对话网易伏羲赵增：开源VS自研？哪条路是通向AIGC的捷径？｜WAIC2023
文 | 郝鑫、黄小艺
从去年底到现在，国内外肉眼可见地涌现出了一批文生图公司，这背后与基础架构开源有很大关系。
2022年8月，Stability.AI在GitHub上公开开源了Stable Diffusion模型的代码和训练数据集；当月底，基于Stable Diffusion的图像生成工具Stable Diffusion web UI也正式开源发布。
（Stable Diffusion模型基本架构 图源：网络）
自此，以“Stable Diffusion”命名的“扩散模型”响彻了整个AIGC，在落地中形成了由文字编码器（Text Encoder)、图像信息生成器（Image Information Creator）和图像解码器（Image Decoder)组成的扩散模型架构，技术的核心是在去噪的过程中逐渐还原出图片。
（去噪过程演示 图源：网络）
开源的春风吹到了国内，也给了正在独自摸黑探索的中国文生图公司送去了光明。
“开源了，我们既兴奋，但又更迷茫了。”
技术方向更加明确了，训练路径也更加清晰，中国文生图公司又面临着一个新问题：要不要全面拥抱开源模型？
对于这个问题，网易伏羲和赵增团队也曾反复思考。
赵增的答案是，只能借鉴，不能全盘照抄。“模型训练不能开黑盒，只要做不到完全透明、可控，就存在风险。”
基于这个逻辑，网易伏羲走上了中国式文生图的道路，其基本模型架构为“自研+开源”相结合，平台做到了全中文输入、理解。
之前大模型因为不理解中文“闹了不少笑话”，而网易伏羲从模型训练开始便意识到了这个问题，在思考如何把文生图用得更好方面更快人一步。
如今，文生图迈入了更高效、更稳定、更自由可控的里程碑阶段，也衍生出图生图、图生3D、多图生视频等技术路径。
在围观了国外文生图应用的热闹景象之后，网易伏羲也走向了更深的自我思考和升级。
近期2023世界人工智能大会上，光锥智能对话网易伏羲预训练及生成式人工智能平台负责人赵增，聊一聊他对于爆火的文生图现象和背后技术的理解。
核心观点如下：
1、文生图的模型参数不是越大，效果就越好。
2、技术是标准化的，但审美是非标准化的，要想提升生成的美术效果，需要有美术专家介入，提供反馈。文生图的模型上限在专家，下限在技术。
3、借鉴国外开源模型固然可以提升生成技术，但一味地拥抱开源并不可取，其中存在许多可控性、安全问题，还是要构建自主的生成模型。
4、总体来看，文生图应用还处于探索时期，没有进入工业化落地阶段。
（网易伏羲预训练及生成式人工智能平台负责人赵增）
以下为对话实录：
光锥智能：网易伏羲生成平台的探索过程是怎样的？近期有哪些新的进展？
赵增： 2018年开始，网易伏羲就开始尝试用GPT去做模型应用适配。但随着OpenAI公司逐渐关闭对国内的技术访问路口，2020年，我们开始自己组织团队，以文本预训练为切入点去训练模型。
2021年之后，结合网易自身业务需求和互联网发展历程，我们判断多模态将是未来发展趋势，因而开始大力做多模态理解和生成。去年Stable Diffusion开源后，开始将自身的模型训练路线与开源架构相融合。
今年年初，文生图再次被推到风口，开源生态也异常活跃，在此背景下，我们对技术架构路径再次做了调整：一方面，持续优化自身的中文生成模型，希望其能在中文领域达到顶尖的效果；另一方面，去做更加友好开放的生产管线，将具有AI技术的人和专业艺术家都纳入生态系统。
最近我们内部也正在做预研2.0，在能力得到充分验证以后，也会更多地对外开放，融合到业务场景中、伏羲有灵美术平台中。
（AIGC绘画平台）
光锥智能：网易伏羲文生图大模型的参数是多少？
赵增： 现在方案有很多套，有十几亿、三十几亿，也有几百亿的参数方案。一个很有趣的现象是，即使Stable Diffusion已经开源了多个版本，但现在最流行的还是早期的1.5版本，这就代表不是参数越大，效果就越好。我们的理念也是一样，会先尝试把数据变得越来越大，模型训练得越来越大，但也还会根据实际情况选择合适的尺寸去生成。
光锥智能：网易伏羲支持全中文操作，对比一些英中转换的模型，建立一个全新的中文语料库的难点在哪里？
赵增： 最大的难点在于整个前期投入，就是要去系统性地构建高质量的中文数据集，然后喂给基础模型，从头去构建，不断地迭代，所以整个周期就会很长。我们的优势在于，起步比较早，在Stable Diffusion还没开源之前，我们就已经在不断地投入，到现在已经产生了很多积累。
