机器之能报道编辑：SIA

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。