# 周四拿到开源权重，周一下午上线：Playground AI 创始人的像素淘金计划

> Cognitive Revolution No. 1 中文精读

- 原标题：E1: The Pixel Revolution with Playground AI 's Suhail Doshi
- 发布日期：2023-02-03
- 主持：Nathan Labenz
- 网页版：https://cogrev.1mmt.com/ep/001-e1-the-pixel-revolution-with-playground-ai-s-suhail-doshi-Waii0i.html
- 精读字数：约 5862 字（阅读约 13 分钟）

> 本文为 cogrev.1mmt.com 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。

2023年1月的一个周四，加州大学伯克利分校的研究团队把 InstructPix2Pix 的模型权重挂上了网。这个模型能听懂指令，直接在图片上执行「把夹克改成黑色」这类操作。Playground AI 早就读过论文，自己的版本也在训练中，就差不知道对方哪天放权重。

权重一公开，全队放下手头所有事，周日加班，周一下午两点上线新功能，还在原版基础上做了定制优化，效果比原作者放出的版本更好。从别人开源到自家发布，间隔不到四天。

这个速度就是整期节目的底色。Cognitive Revolution 的主持人 Nathan Labenz 请来 Playground AI 创始人 Suhail Doshi，复盘图像生成这一年的疯狂时间线：2021年1月，DALL-E 还只是 OpenAI 那把著名的牛油果椅子，从未对公众开放；2022年4月 DALL-E 2 发布，起初连真实人脸都不让生成；四个月后，Stability AI 直接开源 Stable Diffusion 的权重，能力追平 DALL-E 2，一场全球实验就此引爆。Suhail 把当下比作移动互联网早期的淘金热：没人知道什么能成，几万个实验同时跑，有的长成 Uber，有的火一把就死，有的能活十年。

## 凌晨十一点的市场地图

Suhail 的前一个身份是数据分析公司 Mixpanel 的创始人。做这期节目时，他正在搞第二个创业项目 Mighty，思路是把电脑搬进数据中心，做一个跑在云端的极速浏览器。项目争议不小，Windows 版又难产，他闲下来满脑子都是 AI。

2022年四五月份，他盯上了浏览器地址栏。这个全人类每天用几百上千次的东西，Chromium 里的代码五年基本没动，智能程度用他的话说「相当蠢」，常去的链接永远排在候选列表底部。谷歌的产品经理不敢乱动它，怕搜索收益掉一点，就是几十亿美元的窟窿。他想用 AI 做个更好的地址栏预测器，接着又用 GPT-3 给博客文章生成三条要点式的摘要，也是在那时候第一次撞上了 AI 幻觉问题。

就是这些小实验让他「染上了瘾」。他开始约 AI 圈的研究者聊天，越聊越坐不住：GPT-3 发布都两年了，居然还没有谁真正逼近它的水平。

转折发生在一个深夜。他记得是晚上十一点，躺在 Apple Notes 里给整个 AI 行业手画市场地图：做训练可视化的 Weights & Biases，做推理的 Replicate，一堆基础设施公司，一堆基础模型公司。画到最后他写下一个词：提示词。谁在为提示词做产品？

当时 OpenAI 自家的 Playground 编辑器，已经从两年前的一个文本框，长成右边一整面板的滑块和参数，连插入文本自动补全上下文的功能都有了。Suhail 的原话相当刻薄：这玩意儿快变成他们自己都维护不动的产品了。加上围绕 API 做内容营销起家的 Jasper，他判断提示词本身就需要一款产品来伺候，而这门生意当时几乎没人做。

压垮犹豫的最后一根稻草是 Stable Diffusion。发布前一两周，他从 Stability AI 的 Emad Mostaque 那里提前拿到权重，在 notebook 里玩了一圈。玩着玩着彻底想明白了：**光给用户一个文本框没用，大家真正缺的是一套好用的 UI 控件，来把结果调到满意为止。**文本那边正在发生的界面复杂化，一定会原样重演在图像上，没人想永远活在命令行里。