光锥智能：如何在技术层面提升语义指导的精准程度，提升文生图的效果？
赵增： 万变不离其宗。第一，在数据层面，要构建更符合用户输入内容的数据分布。在大模型背后的系统组件支持下，把这些数据更有效地串联和优化；
第二，在模型结构层面。我们在中文场景下做了很多调整，去尝试有效的结构，包括规模尝试。整体来讲，我们的模型结构跟开源模型结构不是完全一样的，无论是图片还是文本，都做了优化；
第三，是数据反馈。要获得有价值的评价，把干扰生成过程中的数据剔除掉，形成正向反馈机制，才能在训练过程中不断提高生成能力。
（AIGC生成的古风人物形象）
光锥智能：技术是标准化的，可是审美是非标准化的。网易伏羲在做文生图的时候，是怎样标准化生成结果？优化生成效果的呢？
赵增： 反馈是很重要的，网易有非常多的顶尖的艺术家，他们会在使用过程中提供很多专业意见，帮助我们找到需要优化的点。我们也会把当前的版本发到伏羲有灵众包平台上，来获取用户匿名反馈。
举个例子，之前3月的时候，我们做了一款二次元模型，初步觉得效果不错，但美术专家一看，就说头身比不行、姿势不行，在他们的反馈之下，我们从模型数据层面做了重构，才调整过来。
这也给我们一个启示，从系统的层面我们只能去增加量，但是想要做顶尖的内容生成，就要有顶尖的审美，需要跟行业有深度的合作。我们和美工在内部分工很明确，模型的上限在他们，下限可能在我们技术上。
（AIGC生成的二次元形象）
光锥智能：除了审美，专家的介入还会提带来哪些反馈优化，可以举个例子吗？
赵增： 主要基于他们的生产过程。
比如说处理图的时候，他们需要什么样的风格。如果是通用风格，例如二次元，我们就会把它做成基础模型；但是如果特别小众，例如厚涂，就做成二级模型，去开放自主仿真的能力，让专家自己去定制模型。
而在图生成以后，他们可能需要能在PS里自动分层的图片。还有，对于具体内容的理解，例如，专家们需要榫卯结构、中国古代盔甲......这就需要我们不断去构建相应的数据，根据已有范式，补充相应的内容。
光锥智能：网易伏羲有没有针对用户展开具体的用户画像分析，比如专业的、业余的等等。
赵增： 目前，是希望服务专业生产。因为这部分用户离我们最近，我们最能知道他们想要什么，也能很明确的算出来，等到他们真正用起来以后，我们才能产生巨大的收益。
光锥智能：如何看待使用国外开源模型的问题？
赵增： 我们内部对要不要直接拥抱开源的这个问题，做了很多次讨论，最后的答案是明确的：要构建自己的生成模型。
直接使用国外开源模型，存在几个非常大问题，首先是对生产能力可控性的把握。以文生图为例，从特征提取到真正拿来用，这中间还有很多环节，模型要怎样去理解一些非常领域化和中国化的内容变得很关键，如果直接调用国外模型肯定会出现水土不服。
另外，在跟进国外开源生态的过程中，我们发现，一些生成效果比较好的模型，背后其实是庞大数据在支持，如果技术不加以控制，就可能出现失控。其次是数据合规性问题。虽然技术没有国界，但事实证明现在生成的内容的确是有偏见的，我们需要保证最后生成的内容要符合实际生产需求。
总而言之，我们的目标是去构建更有中国特色的生成模型，对于这个生成模型，我们希望从底子上它就是可控的，所有构建过程都是白盒状态，模型、数据、工程框架优化、迭代演进等都是清晰透明化的，而不是只知道一个模型的版本号，开源后拿过来改改再用。
光锥智能：国外已经出现了几款爆款软件，进入大规模应用阶段。但目前在国内，这样的感知似乎不是很强烈。以您的观察来看，国内文生图应用发展到了什么阶段?
赵增： 其实，无论国内外，我们认为现在文生图的应用基本都还处于探索阶段。因为以我们的标准来看，只有出现像Photoshop这样现象级的产品，能实现为整个行业去服务、产生巨大收益的时候，才算是进入一个工业化落地的阶段。
目前，短暂的体验型产品还远远不够。从纯图文层面来讲，现在的工具功能都是碎片化的，没有一个能够解决全流程的问题，我们的用户需要不断地在各个AI生产工具中切换，因此他们的支付意愿不高，对单个产品的依赖度也很低。
不过，虽然现在生产规模还在起点阶段，但各种从业人员包括高层都看到了图文的价值，还需要时间去探索如何规模化。
光锥智能：国外公司从文生图转向了文生视频，在文生视频方面，网易伏羲有做尝试探索吗？
赵增： 文生视频我觉得是一个非常有价值的场景，但是从落地的角度来讲，还是需要持续投入，它的成熟度会比文本、图文更滞后一些。从技术难点看，它的数据量可能更大，需要处理前后帧的相关性。