Midjourney 迎来最强对手，种子轮融资大佬云集，测试版让马斯克一「键」穿越

**来源：**机器之能

一直以来，Midjourney 稳坐 AIGC 文生图的王座，少有威胁，直到这家公司的出现。

8 月 23 日，生成式人工智能创业公司 Ideogram AI 正式官宣：「我们正在开发最先进的人工智能工具，使创意表达变得更容易、更有趣、更高效。」官网写道。

团队核心成员也是谷歌大脑 Imagen 团队主要成员， Ideogram AI 也被认为试图将 Imagen 发扬光大：

Mohammad Norouzi（CEO ）、Jonathan Ho (联合创始人）、 William Chan 和 Chitwan Saharia 都是谷歌文本至图像 AI 模型 Imagen 的核心作者，相关论文曾入围 NeurIPS 2022 Outstanding paper 。

Imagen 使用 Transformer 语言模型将输入的文本转换成一个嵌入式向量的序列。然后，连续的三个扩散模型（ diffusion model ）会将这些嵌入式的向量转换成 1024x1024 像素的图片。

由于概念上简单且易于训练，还能产生惊人的强大效果，Imagen 不仅重塑了大家对扩散模型的认知，也开辟出一条 DALL-E 2 以外的文生图新范式。

后来，Meta 宣布其文本视频 AI 模型 Make-A-Video 之后，谷歌又发布了视频模型 Imagen Video（看看，名字都差不多），基于级联视频扩散模型来生成高清视频。

Imagen Video 继承了此前 Imagen 文本生成图像系统的准确描绘文字的功能，以此为基础，仅靠简单描述产生各种创意动画。

官网显示的当前团队成员。

「我们的创始团队他们曾在谷歌大脑、UC 伯克利分校、卡内基梅隆大学和多伦多大学领导过变革性人工智能项目。」官网显示。

Mohammad Norouzi 创业之前在谷歌大脑工作了 7 年，在谷歌的最后级别是高级研究科学家，工作重点是生成模型。Ideogram AI 在人工智能方面的基础工作积累当中，他的涉猎范围最广，包括 Imagen、Imagen Video 、用于语音合成的 WaveGrad 、神经机器翻译、用于学习视觉表示的对比学习等。合作的团队成员也最多。

联合创始人 Jonathan Ho ，UC 伯克利博士毕业，在扩散模型方面做了非常重要的工作，以至于他的离开被业内人士视为谷歌的重大损失。

2022 年 4 月，谷歌提出了视频扩散模型（Video Diffusion Models），首次报告了扩散模型根据文本生成视频的结果（效果不俗）。Mohammad Norouzi 、Jonathan Ho 正是文章的主要作者。

Jonathan Ho 也是扩散模型奠基作品之一、提出去噪扩散模型 Denoising Diffusion Probabilistic Models 一作。（有趣的是，合著者之一 Pieter Abbeel 也是这家公司的投资人）。

Chitwan Saharia 在谷歌工作时，主要负责领导 image-to-image 扩散模型的工作。除了扩散模型方面的工作，Willian chan 在谷歌工作时从事过神经语音识别研究，与 Mohammad Norouzi 合作研究用于语音合成的 WaveGrad 。

或许是因为谷歌囿于安全、伦理方面的顾虑，需要再做进一步的规范，来选择是否开源 Imagen 和 Imagen Video ，这些中坚力量决定离开创业。

「我们正在突破人工智能的极限，重点关注创造力以及信任和安全的高标准。」官宣最后写道。

官网截图

当天，公司还宣布已筹集由 a16z 和 Index Ventures 领投的总计 1650 万美元的种子融资。几位如雷贯耳的行业中坚力量也参与了本轮投资。

例如，Node.js 之父 Ryan Dahl 、Uber 首席科学家 Raquel Urtasun、Jeff Dean、Andrej Karpathy、 Pieter Abbeel 、GitHub 创始人 Tom Preston-Werner 。

同时，公司也宣布迎来 v0.1 的公开测试版。我们也简单体验了一下。目前仅提供文字生成图片的服务，操作很简单，仅需输入你的需求，然后选择生成图像的风格和比例即可。

系统理解能力还是不错的，特别是对图片中需要生成的文字的理解。缺点是响应速度比较慢，还不能理解中文指令，构图的空间理解也有待提升。

操作页面

「Ponyo diving in the milk with dorphin 」，AI 似乎无法理解命令里的 「milk」，而是按照自己的理解（sea）给出了画面。

我们换了一个输入：「 Elon Musk take hands with Lisa （blackpink ）in a Tesla car,( cinematic )」

基本正确。只是两个人的脸蛋都有点问题，这是 Lisa？

让马斯克穿越，尝试一下汉服风格，结果还真有点大侠的感觉。

「 Elon Musk with long hair in chinese traditional clothing， photo」

「 Blackpink Jennie but very fat, photo。」不错，原来长胖了后大概是这个样子。

再看看一些推特网友的使用结果。即使在生成的图片里还需要生成一些文字，系统也可以做到。

例如，「An adorable minion holding a sign that says 『It's over, MidJourney』， spelled exactly, 3d render, typography」

推友表示，虽然系统并不总是能够正确拼写，但成功率还是不错的。

「A cute fluffy pikachu standing on a big fluffy moon, holding a neon sign says 『to the moon』 , 3d render」

最近上映的电影中，《芭比》和《奥本海默》都比较引发关注，推友要求生成有关「巴本海默（barbenheimer）」的电影画报设计，风格上参考芭比和核武器。效果如下。

虽然这些电影信息很可能出现在训练截止日期之后，但系统还是很好地处理了这个合成词。另外，老问题，人物的脸还不够好。

「Word 『surreal』spelled and rendered in a Dali-style surreal painting, typography」

「 a melting snowman in a volcano 」

「Word 『NVIDIA 』rendered in GPU chip circuit typography, cyperpunk, sci-fi」

「beautiful girl in Dali's painting, with a caption『Stanford』, typography 」

一只时髦的布娃娃猫，戴着古驰太阳镜，举着一个写着『周日快乐』的牌子，黑色背景，海报

场景中有 4 个物体。一个红色的金字塔位于一个蓝色的立方体上面。一个黄色球体位于这个蓝色立方体的下方。一个大理石六边形位于金字塔的左边，蓝色立方体的顶部。

看来，系统目前对构图和空间的理解还不到位。

其他首页上的作品展示。

食用链接：