受訪嘉賓：ZMO.AI 創(chuàng)始人&CEO 張詩瑩

　　AI具有想象力與創(chuàng)造力嗎?

　　“Yuan初”創(chuàng)始人張詩瑩的回答是“Yes.”

　　“Yuan初”的母公司，張詩瑩所創(chuàng)辦的ZMO一直致力于利用AI來進行圖片、視頻等內(nèi)容的直接生成——是的，幾個關鍵詞就足以讓AI自動生成圖片或視頻，除ZMO剛剛上線的中文版產(chǎn)品“Yuan初”（https://yuan.zmoai.cn/）之外，這種嶄新的內(nèi)容創(chuàng)造機制已經(jīng)在歐美流行起來。

　　AI的創(chuàng)造力，是一點點被ZMO團隊“發(fā)掘”的，它可以創(chuàng)造出“不合常理”的事物，例如像豹子一樣的兔子，狗狗和面包的結(jié)合，也可以創(chuàng)造出超脫于當今創(chuàng)作者的新風格。

　　“Yuan初”的初心并非僅僅是想象與創(chuàng)造，而是希望實實在在地解決用戶的需求，從大V、博主與UP主到新媒體小編，以及所有需要海報、包裝設計、產(chǎn)品展示的從業(yè)者。對他們來說，一些設計圖的初始版本已經(jīng)可以交給AI來完成，設計師可以從事更加重要的創(chuàng)意工作，互聯(lián)網(wǎng)的內(nèi)容生產(chǎn)也許不再是一件門檻過高的事情。

　　1- Diffusion model技術突破帶來的革命

　　在推出“Yuan初”之前，張詩瑩的團隊一直在生成式AI(Generative AI)這片領域探索，并且小有成就。轉(zhuǎn)折點發(fā)生在2022年4月，當時行業(yè)掀起了一場不小的風暴，“AI生成”技術嶄新的算法框架出現(xiàn)了。

　　Diffusion model框架的理論基礎在2015年已經(jīng)被提出【1】，直到最近1-2年開始在圖像生成的效果上有了很大突破【2】，開始被大家關注，成為學界的新寵。同時，在“文本-圖像”跨模態(tài)大模型的加持下，Diffusion model更是在文字生成圖片這一應用中大放異彩，受到業(yè)界與資本的追捧。生成模型領域在過去近8年時間里，大多數(shù)任務的SOTA一直都是GAN(生成對抗網(wǎng)絡)框架霸榜。GAN通過對抗學習的方式，同時訓練一個判別器和生成器，兩者互相對抗互相促進提升，最終目的是讓生成器生成出以假亂真的真實圖像，讓判別器難以判斷是真是假，以達到納什均衡。

　　文字生成圖片這一應用在GAN框架中也有被廣泛研究，不過從生成質(zhì)量以及圖文匹配度來說，都還離實用化還有很大距離。其原因主要在于三點：

　　1）GAN在生成圖像時直接一次性完成從噪聲/條件到最終結(jié)果的生成，這種一步到位的方式難度很大；

　　2）GAN本身基于的對抗學習訓練方式并不是*的，容易陷入局部優(yōu)化的困境，并且在學習復雜數(shù)據(jù)分布時容易訓練失��；

　　3）缺乏大模型的加持，文本與圖像多模態(tài)之間的關聯(lián)性難以充分學習，導致在非限定場景中的效果較差。

　　張詩瑩這樣解釋Diffusion model的算法框架優(yōu)勢：Diffusion不是直接在噪聲和圖像直接進行映射，而是通過逐級前向加噪和逆向去噪的過程實現(xiàn)噪聲和圖像直接的映射。這種AI學習之后，就可以生成非常精美的圖片，讓生成效果提升一個臺階。此外在跨模態(tài)大模型的幫助下，AI能夠和用戶通過自然語言進行簡單的交互，生成用戶心中所想的高質(zhì)量圖像。

　　Diffusion model的算法框架在北美火爆了一把，很多人通過其中的開源框架來推出自己的新一代“生成工具”。ZMO團隊也看到AI生成可能會改變未來的很多事情，因此上線了“Yuan初”（yuan.zmoai.cn）。

　　讓機器來畫圖、做視頻，聽起來是一件有些神奇的事，但長遠來看它將解決重要的剛需——這是張詩瑩的理解。她認為人們在虛擬世界里流連的時間越來越多了，一個在真實世界里盯著電腦或手機的人，消費的是虛擬世界的文字、圖片或視頻，而理所當然的結(jié)果就是虛擬世界之中文字、圖片或視頻的需求量正在指數(shù)級增加。不僅需求量提升，對質(zhì)量的要求也非常高，只有新鮮的、吸引人的才是好的。

