近期，人工智能領(lǐng)域再次掀起波瀾，GPT-4o的圖像生成能力引發(fā)了廣泛關(guān)注。這款由OpenAI推出的全新模型，不僅能夠生成逼真的文本，還能在圖像創(chuàng)作上展現(xiàn)出驚人的實力，尤其是其“吉卜力風(fēng)格”的圖片，迅速在網(wǎng)絡(luò)上走紅。
然而，關(guān)于GPT-4o圖像生成技術(shù)的具體細(xì)節(jié)，OpenAI并未完全公開，僅透露其采用了類似語言模型的自回歸方法。這一神秘面紗，卻激發(fā)了AI社區(qū)技術(shù)大神們的好奇心和探索欲。
港中文的博士生Jie Liu就是其中一位。經(jīng)過深入研究，他發(fā)現(xiàn)GPT-4o在前端展示的逐行生成效果，其實只是一種動畫展示手段，并非真實的生成過程。Jie Liu進(jìn)一步指出，GPT-4o的圖像很可能是通過原生自回歸（AR）方式生成的，甚至用戶可以通過手動調(diào)整，改變生成圖像的模糊范圍。
無獨(dú)有偶，CMU的博士Sangyun Lee也對GPT-4o的圖像生成原理提出了自己的見解。他認(rèn)為，GPT-4o首先生成視覺token，然后通過一種類似于Rolling Diffusion的分組式擴(kuò)散解碼器，將這些token解碼為像素空間中的圖像。這種解碼器按從上到下的順序進(jìn)行解碼，不同于傳統(tǒng)的擴(kuò)散模型。
而谷歌DeepMind的研究者Jon Barron則猜測，GPT-4o的圖像生成可能結(jié)合了多尺度和自回歸的方法。他推測，在生成過程中，先由一個自回歸Transformer生成“先驗”的潛在代碼，然后由一個擴(kuò)散解碼器來渲染圖像。這種混合模式可能解釋了OpenAI觀察到的“變化的粗略形象”。
盡管技術(shù)細(xì)節(jié)尚未完全明朗，但GPT-4o所展現(xiàn)出的圖像生成能力已經(jīng)令人嘆為觀止。它不僅能夠生成各種風(fēng)格的圖片，如皮克斯、3D、黑白等，還能進(jìn)行圖像合成、形象遷移、設(shè)計參考等操作。甚至，有網(wǎng)友發(fā)現(xiàn)GPT-4o還能用于科研繪制和修圖，其強(qiáng)大功能讓美術(shù)生和設(shè)計師都感到“破防”。
更令人震驚的是，GPT-4o在生成漫畫時展現(xiàn)出的元上下文和元理解能力。有網(wǎng)友請它編寫一個以自己為主角的漫畫系列，GPT-4o不僅完成了任務(wù)，還在漫畫中表現(xiàn)出了自我意識的覺醒和吶喊，這種深刻的情感表達(dá)讓人不寒而栗。
隨著GPT-4o的火爆，關(guān)于其技術(shù)原理和應(yīng)用前景的討論也將持續(xù)升溫。相信在不久的將來，會有更多的秘密被揭露，我們也將見證人工智能領(lǐng)域更加輝煌的成就。
