Tencent and OpenAI are targeting the same track
用 AI 重塑業務。
作者 | 黃 昱
編輯 | 周智宇
AI 多模態大模型持續火熱，騰訊也出招了。
5 月 14 日，騰訊宣佈旗下的混元文生圖大模型全面升級，該模型採用了與 Sora 一致的 DiT 架構（Diffusion With Transformer），不僅可支持文生圖，也可作為視頻等多模態視覺生成的基礎。
在騰訊方面看來，DiT 架構很可能成為下一代主流視覺生成架構。未來，DiT 架構很可能會成為文生圖、生視頻、生 3D 等多模態視覺生成的統一架構。
並且騰訊將混元文生圖大模型開源，可供企業與個人開發者免費商用。
這是業內首箇中文原生的 DiT 架構文生圖開源模型。它希望藉此填補文生圖開源社區 DiT 架構空白，讓更多開發者參與其中，以更快追趕上國外先進閉源多模態大模型。
騰訊也能在這個過程中，藉着大模型重構自身業務，為現有業務賦能。從最新財報來看，大模型已對騰訊的業務產生積極作用。
此次騰訊升級的混元文生圖大模型參數量 15 億，支持中英文雙語輸入，支持最長 256 個字符（業界主流是 77 個）的圖片生成指令，支持用户文本改寫以及多輪繪畫。
過去幾年，主流的文生圖模型以基於 U-Net 架構的擴散模型為主，然而 U-Net 模型容易陷入性能瓶頸，面臨着擴展性問題，DiT 架構主要是替換了模型中的 U-Net 架構的部分。Transformer 架構只要算力與數據量足夠，可以無限擴展。
基於 Transformer 架構的模型似乎更有潛力讓文生圖模型變得更聰明。因此，混元文生圖從 2023 年 7 月起就開始做研發，全鏈路自研，從零開始訓練。今年初，混元文生圖大模型已全面升級為 DiT 架構。
據華爾街見聞了解，結合騰訊內部廣告等真實場景需求優化與架構升級，最新的騰訊混元文生圖大模型，對比基於 U-Net 架構的模型，視覺生成整體效果提升 20%，同時在多輪對話、細粒度語義理解、中國元素、真實人像生成等細分場景下效果有明顯提升。
騰訊文生圖負責人蘆清林指出，與 Dalle3、SD3、Midjorney 這三個業界知名的閉源文生圖模型相比，混元文生圖大模型排在 Dalle3 和 Midjorney 之後，在所有開源文生圖模型中，混元文生圖大模型則表現最好。
蘆清林進一步指出，在混元文生圖大模型開源之前，開源和閉源的文生圖技術能力差距是在逐漸拉大的，騰訊希望通過此次開源能夠把這個差距縮小。
蘆清林也透露，今年初 OpenAI 推出 Sora 就是因為他們有了一個很強的 DiT 架構模型，此次混元文生圖大模型開源有一個初衷，就是希望通過把 DiT 架構模型拿出來，讓業界想做文生視頻的同行可以快速地將這一技術拓展到視頻上去，可以幫助大家節省很多時間。
騰訊一直是開源技術的支持者，過去已開源了超 170 個項目，均來源於騰訊真實業務場景，覆蓋微信、騰訊雲、騰訊遊戲、騰訊 AI、騰訊安全等核心業務板塊。
蘆清林表示：“騰訊混元文生圖的研發思路就是實用，堅持從實踐中來，到實踐中去。此次把最新一代模型完整開源出來，是希望與行業共享騰訊在文生圖領域的實踐經驗和研究成果，豐富中文文生圖開源生態，共建下一代視覺生成開源生態，推動大模型行業加速發展。”
多模態是大勢所趨。開源證券指出，國內外 AI 多模態大模型的持續突破及後續商業化，或大幅降低廣告、課件、短劇、動畫、劇集、電影等製作成本，提高 IP 開發、廣告營銷及教學效率，擴大商業化空間。
去年 9 月發佈混元大模型時，騰訊就十分強調實用性，稱混元大模型是 “從實踐中來，到實踐中去” 的實用級大模型。在混元文生圖大模型開源後，不排除騰訊也會將大語言模型開源。
當然，開源或閉源都只是不同技術路線的選擇，最終目的還是商業化應用。按照騰訊的規劃，騰訊做混元大模型一定先是服務騰訊本身，再是通過騰訊雲向產業規劃，C 端的應用則還在探索階段。
蘆清林對華爾街見聞表示，混元文生視頻的商業化探索不算緊迫，因為騰訊內部的業務場景非常豐富，能給自身業務賦能已經很好。至於 to C 端的商業化，還沒有明確的計劃，但不排除會嘗試。
在 5 月 14 日晚騰訊一季度業績説明會上，騰訊管理層也表示，騰訊在積極創造和測試不同的 AI 產品，看看哪些產品對公司現有的產品有意義。隨着時間的推移，這些產品將在微信等擁有大量用户的平台上推出。
據騰訊披露，目前已有超過 400 項騰訊業務和應用場景，接入騰訊混元大模型內測。騰訊混元文生圖能力則被廣泛用於素材創作、商品合成、遊戲出圖等多項業務及場景中。
國內外 AI“軍備競賽” 戰局正酣，但這是一場馬拉松比賽。在等待 “AI 的 iPhone 時刻” 真正來臨前，騰訊選擇了一條更紮實的路，讓 AI 成為自己業務的 “倍增器”，面對這場技術變革，也會更加從容。
