生成式AI 2022大事年表，36氪制图

一、创投：烧钱的未来，注定是少数人的游戏

在 GPT-3 发布的两年内，风投资本对 AIGC 的投资增长了四倍，在 2022 年更是达到了 21 亿美元。

正如前文所说，GA 底层技术的突破，创造出了更多细分赛道，比如 Disco Diffuison 和 Stable Diffusion 正在加快艺术创作的速度，copy.ai 和 Jasper 在通过 AI 完成文案写作，Mutable.ai 和 Github Co-pilot 以 AI Coding 的方式提高编程效率。

细分赛道越多，意味着想象空间越大。而一级市场最擅长为想象空间买单。

当然，其中一部分取得融资的公司采用的的确是时下最先锋的 GA 模型，比如种子轮获得 1.01 亿美元的 StabilityAI，但很多获得融资的公司，也不过是用以往的 AI 模型蹭上了热度而已。这加大了投资人和机构的判断难度，自然会导致一级市场在短期内，比如 2023 年的混乱。

来源：PitchBook

之所以使用最新模型的 GA 创业公司比例不高，除了一部分公司想要走捷径直接偷换概念外，大模型的训练，原本就是烧钱、砸人还不一定有成效的事情。以2022年先后推出 AI Art 赛道明星项目 DALLE2 和对话式 AI 爆款的 chatGPT 的母公司 openAI 来说，其大模型 GPT1 从 2017 年就开始训练，直到 GPT3 出现才逐渐变得易用、好用。而 chatGPT 之所以风靡全球，是因为其背后是比 GPT3 更高级的 GPT3.5。

根据公开资料，GPT-3 训练的仅是硬件和电力成本高达 1200 万美元（约 7500 万人民币），GPT3.5 只高不少。

如此高额的投入、大量的迭代时间，显然并不是初创公司能够完成的。

这就决定了，初创公司只能依靠开源的模型，进行在具体应用侧的创新。可是这样一来，壁垒变低，对于客户和用户来说，选项也变多了，那么应用创新的商业价值就会变低。技术价值和商业价值都不够的情况下，一级市场自然不会买单。

其实在 2022 年，就已经出现了此类现象，在国内在 AI Art 领域出现了不少用户量大的创业项目，但是融资情况并不容乐观。

2023 年或许会延续 2022 年的创投趋势：创业项目层出不穷，但是一级市场只买单有技术壁垒和商业前景的个别项目；当然，总体数量会比前些年更多。

GAmapping，来源 Leonis Capital 风险投资基金

二、AI Art：从高门槛变成无门槛

2023 年趋势

• AI Art 成为越来越多应用的标配，C 端触达门槛降低，每个用户都可以在自己熟悉的 App 或平台内直接使用这项功能，与此同时，越来越普遍的 AI Art 也不会再成为核心竞争力或功能亮点；
• 从创投视角来看，由于训练模型的成本更低，加上服务商的涌现与竞争，会导致用户数据和模型更分散，降低了跑出下一个独角兽的可能性，并且导致 VC 很难选择投资标的；
• 从生态视角来看，将会形成更多社区，开发者、设计师、用户将共同探索需求和趋势，从而实现创作端的良性循环。

2 月，Disco Diffusion 开始流行，Diffusion 底层技术对 GAN 彻底革新

Disco Diffusion 是在2022年 2 月初开始流行的一个 AI 图像生成程序，可以根据描述场景的关键词渲染出对应的图像，可以在 Google Drive 直接运行，也可以部署到本地运行。

但在那时，人们尚未意识到，Disco Diffusion 的出现，是 2022 年一整年 AI Art 狂热潮的开始。

图为国内最大的平面设计师社区 UISDC 上首次出现关于 Disco Diffusion 的科普文章

上图为国内最大的平面设计师社区 UISDC 上首次出现关于 Disco Diffusion 的科普文章，设计师是对图像创作工具最敏感的群体之一，彼时大多数 C 端用户还并不知道这一黑科技的存在，即使知道，也会因为它复杂的调试环境失去参与测试的欲望。

但之后，随着更多 AI Art 模型和工具的成熟，门槛越来越低，越来越多 C 端用户开始了解并使用相关的工具。

AI Art在2022年以来的热度，是因为一种呈现为文字转图像（text-to-image）特性的崭新交互方式，正在向大众宣告 AI Art 正在进入一个民主化的时代。使用文字描述，或者基于画面意象和故事，或者基于艺术家风格、构图、色彩、透视方法等专业名词，就能在数十秒内生成完整的绘画作品，这让艺术创作成为了一件像跑步一样的事：人人都会跑步，只不过是专业的人跑得更快。

还原到底层技术方面，则是一场 Diffusion 对 GAN 的彻底革新。

传统 AI Art 的的技术原理是生成对抗网络（GAN）或 VAE 等，目前，GAN 作为上一代 AI Art 工具与平台最主流的图像生成模型，在模型训练方面已经有了很大的突破，但在实际应用的过程中仍然拥有严重的结构性问题。

随着热度升温，可能会取而代之的是 Diffusion。Denoising Diffusion Models（去躁扩散模型）作为一种基于分数的生成模型，是一种非常强大的新型生成模型。其工作原理就是通过反复地向训练数据添加高斯噪声来破坏训练数据，然后通过反转添加噪声的过程来学习如何取回数据。Diffusion 还提供大量样本多样性和学习数据分布的准确模式覆盖，这意味着 Diffusion 适用于具有大量不同和复杂数据的学习模型，从而解决了 GAN 的问题。Diffusion 缓慢改变输入数据将数据映射到噪声的正向变换，通过学习的、参数化的反向过程来完成数据生成。该过程从随机噪声开始，一次一步地进行清理。

图源网络

Diffusion 对图像生成效果的提升十分显著，数字生成的痕迹也得到了有效削弱，用户自己可选执行步数，步数越多图像越精细的特点也激起了更多的硬核需求。

Diffusion 对图像生成步骤

这也就是为什么 AI Art 工具其实从很早之前就有了，但此前的图像效果经常会有太假或者不够完整等种种问题，甚至不如直接用 Photoshop 做一些风格化处理，因此这些作品也就失去了如今 Diffusion 时代作为艺术品的收藏与分享价值。

通过指数级爆发的帖子和作品展示，以 Disco Diffusion、Stable Diffusion、DALL-E2、MidJourney 这些算法和工具为代表的生成器，已经成为了 AI 生成向 C 端落地、以及更广阔的元宇宙世界的先发力量。

4 月，DALLE2 被推出