“AI生成圖像”來了，“AI生成視頻”還遠嗎？

成都創(chuàng)新互聯(lián)-專業(yè)網(wǎng)站定制、快速模板網(wǎng)站建設、高性價比河間網(wǎng)站開發(fā)、企業(yè)建站全套包干低至880元,成熟完善的模板庫,直接使用。一站式河間網(wǎng)站制作公司更省心,省錢,快速模板網(wǎng)站建設找我們，業(yè)務覆蓋河間地區(qū)。費用合理售后完善，10年實體公司更值得信賴。

神譯局是36氪旗下編譯團隊，關注科技、商業(yè)、職場、生活等領域，重點介紹國外的新技術、新觀點、新風向。

編者按：OpenAI最近搞了一個大東西，能夠根據(jù)文字創(chuàng)作圖像的DALLE 2。從網(wǎng)上放出來的一些例子來看，效果相當震撼，有些甚至抓住了文字的靈魂。那么這樣一個AI具備什么意義呢？知名科技博主分析了不同形式的內(nèi)容創(chuàng)作手段存在的共同演變模式，并總結(jié)出相應的經(jīng)濟影響，認為這種AI將為元宇宙的未來賦予經(jīng)濟性。當虛擬世界可以用近乎零成本去創(chuàng)作完全可以針對個人定制的虛擬內(nèi)容時，互聯(lián)網(wǎng)的未來將距離我們更近，卻也會變得更奇怪了。文章來自編譯。

劃重點：

游戲處在技術發(fā)展的前沿，引領了從文本到圖像到視頻到3D的進步

社交網(wǎng)絡經(jīng)歷了與游戲類似的媒介演變，但時間推遲了二十年

TicTok的零成本的UGC+純算法調(diào)度的動態(tài)內(nèi)容具有網(wǎng)絡效應

DALL-E 2提供的零成本內(nèi)容為元宇宙未來提供了經(jīng)濟性

上周，OpenAI發(fā)布了文字生成圖像工具 DALL-E 2（DALL-E來自藝術家“Dalí”和機器人“WALL-E”的結(jié)合詞）；來自@becomingCritter的這條推特帖子上面展示了大量生成的示例，其中包括這條“泰迪熊在 1980 年代在月球上展開新的人工智能的研究”：

在 1980 年代的月球上致力于新 AI 研究的泰迪熊

文字“一張古色古香的花店的店面照片，潔白的門面綠意盎然，大門敞開，還有一扇大窗戶”生成的圖像：

一張古色古香的花店的店面照片，潔白的門面綠意盎然，大門敞開，還有一扇大窗戶

不過，最恰如其分的是這張，“一個沐浴在 AGI 烏托邦陽光之下的人類”：

一個沐浴在AGI烏托邦陽光之下的人類

OpenAI在其網(wǎng)站上有一段描述 DALL-E 的視頻。盡管OpenAI的宣傳視頻的確也提到了 DALL-E 的一些缺點，但對其可能性仍然十分樂觀。里面的一些摘錄：

Dall -E 2 是出自OpenAI的一套新的 AI 系統(tǒng)，它可以將簡單的文本描述（如“考拉扣籃”）轉(zhuǎn)化為此前從未出現(xiàn)過的逼真圖像。 DALL-E 2 還可以對照片進行編輯和潤飾，效果十分逼真……

DALL-E 是通過訓練基于圖像及其文本描述的神經(jīng)網(wǎng)絡而創(chuàng)建出來的。通過深度學習，它不僅可以理解像考拉熊以及摩托車這樣的單個對象，還可以學習對象之間的關系，當你要求 DALL-E 生成“騎摩托車的考拉”的圖像時，它知道如何創(chuàng)建這樣一幅圖片，或者與任何其他對象或動作有關系的圖片。

DALL-E 研究有三個主要成果：首先，它可以幫助人們用可視化的方式表達自己，這是前所未有的。其次，人工智能生成的圖像可以告訴我們很多信息，讓我們知道系統(tǒng)是否理解我們，或者只是在重復教過它的內(nèi)容。第三，DALL-E 可以幫助人類了解人工智能系統(tǒng)如何看待和理解我們的世界。這是開發(fā)有用且安全的人工智能的關鍵部分……