　　那么這些文字、圖片或視頻內(nèi)容還能從哪里供給呢，張詩瑩認為，如果只有小部分人是專業(yè)創(chuàng)作者，那么生產(chǎn)速度是永遠趕不上需求速度的。但每個普通人都可以依靠AI生成內(nèi)容。在嘗試AI生成階段，她還發(fā)現(xiàn)AI這個“靈魂畫手”具有讓人驚艷的創(chuàng)造力，也許大家低估了AI的能力邊界。

　　在圖片這個切入口之后，張詩瑩的ZMO團隊最近也在研究海外的AI文字生成器，這些生成器在國外已算是風靡，迅速走向了商業(yè)化，Airbnb等企業(yè)也是它們的客戶。

　　AI不僅是“靈魂畫手”，也可以是“靈魂寫手”，給一個標題和幾個關鍵字，生成的AI文字甚至可以“以假亂真”。張詩瑩覺得很有意思的地方在于，如果給AI一個命題，AI甚至可以在文章開頭“自問自答”這個概念的含義，而它寫出的含義是在Google上搜不到的。換句話說，這是AI自己所“理解”的概念，通過理解再進行與其他概念的關聯(lián)而感受到概念與概念之間的關系，再去自動生成。

　　既然AI可以自行創(chuàng)作，那么這個話題往深處展開，很容易讓人疑惑：它是否會替代創(chuàng)作者?張詩瑩給出的解釋是，AI能夠?qū)��?chuàng)作門檻降到*，甚至由于機器學習可以了解人們最感興趣的信息與最喜歡的圖像，而使得AI作品更抓人眼球，做出真正高流量的爆款作品。但AI沒有自己的觀點，因此它只能做一個幫手，而不是創(chuàng)作的主角。

　　ZMO團隊持續(xù)嘗試AI生成的驅(qū)動力是讓每個人成為創(chuàng)作者。因此，他們正在打造使用難度低的產(chǎn)品，而想要降低圖片素材的門檻，不僅可以生成，還可以直接更換元素。例如“Yuan初”的新功能photo  editing可以支持用戶直接擦除圖片的部分，無論是背景或是人像，都可以迅速換上自己想要的元素。“Yuan初”正在成為一個“AI版Photoshop”。

　　2- “Yuan初”的用戶是誰：

　　所有與傳播和市場相關的工作者

　　張詩瑩曾經(jīng)在曾是Apple Air Pods產(chǎn)品線創(chuàng)始團隊核心人員，主要負責產(chǎn)品線的系統(tǒng)構(gòu)架研發(fā)，設計，生產(chǎn)整個流程，之后加入Google 擔任AR系統(tǒng)構(gòu)架師，負責Glass, Reflector等項目的算法和構(gòu)架。

　　盡管自己擁有技術與產(chǎn)品的雙重背景，她把ZMO的技術積累歸功于團隊：Liqian Ma在北大研究生畢業(yè)后前往魯汶大學讀了人工智能的博士學位，導師是CVPR最高獎馬爾獎的獲得者，盡管已經(jīng)拿到了Google、Facebook、Adobe等巨頭的offer，仍然選擇創(chuàng)立一家基于AI技術的公司;Han專攻圖像生成算法，很早便在 CVPR上發(fā)表了AI相關的文章，并將Diffusion model上一代的GAN技術使用到1024高清版并且可以商用的級別，在騰訊工作時，他所在的AI部門也獲得了不少獎項;另外一位聯(lián)合創(chuàng)始人Roger Yin雖然負責營銷，但同樣擁有擁有UBC計算機工程學位。

　　美國疫情剛爆發(fā)時，張詩瑩偶爾與Google ads的同事交流，她發(fā)現(xiàn)僅僅在線廣告上面，內(nèi)容的需求量就已經(jīng)激增起來。尤其在新冠疫情后，人們把更多時間花在線上，對于內(nèi)容的新鮮度更加挑剔了。線上辦公引發(fā)了內(nèi)容狂潮，每位博主大V都在費盡心思地做好內(nèi)容，吸引讀者與消費者。

　　當然，想到創(chuàng)業(yè)，張詩瑩首先思考的還是AI生成的商業(yè)前景。能夠立刻想到的是兩個產(chǎn)業(yè)：廣告與娛樂。廣告對內(nèi)容的需求程度極高，她的前東家Google 更是一家主要收入為廣告的巨頭，因此張詩瑩自然而然地考慮到廣告商對內(nèi)容生成產(chǎn)品的付費意愿。

　　不過，對內(nèi)容生產(chǎn)有強烈需求的不僅是娛樂行業(yè)，“Yuan初”的定位是給所有需要進行市場推廣、自我展示的從業(yè)者。這種需求是十分剛性的：首先，國內(nèi)外對版權都很重視，當大家不得不配圖的時候，AI設計圖片不會面臨圖庫圖片的版權紛爭。

