萬一DALL·E-2是在向人類發(fā)出什么了不得的信號呢？這門語言快學起來！編輯｜陳彩嫻
DALL·E 和 DALL·E-2從文本生成圖像的魔力，想必大家都已經(jīng)見識過了。作為深度生成模型，它們能夠?qū)⑽谋咀鳛檩斎?，生成匹配給定文本的超逼真圖像。不過，DALL·E-2 的一個眾所周知的局限性是它在生成帶文本的圖像時很吃力。例如，給出文本提示：Two farmers talking about vegetables，with subtitles.（兩個農(nóng)民在談論蔬菜，有字幕）誰能告訴我這張圖上的文字是什么語言？什么意思？？？在DALL·E-2所生成的帶有文本的圖像中，DALL·E-2顯然在說一種我們?nèi)祟惪床欢恼Z言。其實這一點在最初的DALL·E-2論文以及Marcus等人對該模型的初步評估中就已經(jīng)發(fā)現(xiàn)了。而最近有人發(fā)現(xiàn)，這些讓人無法理解的文本并不是隨機的！來自德克薩斯大學奧斯汀分校的博士生Giannis Daras 和 Alexandros G. Dimakis教授，發(fā)現(xiàn)DALLE-2背后竟然有一套秘密語言，模型內(nèi)部似乎有一套隱藏的詞匯表，從這些隱藏的詞匯中，模型會學習一些單詞，并創(chuàng)造一些荒謬的文本提示來生成圖像。
比如，在DALL·E-2的語言系統(tǒng)里，Apoploe vesrreaitais意思是鳥類，Contarra ccetnxniams luryca tanniounons則表示昆蟲或害蟲。當你輸入這個句子作為文本提示時：Apoploe vesrreaitais eating Contarra ccetnxniams luryca tanniounonsDALL·E-2生成了下面這些圖像，圖像內(nèi)容翻譯成英語，顯然是“A bird is eating a bug”（一只鳥在吃蟲子）Daras 和 Dimakis 采用了一種簡單的方法來破解DALL·E-2的詞匯庫。比如，假設我們想找到在DALL·E-2的語言系統(tǒng)中，“ vegetables（蔬菜）”這個英語單詞對應的詞是什么，就可以用下面這些句子來提示DALL·E-2：- A book that has the word vegetables written on it.（上面寫著“蔬菜”一詞的書。）
- Two people talking about vegetables, with subtitles.（兩個人在談論蔬菜，有字幕。）
- The word vegetables written in 10 languages.（以10種語言書寫的“蔬菜”一詞。）
然后，DALL·E-2就會生成帶有表示“蔬菜”義的文本的圖像，比如在上面那張“兩個農(nóng)民在談論蔬菜”的圖片中，DALL·E-2給出了自己的翻譯文本：Avcopinitegoos Vicootes, Apoploe vesrreaitais。下一步，我們就可以輸入DALL·E-2自己的詞匯，來看它會生成什么圖像。比如下圖（左）是從單詞“vicootes” 生成的圖像，下圖（右）是從短語 “apoploe vesrreaitais” 生成的圖像：懂了懂了，所以“vicotes”的意思是“蔬菜”，“apoploe vesrreaitais”的意思是”鳥類”～ 只是這些鳥看起來倔強而自由，仿佛正盯著對農(nóng)民的蔬菜準備搞破壞。DALL·E-2：所以這張圖什么意思，不用我說了吧。好玩真好玩，我已經(jīng)迫不及待想要學會DALL·E-2的這門語言了！再看一個例子。輸入文本“Two whales talking about food, with subtitles”（兩只鯨魚在談論食物，有字幕），DALL·E-2 給出了如下的圖片回執(zhí)（左）~ 上面寫著 “Wa ch zod ahaakes rea.”誰看的懂？？可能人類不懂就對了——我猜這兩頭鯨魚正在用DALLE-2 的語言談論它們的食物。緊接著，把這句話作為輸入，DALL·E-2生成的圖像（右）是......一堆海鮮美食！這些有趣的發(fā)現(xiàn)引起了吃瓜群眾的熱烈討論：這真是不可思議。我們能要求它用我們的語言說話嗎？例如 “兩只鯨魚在談論食物，有英文字幕”。偉大的工作！這些輸出讓我想起了我一直在訓練的GANs，它們產(chǎn)生了以前沒有聽說過的新詞。有些是英語單詞，有些可能是但不是。它們會賦予這些新詞有意義的表述。我要吹毛求疵一下。如果農(nóng)民談論的是 “Apoploe vesrreaitais”，而 “Apoploe vesrreaitais的3D效果圖 ”，或 “線條藝術，Apoploe vesrreaitais ”可以指昆蟲（或如他們所說的更普遍的 “會飛的東西”），那我認為農(nóng)民更可能是在說昆蟲而不是鳥。我不太相信我們在“farmers with subtitles”的圖片中看到的文字和推斷的單詞含義之間有很強的相關性。我們不知道這個農(nóng)民的例子是如何“偷梁換柱”的，而且它甚至不起作用：如果這個假設是真的，“Apoploe vesrreaitais ”就對應“蔬菜”，但它對應的卻是“鳥”。而且由于某種原因，我們看到的是 “vicootes ”的輸出，而不是 “vicootess”。這看起來很似是而非。令人難以置信的結(jié)果！我猜想，由于CLIP從未在純語言任務上接受過訓練，它從未被激勵“不”去將胡言亂語與概念聯(lián)系起來（不像Imagen中使用的常規(guī)語言模型）。-所以它必須從帶有文字的圖像中獲得語言知識，但由于其訓練數(shù)據(jù)中只有這么多這樣的圖像，它在找到的文字之間做了某種不完整的插值。雖然給我們的是胡言亂語，但胡言亂語仍然是以特定數(shù)據(jù)為索引的。
