聲明：本文來(lái)自微信公眾號(hào)“量子位”（ID:QbitAI），作者:衡宇，，授權(quán)轉(zhuǎn)載發(fā)布。
最近的谷歌像個(gè)大漏勺，這不，又有AIGC核心成員聯(lián)手跑路咯!
量子位獨(dú)家獲悉，這回跟谷歌say byebye的，是文生圖核心團(tuán)隊(duì)——AI繪畫(huà)模型Imagen論文的四位核心作者，出走目的是要搞自己的AI公司。雖然公司名稱暫未對(duì)外公布，但新公司將一以貫之的路線是很清楚的:
以Imagen為基礎(chǔ)，沿著原來(lái)的項(xiàng)目做下去，不僅繼續(xù)做文生圖，還要做視頻方向。
核心人才創(chuàng)業(yè)，自然少不了VC塞錢(qián)——已經(jīng)按1億美元的驚人天使估值完成了首輪融資，而且更多VC想給錢(qián)而趕不上、投不進(jìn)。
這也算是文生圖、文生視頻、AIGC賽道上，最知名的研究團(tuán)隊(duì)之一了。
文生圖骨干成員共創(chuàng)AIGC新公司新公司聯(lián)創(chuàng)四人，Chitwan Saharia、William Chan、Jonathan Ho以及Mohammad Norouzi，都出自谷歌。
他們之前精力重點(diǎn)放在AIGC的文生圖板塊，是谷歌用來(lái)對(duì)抗DALLE-2的大殺器Imagen的論文共同作者，位置都挺重要的那種。
先來(lái)介紹一下Chitwan Saharia，也是Imagen的共同一作。
Chitwan本科畢業(yè)于孟買(mǎi)理工學(xué)院計(jì)算機(jī)科學(xué)與工程專業(yè)，在孟買(mǎi)理工學(xué)院和蒙特利爾大學(xué)都當(dāng)過(guò)程序和算法方面的研究助理。2019年加入谷歌，base多倫多，花了3年時(shí)間從二級(jí)軟件工程師做到高級(jí)研究科學(xué)家，去年12月從谷歌離職。
Chitwan有語(yǔ)音識(shí)別、機(jī)器翻譯的經(jīng)驗(yàn)，在谷歌工作時(shí)，主要負(fù)責(zé)領(lǐng)導(dǎo)image-to-image擴(kuò)散模型的工作。
第二位William Chan，也是Imagen論文共同一作。他同樣出身計(jì)算機(jī)工程，先后就讀于加拿大滑鐵盧大學(xué)、卡內(nèi)基梅隆大學(xué)，中間在新加坡國(guó)立大學(xué)當(dāng)過(guò)1年交換生。
在卡內(nèi)基梅隆大學(xué)拿下博士學(xué)位后，William還在加拿大最大的社區(qū)學(xué)院之一喬治布朗學(xué)院，主攻烘焙和烹飪（?），學(xué)了3年。
Willian從2012年起加入谷歌，于2016年成為谷歌大腦的一份子，去年5月離職時(shí)，他已經(jīng)是谷歌大腦多倫多的研究科學(xué)家了。
然后要介紹的是Jonathan Ho，UC伯克利博士畢業(yè)。
他不僅是Imagen論文的core contribution，還是Diffusion Model奠基之作《Denoising Diffusion Probabilistic Models》的一作。
博士畢業(yè)于UC伯克利計(jì)算機(jī)科學(xué)專業(yè)的Jonathan，之前在OpenAI當(dāng)過(guò)1年的研究科學(xué)家，后來(lái)在2019年加入谷歌，共工作了2年零8個(gè)月，去年11月以研究科學(xué)家的身份從谷歌離職。
新公司的最后一位聯(lián)創(chuàng)叫Mohammad Norouzi，也是Imagen論文的共同一作。
他在多倫多大學(xué)計(jì)算機(jī)科學(xué)博士就讀期間，拿到了谷歌ML博士獎(jiǎng)學(xué)金。畢業(yè)后他加入谷歌大腦，在那兒工作了7年，在谷歌的最后title是高級(jí)研究科學(xué)家，工作重點(diǎn)是生成模型。
同時(shí)，Mohammad也是谷歌神經(jīng)機(jī)器翻譯團(tuán)隊(duì)的原始成員，SimCLR的聯(lián)合發(fā)明人。他在GitHub主頁(yè)上小小地透露了自己的最近動(dòng)態(tài):
目前，我在一家初創(chuàng)公司工作，公司使命是推進(jìn)人工智能的發(fā)展水平，幫助人類提高創(chuàng)造力。我們正在招聘!
