正当人工智能界为文本到图像系统的惊人进展而绞尽脑汁的时候，下一代人工智能即将到来：从文本到视频。

下面一起来看一下到底是怎么回事吧！

本文主要围绕以下三个问题展开：

1. 人工智能是什么？
2. 从文字转图片
3. 从文字转视频

人工智能是什么？

AI

人工智能（Artificial Intelligence）简称为AI，也被称之为机器智能，指以最少的人工干预利用计算机模仿人类智力的行为, 人们普遍认为AI起源于机器人的发明。AI的目的就是使机器像人类一样思考并做出正确的决策, 以增强人类的智能。

像人一样思考的AI

AI经过数十年的发展, 研究热点由最开始的机器定理证明到模拟人类专家知识、经验以解决特定问题的专家系统, 再到目前以深度神经网络为代表的新一代AI。

AI研究大致进展

从文字转图片

将文字生成图像是近些年来比较具有挑战性的事情之一，早期的研究都是基于卷积生成器，直接对给定的文本合成图像，这种办法在处理已知的领域时，效果还可以，但是推广到一般领域，表现比较糟糕！

据报道，旧金山人工智能研究公司OpenAI已经开发了一种新系统，能根据短文本来生成图像。

由文本生成的图像

OpenAI在官方博客中表示，这个新系统名为DALL-E，新系统展示了“创造图像的能力”，OpenAI还发布了图像识别系统Clip。

Clip通用性比当前针对单个任务的系统更好，可以用网上公开的文字图像配对数据集来训练。如字节跳动研究小组提出了 CLIP-GEN架构，它是一种基于 VQ-GAN 的自监督方案，用于一般文本到图像的生成，其语言-图像先验因素从预训练 CLIP 模型中提取。

CLIP-GEN 架构

文本转图像

从文字转视频

上周晚些时候，Meta推出了Make-A-Video，这是一种人工智能，可以根据文本提示生成5秒的视频。下面是官方给的几个生成的例子！

比如生成那只狗狗的文字是：

A dog wearing a Superhero outfit with red cape flying through the sky.

文字转视频

再看一下其它由文字生成视频的例子：

A teddy bear painting a portrait(正在画肖像的泰迪熊):

正在画肖像的泰迪熊

Robot dancing in times square(机器人在时代广场跳舞)：

机器人在时代广场跳舞

Cat watching TV with a remote in hand(猫拿着遥控器看电视)：

猫拿着遥控器看电视

是不是觉得很有趣很神奇呢？更夸张的还在后面了，请接着往下看：

看一下由图片生成视频的例子：

输入图片：

输入图片

生成的视频：

生成的视频

输入图片：

输入图片

生成视频：

生成的视频

你以为由文字、图片生成视频就完了？

当然不止这些，最夸张的是可以为你的视频添加额外的创意，就是由原始视频到“有创意的视频”。

输入以下视频：

输入的视频

生成的创意视频：

生成的创意视频

再来看一个“视频生视频”的例子：

输入原始视频：

原始视频

生成的创意视频：

生成的创意视频

这也太神奇有趣了吧！

总结：近些年来，AI经过了一系列的发展，也取得了巨大的成就，这一发展是生成性人工智能(generative AI)的一个突破，当然也导致了一些棘手的道德问题，这些都是社会需要面对的事情，根据文本提示创建视频比生成图像更具挑战性，也更昂贵，也是未来的发展趋势，Meta公司这么快就想出了一个办法，这令人印象深刻。

作者简介：曾任中国最先进战斗机生产公司工程师，现于某高校深造，科技自媒体撰稿人，写每一个人都能读得懂的科技文章！