技术壁垒这么多，AIGC 凭什么爆火？( 二 ) 公元2020年左右

况且，让AI画图的工作早已出现不少，其中有开辟之功的莫过于2014年问世的对抗生成网络GAN（GenerativeAdverserialNetwork）。
GAN模型利用现成样本来生成新图像，最为人知的是其生成人脸的能力，喂入大量人脸数据， GAN便可生成真假难辨的人脸图片。
GAN模型的现世激发了大量研究人员的灵感，纷纷下场打造各种基于GAN的生成技术：能够合成高保真图片的BigGAN ，能够将卫星图像转化成谷歌地图的pix2pix技术、能将艺术画作和照片互相转化的CycleGAN……除了图片生成技术，抖音、快手等短视频平台中层出不穷的「变老特效」、「假笑特效」、「让老照片动起来」等视频特效的背后，其实也都是GAN在发挥妙用。
GAN模型的出现明明推动了AI绘画的一大步，却并没有卷起AIGC风潮。而当AIGC再出现，已经贵为2022年度最热词汇……这让人不由得疑惑：AIGC到底做对了什么，才让自己成功翻红？
从未离商业化如此近AIGC概念的爆火，源于其前所未有的技术成熟度。而AIGC摆脱过去桎梏的图像生成，走向商业化的成熟路线，正是由于这几个机缘：
大模型当「一句话AI绘图神器」走红，世人皆以为重点在「AI绘图」上，可实际上，工作重点应在于如何理解用户输入的那一句话。
理解语言，恰恰是大模型玄学般的能力之一。当DALL·E2初推出时，便出了这么一个惊艳的案例：
当用户要求在人物画上生成柯基时， DALL·E2会把柯基画入画中；

文章图片
而当用户要求在座位上生成柯基的时候，它便生成了一只真实的、三次元的柯基。

文章图片
这一操作惊呆了当时关注DALL·E2的网友，这一选择性的动作，说明DALL·E2确实理解了什么！
而这种非人之身理解人言的超强能力，要归功于DALLE·2所基于的GPT-3——由于喂入的数据多，语言大模型GPT-3已经开始理解一些人类的常识。无论是3D还是2D的图像，就算画面再精美，仍然处于像素级别的较低水平创作；而GPT-3表现出对人类语言这种高水平产物的理解，这是在模型中极其罕见的能力。
不断涌现的各类例子都证明：模型越大，理解能力越强。可是GAN本身的结构设计及其生成逻辑，恰恰阻碍了模型不断变大，这与AIGC的发展需求相悖；反观Diffusion模型，其已经具备了大模型的特征：由简单元素构成，通过不停重复造出一个超大网络，且可训练稳定。这正符合AIGC对于大模型的需求。
同时，在生成方面， AIGC已不局限于仅仅生成人脸或任何特定的某种图像。通过组合概念、元素生成更复杂的场景，走向「一个工具生成所有」的通用方向，这才是图像生成的未来。
而GAN需要一个特定的数据集进行学习。如要求生成人脸，就需要喂入人脸图像数据集，拓展生成其他图像的能力就稍弱。这就使得GAN不能成为通用的生成工具，想做一个特定功能的特效，就要为之训练专用的GAN ，而不能实现泛化使用。
研究人员们发现了大模型才是AIGC的正道， GAN却和大模型之路存在多个相悖之处，这导致GAN只预热了图像生成，却从未敲开AIGC的大门。
美国物理学家费曼说过，「凡我不能创造的，我就还没有理解」， AIGC不仅仅是生成，更被定义为建立在认知和理解基础上的创作，这正需要大模型的语言理解能力。
大模型，是AIGC的来处，更是AIGC的未来发展之方向。