這句話以外，關(guān)于新公司的更多信息，四人在任何社交平臺(tái)都沒(méi)有更詳細(xì)的透露。
這已經(jīng)是谷歌最近漏出去的第n波人了。
就拿剛剛過(guò)去的2個(gè)月來(lái)說(shuō)，先是包括顧世翔（Shane Gu，‘讓我們一步一步地思考’研究者）在內(nèi)的至少4名谷歌大腦成員加入OpenAI;情人節(jié)時(shí)，Hyung Won Chung和CoT最早的一作Jason Wei攜手組團(tuán)叛逃OpenAI。
本周三，您猜怎么著?嘿，又跑了一個(gè):
OpenAI狂喜，只有谷歌大漏勺本勺受傷的世界誕生了。
Imagen是什么?了解完谷歌漏走的這四個(gè)人，回頭來(lái)說(shuō)說(shuō)為他們職業(yè)生涯贏得掌聲的Imagen項(xiàng)目。
Imagen是谷歌發(fā)布的文生圖模型，發(fā)布時(shí)間在DALL-E2新鮮出爐一個(gè)月以后。
本文開(kāi)頭放的熊貓震驚表情包，就是朝Imagen輸入“一只非?？鞓?lè)的毛茸熊貓打扮成了在廚房里做面團(tuán)的廚師的高對(duì)比度畫(huà)像，他身后的墻上還有一幅畫(huà)了鮮花的畫(huà)”后，得出的一張要素完備的AI生成畫(huà)作。
在Imagen出現(xiàn)之前，文生圖都共用一個(gè)套路，那就是CLIP負(fù)責(zé)從文本特征映射到圖像特征，然后指導(dǎo)一個(gè)GAN或Diffusion Model生成圖像。
Imagen不走尋常路，開(kāi)辟了text-to-image新范式:
純語(yǔ)言模型只負(fù)責(zé)編碼文本特征，具體text-to-image的工作，被Imagen丟給了圖像生成模型。
具體來(lái)講，Imagen包含一個(gè)凍結(jié)的語(yǔ)言模型T5-XXL（谷歌自家出品），當(dāng)作文本編碼器。T5-XXL的C4訓(xùn)練集包含800GB的純文本語(yǔ)料，在文本理解能力上比CLIP強(qiáng)不少，因?yàn)楹笳咧挥糜邢迗D文對(duì)訓(xùn)練。
圖像生成部分則用了一系列擴(kuò)散模型，先生成低分辨率圖像，再逐級(jí)超采樣。
依賴于新的采樣技術(shù)，Imagen允許使用大的引導(dǎo)權(quán)重，所以不會(huì)像原有工作一樣使樣本質(zhì)量下降。這么一來(lái)，圖像具有更高的保真度，并且能更好地完成圖像-文本對(duì)齊。
概念說(shuō)起來(lái)簡(jiǎn)單，但I(xiàn)magen的效果還是令人大為震撼的。
生成的狗子飆車(chē)技術(shù)一流:
比起爆火的DALLE-2，Imagen能更準(zhǔn)確地理解同時(shí)出現(xiàn)兩個(gè)顏色要求的情況:
一邊繪畫(huà)一邊寫(xiě)字這種要求，Imagen也成功完成，不僅寫(xiě)得對(duì)，還能加光影魔術(shù)手般的煙花特效（不是）。
以及對(duì)后來(lái)研究更有幫助的是，谷歌通過(guò)Imagen的研究，優(yōu)化了擴(kuò)散模型。
首先，增加無(wú)分類器引導(dǎo)（classifier-free guidance）的權(quán)重可以改善圖文對(duì)齊，同時(shí)卻會(huì)損害圖像保真度。
為了解決這個(gè)bug，在每一步采樣時(shí)引入動(dòng)態(tài)閾值（dynamic thresholding）這個(gè)新的新的擴(kuò)散采樣技術(shù)，來(lái)防止過(guò)飽和。
第二，使用高引導(dǎo)權(quán)重的同時(shí)在低分辨率圖像上增加噪聲，可以改善擴(kuò)散模型多樣性不足的問(wèn)題。
第三，對(duì)擴(kuò)散模型的經(jīng)典結(jié)構(gòu)U-Net做了改進(jìn)，變成了Efficient U-Net。后者改善了內(nèi)存使用效率、收斂速度和推理時(shí)間。
后來(lái)在Imagen上微調(diào)，谷歌還推出了能“指哪打哪”版本的文生圖模型DreamBooth。只需上傳3-5張指定物體的照片，再用文字描述想要生成的背景、動(dòng)作或表情，就能讓指定物體“閃現(xiàn)”到你想要的場(chǎng)景中。
比如醬嬸兒的:
又或者醬嬸兒的:
大概是Imagen效果太過(guò)出色，劈柴哥后來(lái)親自宣發(fā)的谷歌AI生成視頻選手大將，就叫做“Imagen Video”，能生成1280*768分辨率、每秒24幀的視頻片段。
啊，等等，谷歌有Imagen Vedio，這和四人的新公司不是撞方向了嗎?
仔細(xì)看了下論文，無(wú)論是Imagen還是Imagen Video，各自都有大篇幅涉及風(fēng)險(xiǎn)、社會(huì)影響力的內(nèi)容。
出于安全、AI倫理和公平性等方面考慮，Imagen和Imagen Vedio都沒(méi)有直接開(kāi)源或開(kāi)放API，甚至連demo都沒(méi)有。
哪怕市面上出現(xiàn)開(kāi)源復(fù)刻版本，也不是最正宗的味道。
此前就曝出過(guò)在谷歌每年的內(nèi)部員工調(diào)查“Googlegeist”中，員工表示對(duì)谷歌執(zhí)行能力不佳的質(zhì)疑。也許，這四人出走，繼續(xù)做Imagen，并做Imagen的視頻版，說(shuō)不定就是為了想把項(xiàng)目放到一個(gè)更開(kāi)放的AI環(huán)境。
而且這種出走創(chuàng)業(yè)，也是熱錢(qián)大錢(qián)向AIGC洶涌的結(jié)果。
所以既然AIGC的創(chuàng)投熱潮已經(jīng)在太平洋那頭開(kāi)啟，那應(yīng)該在太平洋這頭也不會(huì)悄無(wú)聲息。
或許你已經(jīng)聽(tīng)說(shuō)了一些同樣的大廠出走創(chuàng)業(yè)，歡迎爆料說(shuō)說(shuō)~~
