“小小的人们走进三维(3D)水彩画中”“人们正走在纽约街头”“细细的彩虹随着人的舞动而移动”“抽象的舞蹈变成树的形态”——输入这些指令后,20秒长的视频立刻生成。基于这些看似互不关联的描述制作出的影像,如同一部作品般流畅衔接。就这样,借助谷歌的生成式人工智能(AI),只要用文字说出句子,就不仅能生成图像,还能制作出高分辨率的视频。
2日(当地时间),谷歌在美国纽约办公室举行的年度大会“AI@ 2022”上,大举公开了具备上述功能的生成式人工智能,以及翻译、灾难探测等多种AI技术。谷歌强调,在推动AI发展的同时也重视“负责任的AI”的重要性,将打造以人的安全和隐私为优先的AI。
谷歌首席执行官(CEO)桑达尔·皮查伊强调:“如今无论何种形态的技术,很多都是以帮助人为宗旨开发出来的。”他表示:“尤其是谷歌从一开始就开发‘负责任的AI(responsible AI)’,并制定了将人的安全和隐私置于一切之上的AI原则。”
连“抽象”一词也能转换为影像
谷歌首先公开的是AI模型“Imagen Video”和“Phenaki”,它们能够通过描述情景与人物的文字指令,生成将其串联起来的长视频。这两个引擎各自专注于不同领域,但相互补充。Imagen Video侧重于生成高画质影像,而Phenaki的特点是通过指令生成较长篇幅的影像。当不同的文字指令接连输入、一段影像生成的过程中,把句子里“抽象的”这一指示要求以影像呈现出来,令人印象深刻。
谷歌研究首席科学家兼谷歌大脑研究负责人道格拉斯·埃克强调:“通过讲述一个长故事,不止于一个场景或一个动作,而是生成相互衔接的场景,这是了不起的事情。”他表示:“这相当于一种新的叙事方式,期待电影和影像创作者会如何加以运用。”
借AI创作小说……翻译语种也将扩至1000种
当天有关生成式AI的发布中,大量涉及在人类创造力发挥的领域取得进展的案例。谷歌尝试让小说家借助其语言模型LaMDA对话引擎来写小说。这一实验产生的小说预计不久将公开。不过,埃克首席科学家表示:“有一点很明确,用LaMDA去写一个完整的故事是错误的方向。”他说:“为故事增添香料才是更好的用法。”
与此同时,谷歌决定把现有的翻译语种增加到1000多种,计划让使用人数不多的少数语言也能被翻译。
谷歌方面提到目前基于400多种语言训练的通用语音模型,称其为“目前地球上覆盖范围最广的模型”。据介绍,为将该模型可处理的语言扩展至1000种以上,谷歌正与非洲和南亚的地方政府、研究团体等合作,收集各种语言及其方言的音频样本。谷歌计划以此为守护语言多样性作出贡献。






