1月5日，在百度“AIGC智能创作新风尚”媒体沟通会上，百度技术委员会主席吴华介绍了百度AIGC内容生成能力背后的技术原理。吴华指出，熟练地掌握AIGC，创作者将能够更加轻松、高效、快乐地创作，甚至一个人就可以完成编剧、美术创作及后期剪辑等内容创作全流程工作，成为天才创作者。
据吴华介绍，通过使用百度文心ERNIE 3.0 Zeus，创作者只需输入一个题目，就可以瞬间结合语境写出上百篇不同体裁、风格的作品，甚至是完成剧本创作。此外，通过百度文心ERNIE-ViLG 2.0，创作者还可以根据一句话或一段描述文本，生成精美的画作；如果再通过百度专门的视频内容生成与编辑技术对该画作或者视频进行处理，就可以得到全新或者更加精美的视频。据吴华透露，在1月10日即将召开的 2022百度Create大会上，百度还将推出更多的AIGC工具产品并对相关技术进行讲解。
“大模型的进步，让我们在文字、图像、视频等创作领域全面感受到了AI技术的魅力。如果你掌握了这项内容创作能力，那你几乎可以完成一部影片的许多重要工作，成为天才鬼才创作者。再配上自己设计的虚拟人演员，那你就可以成为一个真正的‘独立’制作人、真正的‘独立导演’。”吴华表示。
ERNIE 3.0 Zeus，会写故事的“天才编剧”
在此前的发言中，百度创始人、董事长兼首席执行官李彦宏也曾指出，“过去一年间，人工智能无论是在技术层面还是在商业应用层面，都有了巨大的进展，有些甚至是方向性的改变。”而在诸多被提及的方向性改变中，AIGC成为了被重点提及的对象。
2022年5月，百度发布了融合任务相关知识的千亿大模型ERNIE 3.0 Zeus。该模型能够从丰富多样的无标注数据中学习，同时在学习过程中融入知识图谱指导模型学习世界知识和语言知识，进而提升学习的效率。此外，该模型还能从摘要、对联、翻译、分类、阅读理解等百余种不同形式的任务中学习知识，通过对通用知识和专门知识的学习来提升模型泛化能力，使得ERNIE 3.0 Zeus能够做到多种语言理解和生成任务，成为名副其实的“通才”。
例如，输入一篇论文，ERNIE 3.0 Zeus可以立刻自动生成摘要；输入一个题目，它可以瞬间写出上百篇作文，而且作文还可以结合语境，写出不同的风格，甚至是诸如诗歌、小说等不同的体裁内容。
同样的，ERNIE 3.0 Zeus也会写剧本。吴华指出，事实上有很多电视剧的剧本并不是由一位编剧单独完成的，而是由一位总编剧制定总纲，再制定每一集的大概内容，再交给多位编剧分别写每集的具体对话、详细故事。因此，如果一个人能编制一部电视剧的总纲，他便可以把每一集的要求交给ERNIE 3.0 Zeus生成故事，然后再经过合并整理最终写出整部剧。
吴华指出，文心 ERNIE 3.0 系列模型已经在几十类自然语言理解和生成公开权威任务，以及零样本、小样本学习任务上处于世界领先水平。此外，它还发布了业界首个开放的千亿参数中文生成API，供各行各业开发者到文心大模型官网上调用、学习。
从“插画”到生成“视频”，AIGC让创作更高效
在编剧的工作完成后，场景和画面的美术创作，以及视频内容的产出和后期剪辑，是影视创作中必不可少的关键环节。而借助百度文心ERNIE-ViLG 2.0以及VIMER-TCIR等模型工具，创作者可以逐步完成他想要实现的目标。
2022年10月，百度发布了业界首个知识增强的AI作画大模型 ERNIE-ViLG 2.0。它能根据一句话或者一段描述文本，生成一幅精美的画作。吴华介绍指出，为提高文本生成图像的准确性，百度在AI预训练学习过程中创新性地提出了知识增强的扩散模型，实现了精准的细粒度语义控制；同时通过引入混合降噪专家网络，对图像生成不同阶段对模型、计算性能要求的不同，使用不同网络进行了针对性地建模和优化，进而提升了图像生成的质量。
吴华指出，在实际应用场景下，只需要输入一段文字，ERNIE-ViLG就可以快速理解这段文字所表达的含义和场景，然后根据这个理解，几十秒内就可以生成媲美人类作画水平的图像，而且可以同时生成数百张风格各异的画作，比如写实、意象、中国风、二次元等等。它甚至可以生成现实世界中没有创造性的图像，比如穿西装的齐天大圣、街边撸串儿的熊猫，让人们天马行空的想象力得到精准的可视化呈现。
在权威公开数据集 MS-COCO 上，目前ERNIE-ViLG 2.0已经刷新 SOTA 效果，性能远远超过了国际上的同类技术；而在图文相关性和图像保真度两个维度的人工评估上，ERNIE-ViLG 2.0 相对 DALL-E 2 和 Stable Diffusion 同样取得了较大的优势。
由于人类眼睛的特殊生理结构，如果所看画面的帧率高于60Hz时，就会认为是连贯的，这也造就了早期电影胶片是一格一格拍摄出来，然后再快速播放的情况。而AI生成的图像，在经过帧率的调控之后，也将进一步生成视频。
据吴华介绍，在视觉内容生成方面，百度在文生图扩散模型的基础上加入时序建模，使得模型能根据文本或者图像生成新的视频。创作者可以根据用户提供的一段描述文本，或者一幅图像，自动地生成高清、流畅的视频。
此外，通过百度研发的VIMER-TCIR多任务大模型，还可以实现对生成视频的修复和编辑，通过画质提升、边缘锐化等方式增强视频的清晰度，达到全方位提升视频编辑效率和观感体验。据悉，TCIR模型已在去噪、增强、去模糊等多个任务领域达到SOTA结果，并在AIM2022压缩图像超分竞赛中，以大幅度领先优势取得冠军。
目前，VIMER-TCIR多任务大模型也已经在老电影修复等场景实现落地，大幅提升了效率，每天单机可修复视频28.5万帧，解决了绝大部分画面的修复问题。
相关文章