## 提示词是个 bug，目标是「所想即所得」

Playground 的中期目标，Suhail 说得很克制：不打算取代 Photoshop 或 Illustrator，定位更像一个可以放进 Adobe 全家桶的新工具，瞄准那些没有专业修图技能的人。改个颜色、给人物加一条项链，只要品味在线，就能得到自己和别人都满意的结果。他承认现在的 Playground 基本还是个玩具，「一个美化过的图像生成器」，输入文字，吐出图片，像开盲盒，做不了任何细微修改。

长期目标激进得多。**别人都在卷语言，他要做像素域的「大型语言图像模型」**，他自己现造了个词，LLIM。这个东西要能创造、能编辑、能理解像素。创造，是凭空生成一张你穿着红色风衣站在黑客帝国场景里的图，然后用一句指令改细节：夹克换成黑色，枪挪到左手。理解，是给它30秒视频，它能讲清楚这30秒里发生了什么。视频、3D，凡是像素的东西都在射程之内。按他的预期，今年团队该拿出自己的「像素版 GPT-2」。

这个方向背后有个判断：**提示词本身是个 bug。**他引用 OpenAI 联合创始人 Ilya Sutskever 的说法，人们要写一整段咒语才能换来一张世界级的图，这很荒谬，纯粹靠碰运气。他想要的是所见即所得的升级版：**「所想即所得」（what you think is what you get）。**看到一张图想改个细节，或者想把某种风格搬过来一点点，只要你能想到，产品就该做得出来。所以他们会把用户体验做到 Figma 那个级别：可协作，滑块旋钮齐全，精细控制。

具体到技术难点，他提到图内文字。Stability 旗下的 DeepFloyd 团队当时还没正式发布，看起来解决了在图里写字的问题，思路似乎借鉴了谷歌的 Parti 模型。但他想走得更远：**让模型发明字体。**凭什么只能用 Google Docs 里那几种字体？他想要一个卷曲的、字距长这样、带霓虹红的字。小时候学 Photoshop 做标志的经历让他相信，字体合成一旦成立，对设计行业的冲击会非常大。

判断标准简单得近乎粗暴，改编自音乐圈的行话「听起来好，就是好」：**在像素的世界里，看起来好，就是好。**人类判断设计好坏的速度不到一秒，苹果公司已经反复证明了这一点。

节目里还有一段关于「潜空间」的科普，值得一记。Suhail 的解释非常朴素：一张 512×512 的 RGB 图，原始维度是 512×512×3；潜空间就是把它压缩成小得多的向量，比如 64×64×100，类似 JPEG 的有损压缩，会丢信息，但保住主干。所以改一下随机种子，头发可能从绿变红，可你要的水彩画风还在，因为风格在空间里离得很近。把「老虎」往梵高的方向推一个向量，就得到一幅梵高画风的老虎。

## 「AI 艺术是艺术」，然后他被网暴了一周

> 「我真的相信，AI 艺术是艺术。」

2022年10月，Suhail 发了这条推，配了几张自己生成的图。他当时不觉得有什么争议，结果在 Reddit 和 Twitter 上被声讨了整整一周，收到死亡威胁和各种辱骂。有个细节很喜剧：Reddit 上那个挂他的帖子把他的名字打了码，他一个月后才发现，还调侃「连被骂都骂不全，这才是真的被取消」。

他从防御姿态切换到好奇，找那些愿意好好聊的艺术家对话。结论很清楚：**艺术家真正的问题是怕。**他们热爱的事本来就赚不到什么钱，现在又来了个东西，让他们觉得自己彻底过时了。技术圈对此毫无感觉，程序员就爱自动化，自动化万岁；艺术圈感受到的却是生存威胁。

但他的乐观有依据。Playground 上最头部的那批 AI 创作者，已经开始在自己的作品上签名，而且别人完全复刻不了他们的做法。**当作品不再靠一句「Greg Rutkowski 风格的老虎」就能批量复制，抄袭焦虑自然会退潮。**工具越强，个人风格的壁垒反而越高。

