AI绘画未来如何改进？来看斯坦福教授的预测！

编者按：这篇文章是来自斯坦福的年轻教授 Maneesh Agrawala，他本人既是斯坦福计算机专业的教授，也是斯坦福大学布朗媒体创新研究所的所长。他在去年 HAI 2022 秋季会议上发布了演讲「AI回路：演进中的人类」，而这篇文章正是演讲内容修订后的版本。对于 AIGC 当下存在的深层问题，AI 的逻辑以及未来可能的改进方式，给出了详尽的解读和预测。以下是正文：

最近我决定更新一下我的个人网站的图片资料：

作为一名计算机专业的教授，我觉得现在制作一张高质量照片，最简单的方法，就是使用 DALL-E2 来生成。所以我写了一个简单的 prompt：「Picture of a Professor named Maneesh Agrawala」，然后 DALL-E2 给我生成了……额……这张照片：

根据我文本提示，它生成了一张看起来有着明显印度裔特征的男性，给他穿上了看起来「专业」的服装，并且把场景设置在一个学术研究室当中。从整体上来看，物体、灯光、阴影和色彩都是连贯的，是单一且统一的照片。我对于 AI 生成的照片总体上是不会吹毛求疵的，不过手看起来比较奇怪，有一边眼镜腿没了，当然，从我更人需求的角度出发，我很希望它生成这个角色看起来年轻一点。

总体上来看，AI 能够生成如此之逼真的照片确实是令人惊艳的，这是人类历史上从未有过的数字超能力。

AI 能生成的不止是图片内容。先走的生成式 AI 对于用户而言，是一个巨大的黑箱。将自然语言作为输入内容，AI 能够生成素质惊人的文本内容（GPT4，ChatGPT），图片内容（DALL-E2、Stable Diffusion、Midjourney），视频内容（Make-a-Video），3D 模型（DreamFusion）甚至程序代码（Copilot , Codex ）。

那么这次我们使用 DALL-E2 重新生成一张照片看看吧。这次， 我想看看如果斯坦福以《银翼杀手》的风格呈现出来的时候，会是什么样子。斯坦福最典型的建筑就它的主广场，中间是被棕榈树包围的纪念教堂，而谈及《银翼杀手》的时候，我能想到的是霓虹灯，拥挤的夜市，连绵的雨水和大排档。所以我撰写了 prompt：「stanford memorial church with neon signage in the style of bladerunner」。

在第一次迭代的时候，生成的图片并没有呈现主广场和棕榈树，所以我将「And main quad」添加到第二轮的 prompt 当中，在第三轮迭代中，我加入了「with palm tree」，生成的图像越来越像斯坦福的主广场，但是和《银翼杀手》的夜景没有啥关系。我开始周期性地修改 prompt，尝试找到更合适的 prompt，以产出我想要的图片内容。在第 21 次迭代之后，我在 DALL-E2 耗费了好几个小时，我决定在此止步。

实际上，最终生成的图片依然不符合我的预期。更糟糕的是，我不清楚如何更改 prompt 以确保 AI 生成的内容能够进一步靠近我的想法。

这个过程令人沮丧。（这大概才是绝大多数 AIGC 内容产出的真实情况吧？）

事实上，寻求有效的 prompt 是如此之艰难，以至于现在诞生了专门的论坛（比如 PromptHero、Arthub.ai、Reddit/StableDiffusion）来搜集和分享各种 prompt，甚至还诞生了专门买卖 prompt 的市场（promptbase），还诞生了大量的关于 prompt 的研究性的论文。

良好的 UI 提供了可预测的概念模型

要理解为什么写出有效的 prompt 很困难，我认为唐纳德诺曼的《设计心理学》当中提及的一件轶事非常具有启发意义。这个故事说的是他自己拥有一个冰箱，而冰箱内设置温度的功能极度难用，因为它的温控大概是这样的：

这个冰箱有着典型的冷冻室和冷藏室，它的两套设温控设施让人觉得两者有着独立的控制系统，实际上这个冰箱仅有一个冷却装置，而控制两者温度主要依靠一个阀门，来分配两者所用的冷气。这也意味着，原本的控制功能已经很难理解很难用了，而实际上的体系比我们看到的更加复杂，使用一个你看不到的阀门来耦合控制。

使用不正确的概念模型，用户不仅无法预测输入的数值，也无法掌控输出的效果。实际在操作的时候，用户需要操控 (i) 设置控件进行调整，然后(ii)等待 24 小时等到温度稳定下来，并且 (iii) 检查最终的温度是否符合他们的预期，如果结果稳定且符合预期还好说，如果不符合，需要返回步骤 (i) 。这种操作带来的沮丧感，其实和当前 AI 给人的感觉类似。

对我来说，这件事情给我的主要启示有 2 点：

1. 设计良好的界面能够给用户创建一个正确的概念模型，可以大体预测输入内容是如何控制输出内容的。
2. 当概念模型不课预测的时候，用户就会被迫使用试错的方法。

UI 设计师的工作之一，就是创建一个用户可预测的概念模型。

AI 黑匣子不提供预测概念模型

生成式 AI 的黑盒状态，其实是最糟糕的界面，因为它们还无法给用户提供可预测的概念模型，目前绝大多数人都不清楚 AI 是如何将自然语言 prompt 转化为最终的输出结果，即使是 AI 的设计者通常也无法确知，怎样去构建一个让用户可以理解和预测的概念模型，来帮助用户更好输出内容。