用于訓練 DALL-E 的方法令人興奮之處在于，它可以從其他各種打過標簽的圖像那里學習，然后將其應用到新圖像上面。給它一張猴子的照片，DALL-E 就可以推斷出它在做一些以前從未做過的事情時會是什么樣子的，比如猴子戴著一頂有趣的帽子在納稅的樣子。富有想象力的人類和有聰明才智加持的系統(tǒng)，人機協(xié)同工作如何可以創(chuàng)造新事物，放大我們的創(chuàng)造潛力？DALL-E 就是一個有力的例子。

人機協(xié)同這句話可能會引起一些人的質(zhì)疑：乍看之下，DALL-E 與藝術家和插畫家好像是競爭的關系；不過，還有另一種觀點，DALL-E 指向了元宇宙未來的一個重大缺失部分。

游戲與媒體進化

長期以來，游戲一直處在技術發(fā)展的前沿，就媒體而言，情況當然是這樣的。最早的電腦游戲只不過是文字罷了：

緊隨其后的是圖像游戲，一般是位圖類型的；我記得在圖書館玩過很多次《神偷卡門》（Where in the world is Carmen San Diego）這款游戲：

很快，游戲就開始引入動作，你可以在 2D 世界里面給精靈指路；緊接著3D 也出現(xiàn)了，在過去 25 年大部分的時間里，我們一直在致力于讓 3D 游戲變得更加逼真。然而，幾乎所有這些游戲都是 2D 屏幕上投射的 3D 圖像。虛擬現(xiàn)實提供了我們置身于游戲之中的錯覺。

盡管如此，這種演變也面臨著挑戰(zhàn)：創(chuàng)建更逼真的 3D 游戲，意味著要創(chuàng)建出更逼真的圖像紋理來粉飾所有這些多邊形；在虛擬現(xiàn)實的環(huán)境下，這個問題只會被放大。這也是即便是開放世界游戲在范圍上最終也會受到限制的原因之一，而那種游戲玩法在很大程度上是具有確定性的：通過了解你要去哪里以及到達那里的所有選項，開發(fā)人員可以提前創(chuàng)建所有必要的資產(chǎn)，以提供身臨其境的體驗。

這并不是說除了程序生成的Roguelike（是角色扮演游戲的一個分支類型，它以一系列隨機生成關卡的地牢、回合制戰(zhàn)斗、基于磁貼的圖像和角色死亡為特點）游戲以外，游戲就不能有隨機元素：提供不可預測性要素最顯而易見的一種方式是讓人類之間對玩，盡管這是在定義明確和受控的環(huán)境下進行的。

社會化內(nèi)容與用戶生成內(nèi)容

社交網(wǎng)絡經(jīng)歷了與游戲類似的媒介演變，但時間推遲了二十年。 Web 上最早的社交網(wǎng)絡形式是文字型的公告板以及用戶組（USENET）。后來，電子郵件、AOL聊天室以及論壇開始普及。 Facebook 是在 2000 年代中期的時候出現(xiàn)的。它之所以大受歡迎，有一點是因為增加了圖像這種元素。 Instagram是一個只有圖片的社交網(wǎng)絡，但很快又添加了視頻，而視頻則是TikTok的全部?，F(xiàn)在，尤其是在過去這幾年里，通過 Zoom 或Facetime 等 app 召開的視頻會議已經(jīng)開始在 2D 屏幕上提供 3D 圖像。

盡管如此，媒體對于社交網(wǎng)絡的重要性一直都比較低，這只是因為它的社交部分天生就很有趣了。人類喜歡與其他人交流，即便這需要撥號到隨便某個 bbS， 下載消息、撰寫回復，然后再撥回去發(fā)送消息。游戲也許基本上是具有確定性的，但人類充滿了驚喜。

此外，這意味著社交網(wǎng)絡要便宜得多：平臺不需要自己生成所有的內(nèi)容，而是由用戶自己生成所有內(nèi)容。這導致新平臺更難崛起，因為你需要用戶來吸引用戶，但這也使得此類平臺比任何游戲都更具粘性（或者，換句話說，更具粘性的游戲本身就具備網(wǎng)絡效應）。

動態(tài)消息與算法

除了時間以外，社交網(wǎng)絡的次迭代并沒有特定的算法組件：較新的帖子位于頂部（或底部）。隨著 Facebook 在 2006 年推出了動態(tài)消息（News Feed），情況開始發(fā)生變化?，F(xiàn)在，你不再需要訪問所有朋友的頁面，只需瀏覽動態(tài)消息就行，它從一開始就決定了要包含哪些內(nèi)容，以及按照什么樣的順序呈現(xiàn)。

