这文章我翻了下，怎么说呢，感觉有点不太对味。倒不是说内容不对，是那个味儿不对。就是那种……你懂吧，一个游戏预告片火出圈了，然后公众号赶紧写一篇“AI也能凑热闹”的稿子，把两个不相干的东西硬绑一块儿。GTA6破纪录是真事儿，视频我也看了，说实话做得是挺带劲的，迈阿密那个阳光沙滩粉紫晚霞，一股子赛博味儿的老佛罗里达feel，确实是那味儿。但这跟腾讯那个FaceStudio有啥关系？就因为你们把几个AI大佬的脸P进了一张GTA风格的海报里？这逻辑就跟你在大街上看到一辆法拉利，然后拉住旁边卖煎饼的说“哎你这煎饼摊也能上F1赛道了”一样的离谱。硬蹭，真的硬蹭。 再说那个FaceStudio本身。文章里把这个玩意儿吹得跟花儿一样，什么“混合引导设计”，什么“多身份交叉注意机制”，什么“保留人像的身份信息”……这些词堆一块儿，我看得脑壳疼。你们知道老百姓看到这些词啥感受吗？就是那种……看天书的感觉。而且说实话，我仔细看了那几张所谓“AI三巨头当匪帮”的图，我就想问一句：这玩意儿真有文章里吹的那么神吗？那三个人物的脸确实能认出来是LeCun、Hinton和Bengio，但那个“神韵”吧，总觉得差了点啥。怎么说呢，就是那种……看着像，但也仅仅是像。五官是摆对了位置，但眼神里的那种神采，那种个人特有的精气神，没有。LeCun本人那张脸上总是挂着那种有点狡黠、有点欠揍的笑，你看他搞深度学习那几十年，照片上都是那种“老子天下第一”的劲儿。但合成图里他就是个板板正正的模型脸，跟个蜡像似的。Hinton那种老派英国绅士的严谨也和图里那个大头照对不上。 你们可能没试过那些AI写真App，我是真试过。去年妙鸭相机刚火那阵子，我女朋友拉我一起玩，上传了二十多张各种角度、各种表情、各种底妆光线的照片。好家伙，那叫一个严格。要求你照片不能戴眼镜，不能有刘海遮眉毛，不能笑得太夸张，不能背光……我寻思着拍个证件照都没这么麻烦。传上去之后，排队排了俩小时，最后生成出来的成品，怎么说呢，不能说一模一样吧，只能说是毫无关系。我男朋友看了我那组古风写真，笑得差点背过气去，说我像个抠脚大汉穿了花裙子，还是那种花钱买来的山寨货。我那几个同事也试了，出来的图十个有八个跟本人差了十万八千里。有一个还特别离谱，同事是个单眼皮，硬生生被整成了欧式大双，她说看着自己那样子晚上睡觉都能吓醒。所以我对这类产品一直是有疑虑的，文章里说妙鸭火了几周，确实，这种热度是一阵风的，新鲜劲儿一过，大家发现拿它P出来的图既不像自己也没啥大用，就把它卸了。 FaceStudio我看了一下，论文我读不大懂，什么CLIP视觉编码器、什么Arcface模型，对我来说就是火星文。但里面的那个设计思路，大体我是能猜出来的。说白了不就是一个大模型做底子，然后拿你的照片去里头“定向召唤”一个长得像你的人出来么。那个底子用的是开源的Stable Diffusion，算法是人家国外搞出来的，腾讯做的只不过是在上面加了个“人脸信息校准”的模块，让出来的东西更像本人一点。然后文章就把它吹成“重大突破”了。这话说的，好像腾讯是从零开始造了个轮子似的，可实际上他们是拿了一个现成的轮子，给轮子上抹了点防滑胶，然后就宣布“我们发明了新型轮胎”。 我不是说这技术没用啊，说实在的，它确实有点用。比如你拍了一组照片，想要个漫画风、赛博朋克风、古风版本，这技术确实能比你手动PS来得快。再比如说做游戏、做动画的，想给背景角色快速生成一堆看起来不一样的NPC脸，这玩意儿也许能省点功夫。但这些用处，都是“也许”“可能”“大概”的阶段。离文章里说的那种“巨大的潜力和受欢迎程度”，我觉得还有不少距离。 再说了，文章通篇就只谈技术有多牛，张嘴就是“保留身份特征”，闭嘴就是“多身份交叉”，但对用户最关心的隐私问题只字不提。你要用这类产品，就得先把自己的脸交出去，对吧？那问题就来了，咱这脸部数据到底被存在哪儿了？服务器在哪个国家？数据会不会被拿去二次训练？会不会被卖给什么广告商、数据贩子？你要是个普通人，你的照片被偷了，顶多是拿你去注册个社交账号骗骗人。但要是有心人拿你的脸跟一些敏感题材合成呢？现在AI这么发达，做出来的东西你根本分辨不出真假。前几天我一个朋友就跟我说，他收到一条语音，是他同学的声音，说急用钱要借5000块钱，转过去之后才发现是骗子。那同学根本没找他借钱。你想想，连声音都能仿了，现在这个FaceStudio又在玩命地“保留身份特征”，这要不是安了好心，那后果有多可怕不用我说了吧？ 而且我还想问一个更二愣子的问题。GTA6预告片都破亿了，说明这游戏有多火，这个不用我多说。但咱能不能别什么热点都往上蹭？