他反复用一个音乐史的类比：鼓机出现后，便宜、能采样、能做八小节循环，结果催生了嘻哈，改写了整个音乐史；再往后是 Ableton、Logic 这些数字音频工作站，整支交响乐团装进电脑，才有了 Skrillex 这种做出无人想象过的声音的艺术家。**每次工具革命都会长出全新的艺术形式，像素领域的 Skrillex 还没出现，出现了会非常厉害。**同时他也相信，乐队和吉他不会消失，就像演唱会音质永远不如录音室，大家照样抢票，因为人在现场这件事无可替代。手绘的乐趣同理。**人加机器，才是艺术的最好结局。**

## 周四权重开源，周一下午上线

这个领域的节奏已经快到什么程度？Suhail 的团队几乎每周固定读论文。而从业者最大的焦虑是防御性：**你花几个月训一个模型，别人直接把权重开源了，你的投入瞬间变成大路货。**

InstructPix2Pix 就是个标本。论文早就在读，模型自己也在训，就是不知道伯克利的 Timothy Brooks 那伙人什么时候放权重。周四权重公开，周日全员加班，周一下午两点上线。Suhail 的总结是：**创业公司必须同时做两件事，下大注做自己的研究，同时保持随时转向的敏捷。**融了几十亿美元的基础模型公司可以慢慢来，产品公司只能跟着用户需求跑，看到有价值的东西就全力冲刺。他顺口提了一句，GPT-4 大概就在拐角，这个赛道没人睡得安稳。

节奏快到什么程度，主持人 Nathan 也现身说法。他的公司 Waymark 用 AI 帮媒体公司做结构化的广告视频，初代 BLIP 的图文匹配能力至今仍是他从几百张用户图片里挑配图的最佳模型。而节目录制前一天 BLIP-2 刚发布，演示里可以指着一张奥巴马愁眉苦脸的图问「他为什么不开心」，模型看图作答。Suhail 补充说，图像的维度远比英文文本高，一张图顶一千个词，未来对着一张图聊天是完全可行的事。

他还预言了 Web 2.0 混搭时代的回归：当年有人把 Google Maps、Flickr 和 Yelp 拼在一起，做出奇怪又好用的应用；现在把 Playground 的图、ChatGPT 和别的模型拼起来，AI 版的混搭浪潮已经在路上。Hugging Face 上模型多到数不过来，一周就冒出十几个新的，问题只在于没人知道哪个能成。

## 每天免费1000张图背后的算盘

Playground 最出格的产品决策是免费额度：别家图像服务每月给100张，它每天给1000张。这个数字有出处，是不设上限时用户用量的第90百分位。真有人天天跑满1000张，开 Twitch 直播生成，还有用户说这东西治好了他的焦虑。普通用户平均每天生成四五十张，硬核用户直接撞上限。Suhail 自己都有点犯嘀咕：我们真的想要这种程度的沉迷吗？

为什么这么大方？Suhail 从 Mixpanel 带来一个教训：**用量和价值不成正比。**生成50张图，不代表获得50份价值，可能50张里才挑得出1张好的。按张数收费就像在 Photoshop 里按笔画收费，很荒谬。

更深的意图是数据飞轮。**做一个还不错的产品，换来大量用户；用户产生第一方训练数据；数据让研究员更容易造出新模型；新模型带来新功能，产品从「还不错」进化成「惊艳」。**他觉得谁能最快把这个飞轮转起来，谁就是未来最大的公司。ChatGPT 已经在攒一个数十亿量级的反馈数据集，后来者很难再追。

反常识的是，他们不急着收集评分。产品里就三个按钮，好、坏、一般，从不强迫用户点。因为数据已经多到用不完，真正的问题是数据太脏，有人把自己生成的每张图都标成「爱了」。**先学会给评分去噪，再谈扩大采集。**此外他们还在悄悄收集用户与产品的交互行为数据，不含隐私信息，用来指导新模型的发明方向。