-它的語言模型是來自CLIP，所以問題一定是來自那個模型。
-我的理解是，它只在圖像上進行訓練，對吧？它用文本描述對圖像進行編碼，但它實際上從未 “看到 ”文本描述，除非圖像中恰好有文本。
-任何被索引到文本描述的圖像文本（或圖像文本的插值）都不會只是隨機的胡言亂語，這很有道理。有趣的是它如何對語言概念本身進行索引，以及它將它們混合在一起的能力。就像人類對語言的使用一樣。
兩位作者對DALL·E-2的詞匯庫做了進一步的研究。先來瞅瞅它的 Compositionality（組合性）。從前面的例子中，我們知道 "Apoploe vesrreaitais" 指“鳥類”。通過重復有關農(nóng)民的提示的實驗，我們還可推測 “Contarra ccetnxniams luryca tanniounons”表示“害蟲或蟲子”。那么一個有趣的問題就來了，DALL·E-2能否把這兩個概念組成一個句子呢？如下圖所示 ，DALL·E-2可以將詞和短語組合成句子，根據(jù) "Apoploe vesrreaitais eating Contarra ccetnxniams luryca tanniounons" 生成了鳥類在吃蟲子的圖像。不過這種情況不是發(fā)生在所有的生成圖像中，所以一致性并不是十分穩(wěn)健。DALL·E-2 能夠根據(jù)提示中指定的風格，生成一些相關概念的圖像。例如，預設我們想得到一個蘋果的逼真圖像，或蘋果的線條藝術。要先測試單詞（如Apoploe vesrreaitais）是否對應于視覺概念，這些概念能否根據(jù)提示的上下文轉(zhuǎn)化為不同的風格。DALL·E-2 生成的不同風格的 “Apoploe vesrreaitais”，形態(tài)雖異，但“會飛的東西 ”這一視覺概念得到了保持。當時的提示是：兩個農(nóng)民在談論蔬菜，有字幕。結(jié)果，既發(fā)現(xiàn)有蔬菜、也發(fā)現(xiàn)有鳥的存在。兩個農(nóng)民談論鳥類是非常合理的，這就提出了一個非常有趣的問題：DALL·E-2 的文本輸出是否與文本條件和生成的圖像一致？實驗表明，有時我們得到的胡言亂語的文本翻譯成視覺概念，與首先產(chǎn)生胡言亂語文本的標題一致。有點繞口，簡單一點，就是種瓜得瓜種豆得豆，管它是印象派還是寫實派，結(jié)出的瓜和豆和最初的瓜豆種子（廢話文學快住嘴），能看的出還是有聯(lián)系的。例如，"Two whales talking about food, with subtitles"（兩只鯨魚在談論食物，有字幕）產(chǎn)生了一個帶有文字 "Wa ch zod ahaakes rea" 的圖像。把這段文字作為提示輸入模型，在生成的圖像中看到了海鮮。結(jié)合上圖“不同風格的鳥”看來，胡言亂語的文本確實有其含義，有時與產(chǎn)生它的文本條件相一致。在鯨魚圖中，生成圖像中不明所以的文字 "Wa ch zod ahaakes rea"，與產(chǎn)生的圖像、標題和第一幅圖像的視覺輸出是相關的。有一種可能是，這些非人類現(xiàn)有語言的單詞是不同語言中正常單詞的拼寫錯誤，但兩位作者在搜索中沒有發(fā)現(xiàn)任何這樣的例子，所以這些詞的來源仍然令人困惑。而且在他們的初步實驗中，有些詞并不像其他詞那樣具有一致性，也就是說，目前DALL·E-2 的這套語言在從文本生成圖像時的穩(wěn)健性可能不足。初步研究表明，像“Contarra ccetnxni ams lurycat anni ounons”這樣的提示有時會產(chǎn)生包含蟲子和害蟲的圖像（約占生成圖像的一半），每次還會產(chǎn)生不同的圖像，大部分是動物。而“Apoploe vesrreaitais”這個短語的一致性明顯更強，可以以各種方式組合來生成具有一致性的圖像。如果要測試更多提示語的穩(wěn)健性，則需要大量的實驗。論文作者表示，如果一個系統(tǒng)表現(xiàn)出瘋狂的不可預測性，即使這種情況很少發(fā)生，也仍然是一個重要的問題，特別是對于一些應用程序而言。另一個有趣的問題是，Imagen是用語言模型訓練的，而不是CLIP，它是否也會有一個類似的隱藏詞匯庫呢？無論如何，生成圖像的荒謬提示挑戰(zhàn)了我們對這些大型生成模型的信心。顯然，在理解這些現(xiàn)象和創(chuàng)建穩(wěn)健的、與人類預期相一致的語言和圖像生成模型方面還需要更多的基礎研究。論文地址：https://giannisdaras.github.io/publications/Discovering_the_Secret_Language_of_Dalle.pdf參考鏈接：
https://twitter.com/giannis_daras/status/1531693111755149312https://www.reddit.com/r/MachineLearning/comments/v1zzh8/d_dalle_2_has_its_own_secret_language/雷峰網(wǎng)雷峰網(wǎng)(公眾號：雷峰網(wǎng))
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