“AI三巨头也能秒变GTA匪帮”这个标题，我看了第一反应就是：这三个老头儿知道自己的脸被P成劫匪样儿了吗？他们乐意吗？这些大科学家，搞了一辈子研究，图的是让AI更好为人类服务，结果一转眼就被拿来当作宣传自家滤镜的背景板。这事儿怎么看都有点……不尊重人。你把人家做研究的人的照片拿来P成通缉犯，觉得这叫“酷”，我倒觉得这叫没分寸。你想想，要是别人把你的照片P成个抢劫犯挂网上，还配一行字儿说“看看，你这人也能当劫匪”，你心里什么滋味儿？就算他们不在美国待着，人家也不会乐意看到自己被这样玩。 还有个问题，文章整篇都充满了那种“AI要占领世界”的既视感。什么“人工智能技术迅速发展的今天”，什么“AI+图像应用领域”，这些话我已经听了八百遍了。每次都是“重大突破”，每次都是“颠覆性创新”，结果隔俩月你看那个东西还在不在？还在的话，又有多少人真的在用？妙鸭相机现在还有人提起吗？我看早凉了吧。这类产品说白了就是个玩具，用来娱乐还行，但要真说它是什么“技术发展方向”，那是上纲上线了。就像当年那个“一键飞起”的软件，以及各种换脸App，一个比一个火，一个比一个短命。 这些年我算是看明白了，很多公众号就喜欢把一件小事情往大了吹。那个FaceStudio，放在学术界，可能就是一个方向还走得通的研究，放老百姓手里，就只是一个功能又多了点儿的滤镜罢了。可文章的笔法，却把它写成了“AI界的一次革命”。你让游戏玩家怎么想？他们点开GTA6预告片，是想看R星怎么造出个更庞大的世界体系，是想看到车辆碰撞物理效果、NPC的AI行为逻辑更进一步，结果你告诉他们“AI三巨头也能变成游戏角色”？这不是废话嘛，你随便找个做动画的人，用Blender花几天功夫也能把这三位的脸捏出来塞进游戏里。问题在于谁会想要在游戏里用真实科学家当角色？这根本不是同一个赛道上的事。 再说回那张合成图本身，我专门去那篇文章里的主页瞅了一眼。看多了说实话我有点恍惚。这些个输出图片，好看吗？好看，是那种一眼看上去很光的网红脸风格。但你仔细看那条理感，还有皮肤纹理的微妙过渡，处理得很粗糙。人是很容易被那种“第一次看到精修图”的效果骗住的。多看几遍你就会发现里面的脸都带着一股“塑料感”。如果把图片放大看手指、看耳垂、看头发丝，破绽就出来了。跟那种手绘插画师一笔一笔画出来的线条质感完全不能比。所以我就不明白了，好多人说这东西要替代摄影师、替代画师，替代个锤子啊。至少现在，它顶多算是个高级一点的美图工具，离真正的设计审美还差得远呢。 文章里还提到FaceStudio在处理多人照片的时候表现优秀，说什么“准确地将不同身份的特征信息映射到图像的相应部分”。我就乐了，这玩意儿很难吗？PS里都能把两个人抠图出来再换脸，现在一个深度学习模型做这事儿也算创新？不是说不能算创新，而是你拿这个当卖点，是不是太看不起其他做图像处理的人了？大家都是用开源代码起家的，你加了个模块我也加了个模块，怎么就你成了“突破”了？ 说到底，我最大的一个疑问是：这些东西真的能赚钱吗？做技术不能光拿来说梦，得吃饭啊。腾讯家大业大，养个团队搞一个论文，当然问题不大。但是普通用户会为这个付费吗？妙鸭相机起初搞了个9块9的付费服务，当时确实有不少人买单，可那是图新鲜。你见过有几个App能靠新鲜感活过一年的？用户新鲜感一过，就卸载了，留存率低得可怜。这种模式要想持续下去，得靠那些专业用户，比如广告公司、影视外包、电商商家，这些人可能愿意为了“批量生成模特图”付费。但前提是效果得真的够好才行。现在这效果，让他们用？我只能说，他们可能会直接开骂，因为他们不想要“好看但没用”的图，他们要的是高品质、有情绪、有故事感、能卖货的图。 反正我看完这篇文章的感觉就是：PPT做得好，不如产品做得好。GTA6那是花了多少年、烧了多少钱、打磨了多少细节才出来的东西，它的预告片能破纪录，是靠着品质实打实堆出来的。而AI写真呢？你把它放到明年再看，现在这些东西能留下什么？恐怕三年后回过头来大家连名字都记不住。 最后我还想说一句，文章结尾那个“论文地址”、“主页地址”这种操作，也不知道是给谁看的。普通网友不会点进去读论文，业内的人也不会因为一篇公众号文章就去读你的论文，他们直接去arxiv上翻了。这个“论文地址”放在这儿，与其说是给读者看的，不如说是给老板看的，证明“我们在做前沿研究”。你一个面向大众的AI产品的宣传稿，放个论文链接，好像突然就高大上起来了，实际上呢？读者看得一头雾水，专业的人觉得你多此一举。何必呢？ 得嘞，就写这么多吧，一家之言，我不懂技术也不懂游戏，就是看这文章觉得哪儿哪儿都别扭。GTA6是好东西，AI也是好东西，但把这两个东西硬凑一起，还说什么“秒变”，这不胡闹么。