2024年伊始，Open AI（美国开放人工智能研究中心）公司发布首个AI（人工智能）文字生成视频大模型Sora，通过计算机视觉技术模拟现实世界的动态变化，可以一次生成60秒流畅逼真的视频，被视为继ChatGPT之后人工智能技术的又一重大突破。但从实测Sora的一些“翻车”视频中可以看出，AI仍然存在着无法快速、准确“理解”物理世界的困难。
近日，南开大学新一代人工智能发展战略研究院副院长、南开国际先进研究院（深圳福田）教授程明明团队一项国际联合研究成果MDT（Masked Diffusion Transformer），相比Sora核心组件DiT（Difffusion Transfomer）训练速度提升10倍以上，再次刷新SoTA（最佳）图像生成质量和学习速度，实现了ImageNet benchmark（大型图像分类数据集性能测试）上1.58的FID score（图片质量的度量），超过Meta、Nvidia等知名公司提出的模型。研究团队也已将MDT源代码全部开放。
以Sora核心组件之一DiT为代表的扩散模型，可以实现“无中生有”得到一张高质量图像，是近年来人工智能技术最大亮点之一。但DiT往往难以高效地学习图像中物体各部分之间的语义关系，这一局限性导致了训练过程的低收敛效率。同时，更大的模型规模和数据规模也会消耗大量的算力能耗，导致训练成本飙升。
“以DiT生成一张小狗图像举例，它在第5万次训练步骤时已经学会生成狗的毛发纹理，然后在第20万次训练步骤时才学会生成狗的一只眼睛和嘴巴，却漏生成了另一只眼睛。即使在第30万次训练步骤时，DiT生成的狗的两只耳朵的相对位置也不是非常准确。”程明明说，“简单来说，就像做阅读理解时忽视了上下文的语义关系，导致生成图像中经常出现偏差需要反复修正，大幅增加了训练成本。”
图1：DiT在第30万次训练步骤中仍不能准确生成图像
如何降低训练成本、提升训练效率？南开大学新一代人工智能发展战略研究院副院长、南开国际先进研究院（深圳福田）教授程明明、博士研究生高尚华，以及冬海集团人工智能实验室（Sea AI Lab）博士研究生周攀和新加坡工程院院士、IEEE/ACM Fellow、昆仑万维2050研究院院长颜水成共同提出了解决方法。通过在扩散训练过程中引入上下文表征学习，能够利用图像物体的上下文信息，重建不完整输入图像的完整信息，从而学习图像中语义部分之间的关联关系，提升图像生成的质量和学习速度。成果相关论文Masked Diffusion Transformer is a Strong Image Synthesizer（成果大幅提升扩散生成模型的训练速度和生成质量）已在计算机视觉顶级会议ICCV 2023（计算机视觉国际大会）发表。
图2：DiT-S/2基线、MDT-S/2和MDTv2-S/2在不同训练步骤、训练时间下的FID性能
近日，研究团队又将MDT升级到v2版本，在MDTv2中引入了一个更为高效的宏观网络结构，进一步优化了学习过程，同时通过采用更快的Adan优化器、扩大掩码比率等更优的训练策略来进一步加速模型的训练过程。实验结果证明，通过视觉表征学习增强对物理世界的语义理解，能够提升生成模型对物理世界的模拟效果。
程明明说：“希望我们的工作能够激发更多关于统一表征学习和生成学习的工作，提升AI大模型的‘智慧’水平，解决更多场景的现实问题。”