隨著時間的推移，動態(tài)消息從一種相對簡單的算法演變?yōu)橛蓹C器學習驅(qū)動的算法，其結(jié)果令人費解，以至于 Facebook 用了六個月的時間才修復好最近的一個排名錯誤。其影響十分巨大：隨著算法驅(qū)動的動態(tài)消息變得更好，不僅是 Facebook，就連 Instagram的參與度與增長速度都出現(xiàn)了大幅增長；動態(tài)消息還非常適合貨幣化，因為決定你看到的內(nèi)容的同一類信號也會影響到向你展示的廣告。

然而，之所以不把算法驅(qū)動的動態(tài)消息與社交網(wǎng)絡放在同一個章節(jié)討論，是因為顯示其的力量的例子根本不是社交網(wǎng)絡：而是TikTok 。當然， TikTok全都是用戶生成的內(nèi)容，但它與 Facebook 的關鍵區(qū)別在于，內(nèi)容不受限于你的關系網(wǎng)絡： TikTok從整個網(wǎng)絡提取它認為你最感興趣的視頻。我在2020年時解釋了為什么這是Facebook的盲點：

有趣的是，F(xiàn)acebook錯過這個是不可避免的，原因在于：首先，F(xiàn)acebook 把自己看作是一個社交網(wǎng)絡，所以它不愿意將其視為一種責任。其次，F(xiàn)acebook 對待Snapchat的方式強化了這種觀點。我那篇文章的重點是 Facebook 利用Instagram 的社交網(wǎng)絡來阻止Snapchat 的增長，這只會強化“網(wǎng)絡是 Facebook 更大的資產(chǎn)”這一點，而使得TikTok 這個盲點變得越來越大。

TikTok把兩個東西結(jié)合在了一起，一是具備零成本特性的用戶生成內(nèi)容，二是與網(wǎng)絡分離的純算法的動態(tài)內(nèi)容；這種結(jié)合具有網(wǎng)絡效應，因為TikTok需要很多內(nèi)容供自己選擇，但它不需要特定的網(wǎng)絡。

機器學習的元宇宙

我知道，元宇宙太 2021 了，但令我震驚的是，科幻小說里面的例子，包括《雪崩》以及《頭號玩家》等，在實現(xiàn)上其實非常像游戲。他們的虛擬世界是由有遠見的公司創(chuàng)建的，或者是由一位有遠見的開發(fā)者創(chuàng)建的，他也會開發(fā)一個爭奪虛擬世界最終所有權(quán)的確定性游戲。是，第三方可以而且確實建立了具有強大社交組件的體驗，最的是《雪崩》里面 Da5id的黑色太陽俱樂部（black Sun club），但它的核心機制，以及核心經(jīng)濟，更接近多人游戲，比任何其他東西都要接近。

不過，這一點在現(xiàn)實世界里面極具挑戰(zhàn)性：請記住，游戲開發(fā)非常耗錢，游戲的藝術創(chuàng)作尤其昂貴，而且成本越高，沉浸感體驗越強。另一方面，社交媒體很便宜，因為它用的是用戶生成的內(nèi)容，但這些內(nèi)容一般都體現(xiàn)在更基本的媒體上，如文本、圖片之類，視頻也是最近才出現(xiàn)的。當然，內(nèi)容未必就得限制在你的網(wǎng)絡里面——算法可以將網(wǎng)絡上的任何內(nèi)容呈現(xiàn)給任何用戶。

DALL-E 的迷人之處在于它指向了一個可以將這三種趨勢結(jié)合起來的未來。歸根結(jié)底，DALL-E 最終是人類生成內(nèi)容的產(chǎn)物，就像它的表親 GpT-3一樣。當然了，后者是做文本生成，而 DALL-E 是圖像生成的。但請注意，這是從文本邁進到了圖像；接下來就會有機器學習生成的視頻。當然，這可能需要幾年的時間；視頻這個問題會更加困難，而響應式的 3D 環(huán)境則是難上加難，但這就是這個行業(yè)以前走過的道路：

