的绘画与构图、设计语言、视觉情绪息息相关，即使人人都可以用人工智能技术作画，但通常只有高水平的画师才能制作出优秀的人工智能绘画作品，“人工智能只是作画的辅助工具”。此外，虽然有的人工智能绘画语言娴熟，也包含细腻的情感，但并不意味着机器有意识、情感，它不过是学过类似的作品，又恰好呈现出来了。“优秀的艺术作品往往是人的思想的投射，目前机器并没有真正具备思考能力。”肖欣延说。

　　不少业内人士认为，不妨以开放的心态拥抱人工智能绘画，接受新事物。可以预想，将来绘画中一些繁琐、重复性的工作可能由计算机完成，创作者能腾出更多时间去构思想法与创意，调整构图、色彩、光影氛围等。

　　“人工智能可能会激发绘画创造的活力。”肖欣延表示，20世纪前后，照相技术让传统肖像画失去市场，促使一些画家向非写实方向创新。与人工智能技术融合，或许能激发画家创作出别开生面的作品。

　　不过，由于人工智能绘画发展刚刚起步，技术发展也引发关于版权、内容把控等问题的争议。比如，有人认为，未经授权人工智能画作模仿原画的内容、构图和风格等，侵犯了原作者的版权，有违法嫌疑。也有人认为，“机器学习”过程是一种类人化的创作行为，同样体现了创造者的思想和劳动，应当获得版权保护。此外，还有人担忧，人工智能绘画技术若被滥用，可能滋生暴力等令人不适的图像。面对新技术发展，有必要前瞻潜在的风险，只有守住法律和伦理底线，技术进步才能更好地造福社会。

　　不只是绘画，写作、作曲、生成短片，人工智能日益强大的深度学习能力，让它与不同艺术门类发生着奇妙的碰撞。展望未来，业界专家认为，人工智能与艺术融合，一方面会降低一些艺术门类的创造门槛，让更多人参与到当代的审美创造中来；另一方面新技术会带来新的审美风格，人们或许能从中扩展对自身和世界的认识。

　　记者 喻思南

向善而生的AI助盲，让AI多一点，障碍少一点******

　　有人说，盲人与世界之间，相差的只是一个黎明。在浪潮信息研发人员的心中，失去视力的盲人不会陷入永夜，科技的进步正在力图给每一个人以光明未来。

　　AI助盲在人工智能赛道上一直是最热门的话题之一。以前，让失明者重见光明依靠的是医学的进步或“奇迹”。而随着以“机器视觉+自然语言理解”为代表的多模态智能技术的爆发式突破，更多的失明者正在借助AI提供的感知、理解与交互能力，以另一种方式重新“看见世界”。

　　新契机：多模态算法或将造福数以亿计失明者

　　科学实验表明，在人类获取的外界信息中，来自视觉的占比高达70%~80%，因此基于AI构建机器视觉系统，帮助视障患者拥有对外界环境的视觉感知与视觉理解能力，无疑是最直接有效的解决方案。

　　一个优秀的AI助盲技术，需要通过智能传感、智能用户意图推理和智能信息呈现的系统化发展，才能构建信息无障碍的交互界面。仅仅依靠“一枝独秀”超越人类水平的单模态人工智能比如计算机视觉技术还远远不够，以“机器视觉+自然语言理解”为代表的多模态算法的突破才是正确的新方向和新契机。

　　多个模态的交互可以提升AI的感知、理解与交互能力，也为AI理解并帮助残障人士带来了更多可能。浪潮信息研发人员介绍说，多模态算法在AI助盲领域的应用一旦成熟，将能够造福数以亿计的失明者。据世卫组织统计，全球至少22亿人视力受损或失明，而我国是世界上盲人最多的国家，占世界盲人总数的18%-20%，每年新增的盲人数量甚至高达45万。

　　大挑战：如何看到盲人“眼中”的千人千面

　　AI助盲看似简单，但多模态算法依然面临重大挑战。

　　多模态智能算法，营造的是沉浸式人机交互体验。在该领域，盲人视觉问答任务成为学术界研究AI助盲的起点和核心研究方向之一，这项研究已经吸引了全球数以万计的视障患者参与，这些患者们上传自己拍摄的图像数据和相匹配的文本问题，形成了最真实的模型训练数据集。