　　其次，線上圖片實際上存在“供不應求”的問題，如果大家因為使用圖庫的圖片而遭遇圖片“撞車”，以國外為例，Google會把內(nèi)容創(chuàng)作的權重降低，因為圖片不夠原創(chuàng)性。

　　ZMO目前旗下有兩款產(chǎn)品，一款主打跨境電商，另一款是如今上線的“Yuan初”。雖然上線不久，但后者的客戶群已經(jīng)拓展得很寬：圖書編輯會使用它形成插畫，游戲開發(fā)者通過對游戲當中角色的的描述生成角色形象再加以雕琢，網(wǎng)站設計師通過AI作圖來設計底稿并請客戶提出修改意見。ZMO的一位客戶是一家巧克力棒廠商，它的新品包裝還未設計出來，但產(chǎn)品又著急上線，就用AI一口氣生成了10個包裝提前進行展示。

　　AI生成器甚至就像是想象力豐富的乙方，“甲方爸爸”提出的需求可以瞬間生成樣片。偶爾甲方的需求是一只賽博朋克的猴子，在埃菲爾鐵塔旁邊喝酒的考拉，這些天馬行空的想法對設計師來說這或許有些魔幻，但AI會結(jié)合不同風格，例如漫畫風、油畫風、藝術風、3D渲染風等風格來給出讓人想不到的圖片。

　　除了幫客戶解決生成問題，AI在機器學習之后結(jié)合流量分析形成了優(yōu)化推薦機制，ZMO因此與幾家客戶測試了效果。他們計算了CTR(Click-Through-Rate)即點擊通過率，觀察消費者是否喜歡這些AI生成的圖片，目前來看，幾家客戶的CTR都被提升了2-3倍。

　　下一步，“Yuan初”的發(fā)力方向?qū)⑹?D模型與視頻。3D模型被認為是最花時間的設計之一，由于要模擬真實的場景與人體，既耗費資金又耗時間。不過，ZMO團隊認為AI算法足以生成低模3D模型，可以為客戶直接省錢提效。

　　另一個重要的功能是AI視頻生成。張詩瑩提到，無論是文字、圖片還是3D、視頻，歸根結(jié)底都是要 形成好的內(nèi)容，能給到創(chuàng)作者去吸引流量，產(chǎn)生點贊、評論與轉(zhuǎn)發(fā)，因此視頻制作的功能也會做得更豐富一些，可以讓客戶只輸入幾個關鍵詞與標題，就能生成一整段文案，并且配上對應的圖片，變成一個簡單的、擁有配音的視頻。而“Yuan初”的用戶只需要把用戶主流的需求收集并整理好，就能根據(jù)自己的受眾喜好去調(diào)試AI視頻內(nèi)容。

　　可以看出，ZMO的每項動作，張詩瑩都將其導向商業(yè)，即能否幫客戶省錢省時與賺錢。在她看來，所有與傳播和市場沾邊的工種都會是“Yuan初”的潛在用戶，而所有與傳播和市場相關的工作也都是企業(yè)需要砸錢完成的。就像電商行業(yè)，一條裙子100元的售價之中，也許50元都要花去打廣告。

　　在流量最貴的當今，AI應當扮演怎樣的角色?她認為AI不應該是一個高大上的概念，而應當是商業(yè)的解決方案。如果說“AI生成”是AI產(chǎn)業(yè)繼聲音、影像識別后的熱點，那么這個熱點必須與商業(yè)緊密結(jié)合才會長久。

　　在蘋果與Google的經(jīng)歷塑造了張詩瑩的想法。她把蘋果發(fā)新品笑稱為“發(fā)布火箭”，因為果粉們每次都期待蘋果每年的發(fā)布會上可以發(fā)布像火箭一樣酷炫的潮品，但每次發(fā)布的卻都是與之前差不多的產(chǎn)品，會感到失望。

　　而這種情況在她看來又極其合理。蘋果的決策取決于對用戶的分析，她記得蘋果的同事們最開始對AirPods的策劃包含了不是奇特的想法，例如做一款透明的耳機，或者讓耳機可以打火。但最后這些想法都被用戶的需求否定了。在那段經(jīng)歷中，她學到的是，只有對用戶有價值他們才會購買，只有產(chǎn)品賣得好一個部門才有更大的價值。她從蘋果學到了產(chǎn)品與技術的平衡：產(chǎn)品去駕馭技術，技術為產(chǎn)品所用。

　　所以，創(chuàng)業(yè)后的張詩瑩也給ZMO提出了一句slogan：消費即生成，讓AI生成用戶愿意閱讀、點贊甚至消費的內(nèi)容，才是落地的意義。

　　參考文獻：

　　【1】Deep Unsupervised Learning using Nonequilibrium Thermodynamics, ICML'15

　　【2】Denoising Diffusion Probabilistic Model, DDPM'20