游戲開發(fā)者突破了文本的限制，然后是圖像，然后是視頻，然后到 3D

社交媒體先是將文本內(nèi)容創(chuàng)作的成本降到0，然后是圖像，然后到視頻

機器學習模型現(xiàn)在可以用零邊際成本創(chuàng)建文本和圖像

從長遠來看，這指向的是這樣一個元宇宙愿景，它的確定性要比典型的視頻游戲低得多，但在生成內(nèi)容的豐富性方面又比社交媒體豐富得多。想象一下，一個不是由藝術家繪制而是由人工智能創(chuàng)造出來的環(huán)境：這不僅增加了可能性，而且至關重要的是，降低了成本。

零邊際內(nèi)容

我們還可以換一種方式來思考 DALL-E 和 GpT 以及類似的機器學習模型，這可以追溯到我一直以來主張的一個觀點，即互聯(lián)網(wǎng)是一種只有印刷機才能匹配的變革性技術。后者的革命性在于它大大降低了消費的邊際成本。以下內(nèi)容來自《互聯(lián)網(wǎng)與第三階級》：

與此同時，印書的經(jīng)濟性與手工抄寫的經(jīng)濟性有著根本上的不同。后者純粹屬于運營費用：產(chǎn)出完全要取決于勞動力的投入。反過來，前者主要是資本支出：首先，你得造印刷機，其次，給一本書設置好活字。這些重大的前期費用更好的支付方式，是一本書要做出盡可能多的副本以供出售。

那么，怎么才能以更大限度地增加可以出售的副本數(shù)量呢？答案是用特定語言使用最廣泛的方言來印刷，這反過來又會激勵大家采用這種方言，從而在歐洲范圍內(nèi)對這種語言進行標準化。相應地，這又會加深使用共同語言的城邦國家之間的親和力，尤其是在數(shù)十年的時間里圍繞著書籍以及后來的報紙形成了共同文化。這種合并的發(fā)生速度各異，英格蘭和法國比德國和意大利早了幾百年，但幾乎在所有情況下，等級都不是天主教會的神職人員，而是國家君主，即便這些君主將權(quán)力讓渡給以伯克為典型代表的一種新型的貴族精英。

互聯(lián)網(wǎng)產(chǎn)生了兩個影響：一是讓消費的邊際成本降到了零。即使是用印刷機，仍然需要打印實物并分發(fā)出去，這需要花錢；與此同時，把你現(xiàn)在看到的這篇文章發(fā)送給全世界任何一位感興趣的人其實是不用花錢的。這徹底顛覆了出版業(yè)，摧毀了看門人的力量。

不過，另一個影響發(fā)生在供給側(cè)。我在 Mistakes and Memes 中寫過關于TikTok的文章：

“Facebook吸引人之處也可能是因為它呈現(xiàn)出來的內(nèi)容本身，至于是誰呈現(xiàn)的并不重要”這句話其實也可以用來描述TikTok。這句話描述Tiktok錯在后者的吸引力在于它呈現(xiàn)的內(nèi)容，至于是誰創(chuàng)建的并不重要……換句話說，我太過專注需求了（這是聚合理論的關鍵），所以對供給側(cè)的演變沒有予以足夠的思考。用戶生成內(nèi)容未必就只能是阿貓阿狗的圖片以及某人關系網(wǎng)絡內(nèi)的人的政治抱怨。它還可能是一種新型網(wǎng)絡的基礎——在這種網(wǎng)絡里面，梅特卡夫定律的結(jié)果不在于任何一個節(jié)點可用的連接數(shù)，而在于定制化到動態(tài)消息的輸入數(shù)量。

機器學習生成內(nèi)容就是TikTok之后的下一步：GpT 和 DALL-E 以及其他類似模型不是從網(wǎng)絡上的任何地方去獲取內(nèi)容，而是以零邊際成本用內(nèi)容生成新的內(nèi)容。這就是元宇宙的經(jīng)濟學最終將行得通之處：虛擬世界需要以近乎零成本去創(chuàng)作完全可以針對個人定制的虛擬內(nèi)容。

當然，DALL-E 還向我們提出了許多其他問題，其中很多屬于哲學上的問題。上周大家對這個話題已經(jīng)進行了很多討論，而且未來應該還會有更多的討論。盡管如此，它的經(jīng)濟影響也很重要，在上周DALL-E發(fā)布之后，互聯(lián)網(wǎng)的未來距離我們比以往任何時候都更接近，也更奇怪了。

譯者：boxi。