管理方式上同样反常识。Mixpanel 出身的他一个 A/B 测试都不做。理由是 A/B 测试只能测出大改动，小改动根本测不出显著差异；而且数据只能告诉他直觉对不对，永远不告诉他该做什么功能。他每天雷打不动看两个仪表盘、32个指标，像喝咖啡一样规律，但决策更多靠跟用户聊。他有个朋友的教训：指标漂亮，用户私下却说「我恨死这产品了」。**过度数据驱动的公司，都会漏掉质性的那一半。**

硬件是另一张底牌。Mighty 留下的能力是买服务器、进机房、管基础设施，手里还躺着几百万美元的机器和全套供应商关系。图像生成毛利率薄，成本是生死线，他们正准备再下单几百张 GPU，甚至能赶在供应商上架前拿到最新硬件。**从硬件一路管到产品，让他们敢在性能和价格上双线激进。**效果立竿见影：他们发现一个跑定制模型的 API 端点拖慢了整体吞吐，优化到两倍速度后，全站图像生成量立刻翻倍，而且还在涨。用户会把给他们的算力全部吃干，这个教训让他开始认真监控 GPU 利用率。

## 想进场的人，明天可以做什么

聊到行业格局，Suhail 跟不少投资人吃过饭，也和 Character.AI、Midjourney 这类公司的创始人以及他们的工程师聊过，他的判断有几条：

- **数据优势是第一护城河。**公共互联网的数据大概今年就快被榨干，私有数据还在指数增长，谁手里有独占数据，谁就有好几年的窗口。
- **微调不算护城河。**下一代最强模型往往不需要微调就能做到你微调后才能做的事，除非微调用的是私有数据。
- **模型不会那么快商品化。**他原来也觉得大模型终将沦为大宗商品，越做研究越不这么想了。Stable Diffusion 训练一次只要60万美元，但造出能持续变强的模型，靠钱堆不出来，得找到聪明的想法、留住对的研究员。这更像 CPU 市场：上一代每隔两年商品化，最强的那款永远有人抢。
- 基础模型公司「先造 API 再找问题」的打法，只有 OpenAI 这种弹药量玩得起，动辄同时推进十个千万美元级的实验。Playground 选了反方向：从产品出发，往下做到基础模型。
- 用 AI 造新的消费者网络效应，是还没被开垦的地带。AI 头像的爆红又速朽就是反例，它缺的是接进一个真正的分发网络。

对想学 AI 的个人，他的建议更直接。**最快的学法是动手做，别刷课程视频。**看课最多让你能聊几句，适合投资人；想做研究就得真写代码。入门推荐 Andrej Karpathy 的新系列，从零开始，只需要会 Python；需要动力的人可以选 Fast AI 的自顶向下路线。他自己的加速器是找 AI 研究者当导师，用创业知识交换答疑；后来有了团队，一起读论文像学习小组，加上一个让人愿意熬到凌晨两点盯训练进度的项目，进步飞快。

管理研究团队这件事，他去请教了 Sam Altman 半个小时，得到的核心提醒是：AI 研究比写网络应用慢十倍，前期怎么都不 work，突然有一天就惊艳了，Greg Brockman 也发过类似意思的推。所以要允许研究员漫游，只在「像素和创作工具」这个方向上设护栏。团队组建上，他从 Mighty 转型时裁掉了一批人，用他的乐队比喻，原班人马搬过来就像一支乐队鼓手太多；现在团队初中高级搭配，还差一个资深研究员的坑位。

节目结尾聊到2050年。Suhail 有个18个月大的儿子，他最担心的画面是儿子最好的朋友是几个 AI，或者哪天加入一个能直接跟「神」对话的 AI 宗教。这些听着遥远，但按这期节目的节奏感，周四开源周一下线，也许不用等到2050。

变成行动的话，这期节目给普通读者留了三件事：**第一，把「生成50张挑1张」当成常态，别指望一次出图，提示词写得再好也只是降低盲盒的方差；第二，如果你手里有任何独占数据，现在就开始想怎么用它训练或微调自己的模型，这是未来几年最硬的资产；第三，学 AI 别再收藏课程了，挑一个自己真想做的小东西，照着 Karpathy 的系列边写边学，一周就能摸到门槛。**