现在回到 DALL-E2 ，我试着使用「Picture of a cool, young Computer Science Professor named Maneesh Agrawala」来让它为我创建一个更好的照片：

很多时候我确实不知道 prompt 是如何影响图片的，比如我使用「Cool」这个词，它映射到图片当中的特征是运动外套和 T恤的组合，还是年轻的面容？而「Computer Science」 是否意味着 DALL-E3 需要输出写实的图片而非插画？没有逻辑顺畅的预测概念模型，我也不知道答案是什么。我唯一能做的和大家一样，就是不停输入和修改 prompt 来等待结果。

人类也是糟糕的 UI，但是比 AI 强一点

AI 的目标之一，是像人一样创造。你可能会说，自然语言是人和人进行沟通的语言，显然人是更好的 UI，这一点我不完全同意。人类本身也是产出垃圾内容的 UI。人类的可怕之处和 AI 黑箱的缺陷是完全相同的。当我们面对另外一个人的时候，我们其实面对着同样的问题，我们通常很难准确预测对方回复你的语言是什么。

就目前而言，人类比起 AI 黑箱更优，这主要有两方面的原因。

首先，身为人类的我们，在预测人类合作方的「行为模式」的时候，是根据自身响应需求的方式来预测的，也就是「以己度人」。我们对于行为模式和概念模型，有很强的先验性，因为我们会假设对方和我们一样。

其次，根据 Herb Clark 等语言学家所指出的，我们可以和人类合作方通过交谈，来构建共识，共享相同的语义。我们可以在语言沟通中，逐步消除歧义和误解，并且完善和调整策略。

共同性、语义共享和修复策略是人类协作的基础。

尽管人类之间拥有这样的优势，和另一个人想要形成高质量的协作，依然需要通过多次迭代才能完成。最有效的合作通常需要数周、数月乃至于数年的对话，才能建立起共同点（想想婚姻关系吧）。

正如我所说的，人类是可怕的 UI，但是依然是比 AI 黑箱更好的 UI。

向拥有对话界面的 AIGC 前进

那么我们要如何才能创建出更好的 AI 工具呢？有一种方法是支持对话式的交互。ChatGPT 等文本生成式工具，已经开始这么做了。这些工具开始支持多轮对话，可以是作为未来人与 AI 进行有效沟通的基础。上下文环境让 AI 和用户都可以参考之前对话中内容的概念，以此为基础达成共识。不过不清楚目前的 AI 系统包含有多少常识，AI 对语义概念的理解似乎还有所不足。但是人类用户而言，ChatGPT 到底懂得多少其实是不确知的，因此对话通常需要进行多轮来回，双方才能构建起基本的共识。此外，AI 和用户对话本身并不会直接更新 AI 本身的模型，为这些模型增加常识、基础概念、推理能力，依然是目前 AI 研究的主要推动力。

Prompt-to-Prompt image editing [Hertz 2022]

自然语言通常是模棱两可的。人类通过对话，来逐步消减歧义，确保大家在讨论的是同一件事情。有研究人员已开始将这种修复机制应用到文本生成图片的 AI 系统当中，比如 Prompt-to-Prompt image editing [Hertz 2022] , 用户可以先用 prompt 生成图片，然后优化 prompt 生成新的图片，这个过程中只需要进行微小的调整即可，上图中，通过添加额外的关键词，生成了更加准确的内容。这本身就是一种改进的方式。

减少自然语言歧义的另外一种方法，是让用户添加约束条件。图到图转化 （Image-to-image translation [Isola 2016]）就是一种典型的约束方式，通过机器学习生成对抗网络（GAN），在这种环境下，当你输入一种类型的图像（比如标签图、轮廓图），就能生成另外一类图像（比如照片或者地图），输入的图像会约束输入图像的特征。这样的约束方式比起用户模糊的语言描述会显得更强，提供了更加精确的空间特征。如今我们手底下很多小组在文本转图像的 AI 交互中，使用了这种方式来强化上下文环境。

对话式交互能超越自然语言单一命令。在文本转图像的 AI 模型研究中，很多 AI 研究者已经开始研究「建立共识」的方法。Textual Inversion [Gal 2022] 和 DreamBooth [Ruiz 2022] 都会让用户提供示例图，AI 模型则会将文本 prompt 和这些图像示例关联起来，这样用户和 AI 会建立某种共通的信息基础。

而「神经符号法」则提供了另外一种创建 AI 模型对话界面的图形。一个 AI 模型不是直接生成内容，而是生成某种程序，只有运行了这种程序才能生成内容，这种程序在某种程度上就是 「共识」本身，它是人类和 AI 可以以相同方式理解的东西，而这就是将编程语言语义形式化的基础。这意味着，即使没有明确的语义，开发者依然可以通过检测代码内容来确定 AI 是否在做「正确的事情」。这个时候，开发者可以在编程语言层面上给 AI 提供修复建议，而不是简单的使用自然命令。

结语

AIGC 的模型是令人惊叹的，但是它依然是糟糕的界面，只要输入和输出之间的映射不明确，它就一直是个问题。我们可以启用对话式交互来改进 AI，创建更多的「共识」。