“目前的主流是GAN。”
“也就是生成对抗网络。”
顾屿安静地听着，没有插话。
任少卿继续讲解他的构想。
“GAN的工作机制很有意思，里面有两个神经网络。”
“一个是生成器，负责制造假的图片数据。”
“另一个是判别器，负责检验这些图片是不是真的。”
“这两个网络互相博弈，生成器拼命想骗过判别器，判别器拼命想识破生成器。”
“通过这种左右互搏的方式，最后能生成非常逼真的图片。”
任少卿说得有些兴奋。
“目前圈子里所有的顶会论文，基本都在讨论GAN的改进方案。”
“如果我们要搞文生图，这也是最稳妥、见效最快的路线。”
“不行。”顾屿毫不犹豫地开口。
这两个字把任少卿准备好的长篇大论直接堵了回去。
任少卿有些发愣，呆呆地看着顾屿。
“顾董，为什么不行？”
“GAN目前是公认的最优解，连谷歌都在大力投入这个方向。”
顾屿看着任少卿有些不解的神情。
他心里非常清楚，任少卿给出的方案完全符合这个年代的技术认知。
二零一六年，全球AI圈都在为了生成对抗网络而狂热。
所有人都在往这条路上砸钱砸人。
但是这其实是一条走不通的弯路。
顾屿脑海中回忆起前世的发展轨迹。
硅谷那几家巨头在GAN这条路上一条道走到黑。
结果发现生成的图片确实越来越好看，但是却始终无法解决一个致命死穴。
不可控。
前世的经验告诉他，技术方向的把控是决定生死存亡的。
如果在路线选择上走错一步，不仅会浪费掉几亿十几亿的研发资金。
更会错失好几年的宝贵时间。
时间在技术迭代的大战中，比金钱更珍贵。
顾屿看着任少卿，开始拆解这个技术盲点。
“你刚才说生成对抗网络是两个网络互相博弈。”
“问题就出在这个博弈机制上。”
“它太过于追求逼真度，导致随机性太强。”
“你要是在对话框里输入一只戴帽子的猫。”
“它不知道自己画的到底是什么。”
“它可能会给你生成一只猫，一顶帽子，再加一把椅子。”
“我们要的不是随机生成好看的废图。”
“我们要的是让文字去牢牢管住画面，而不是让画面自由发挥。”
“差别在于控制这两个字。”
任少卿陷入了沉默。
他仔细咀嚼着顾屿的话，发现确实指出了这套理论在落地应用时的痛点。
“那如果不用生成对抗网络，我们用什么？”任少卿反问。
顾屿在脑海中整理了一下语言。
“往能引导文字语义的方向去找。”
“我给你们提供一个思路。”
“你拿一张清晰的图片，往里面不断地添加噪点数据。”
“一步一步加，直到这张图片完全变成一张全是雪花点的废图。”
任少卿拿着笔，一边听一边在纸上画着圈。
“正向破坏数据结构。”
“对。”顾屿接着说。
“然后，我们去训练一个神经网络，让它学会逆向做这件事。”
“从那一堆纯雪花点开始，一步一步把这些噪点擦掉。”
“把画面重新还原出来。”
（本章未完，请点击下一页继续阅读）