　　但是在现有技术条件下，盲人视觉问答任务的精度提升面临巨大挑战：一方面是盲人上传的问题类型很复杂，比如说分辨冰箱里的肉类、咨询药品的服用说明、挑选独特颜色的衬衣、介绍书籍内容等等。

　　另一方面，由于盲人的特殊性，很难提取面前物体的有效特征。比如盲人在拍照时，经常会产生虚焦的情况，可能上传的照片是模糊的或者没有拍全，或者没拍到关键信息，这就给AI推理增加了难度。

　　为推动相关研究，来自卡内基梅隆大学等机构的学者们共同构建了一个盲人视觉数据库“VizWiz”，并发起全球多模态视觉问答挑战赛。挑战赛是给定一张盲人拍摄的图片和问题，然后要求给出相应的答案，解决盲人的求助。

　　另外，盲人的视觉问答还会遭遇到噪声干扰的衍生问题。比如说，盲人逛超市，由于商品外观触感相似，很容易犯错，他可能会拿起一瓶醋却询问酱油的成分表，拿起酸奶却询问牛奶的保质期等等。这种噪声干扰往往会导致现有AI模型失效，没法给出有效信息。

　　最后，针对不同盲人患者的个性化交互服务以及算法自有的反馈闭环机制，同样也是现阶段的研发难点。

　　多解法：浪潮信息AI助盲靶向消灭痛点

　　AI助盲哪怕形式百变，无一例外都是消灭痛点，逐光而行。浪潮信息多模态算法研发团队正在推动多个领域的AI助盲研究，只为帮助盲人“看”到愈发精彩的世界。

　　在VizWiz官网上公布的2万份求助中，盲人最多的提问就是想知道他们面前的是什么东西，很多情况下这些物品没法靠触觉或嗅觉来做出判断，例如 “这本书书名是什么？”为此研发团队在双流多模态锚点对齐模型的基础上，提出了自监督旋转多模态模型，通过自动修正图像角度及字符语义增强，结合光学字符检测识别技术解决“是什么”的问题。

　　盲人所拍摄图片模糊、有效信息少？研发团队提出了答案驱动视觉定位与大模型图文匹配结合的算法，并提出多阶段交叉训练策略，具备更充分的常识能力，低质量图像、残缺的信息，依然能够精准的解答用户的求助。

　　目前浪潮信息研发团队在盲人视觉问答任务VizWiz-VQA上算法精度已领先人类表现9.5个百分点，在AI助盲领域斩获世界冠军两项、亚军两项。

　　真实场景中的盲人在口述时往往会有口误、歧义、修辞等噪声。为此，研发团队首次提出视觉定位文本去噪推理任务FREC，FREC提供3万图片和超过25万的文本标注，囊括了口误、歧义、主观偏差等多种噪声，还提供噪声纠错、含噪证据等可解释标签。同时，该团队还构建了首个可解释去噪视觉定位模型FCTR，噪声文本描述条件下精度较传统模型提升11个百分点。上述研究成果已发表于ACM Multimedia 2022会议，该会议为国际多媒体领域最顶级会议、也是该领域唯一CCF推荐A类国际会议。

　　在智能交互研究方面上，浪潮信息研发团队构建了可解释智能体视觉交互问答任务AI-VQA，同时给出首个智能体交互行为理解算法模型ARE。该研究成果已发表于ACM Multimedia 2022会议。该研究项目的底层技术未来可广泛应用于AI医疗诊断、故事续写、剧情推理、危情告警、智能政务等多模态交互推理场景。

　　眼球虽然对温度并不敏感，但浪潮信息的研发团队，却在努力让盲人能“看”到科技的温度，也希望吸引更多人一起推动人工智能技术在AI助盲、AI反诈、AI诊疗、AI灾情预警等更多场景中的落地。有AI无碍，跨越山海。科技的伟大之处不仅仅在于改变世界，更重要的是如何造福人类，让更多的不可能变成可能。当科技成为人的延伸，当AI充满人性光辉，我们终将在瞬息万变的科技浪潮中感受到更加细腻温柔的善意，见证着更加光明宏大的远方。