我要投稿

体验完百度世界2024上的iRAG，我觉得AI绘图也可以没有幻觉了。

发布日期：2024-11-12 16:14:38 浏览次数： 1613 来源：数字生命卡兹克

作为受邀媒体，我现在人在2024百度世界大会现场。

在论坛中，听李彦宏讲了最重要的1小时。

这一小时里，他说了很多重要的东西，有智能体、有很好用的正式上线的智能画布，有一个无代码开发工具秒哒。

但是最让我眼前一亮，觉得有点东西的，可能是一个跟AI绘图有关的产品。

iRAG。

检索增强的文生图技术。

这个东西，还是值得单独拿出来说说的。

不过在说之前，我觉得还是先需要跟一些产业外的人，科普一下什么叫RAG，就是把百度这个iRAG去掉一个i。

RAG的出现，就是为了解决大模型本身的幻觉的，去年ChatGPT刚出来的时候，很多人都觉得他是万能的学者，无所不能的神。

直到对话对的越来越多，大家才发现，神其实并不是无所不能，神，甚至还会跟你一本正经的胡说八道。

于是，为了解决这个痛点，RAG出现了。

本质上，他是不是大模型按照自己的知识库回答，然后先通过一些工程化手段，比如联网搜索，比如文档搜索等等，先把相关信息给找出来，让大模型根据这些信息来进行回答。

直接把答案拍你脸上，你总不能胡说八道了吧。

现在你能看到的绝大多数的AI搜索、知识库、AI客服等等，几乎都是RAG的延伸。

但是，这些RAG，你能看到，几乎都是文生文模态的，几乎没有跨模态的而。

而百度这个iRAG，有意思的点就是，他不是解决文字大模型生成的幻觉问题的，而是解决图片的。

没错，图片生成，其实很多时候，跟AI绘图一样，也是有幻觉问题的。

比如我用Midjourney生成一副天坛的图片。

左边是Midjourney，右边是天坛实拍照片。

如果你不看实拍照片的对比，让你单看Midjourney生成的天坛照片，你可能还会觉得像模像样的。

但是当你看了实拍，你就会发现，细节的错误实在太多了。天坛的这个标志的祈年殿，是三层蓝瓦金顶，中间挂着祈年殿的牌子。

而AI呢，变成了两层，还把祈年殿的牌子丢了。这个就是幻觉问题，而且在一些实际项目中，危害很大，特别是一些跟甲方的合作项目，你们都懂的。

你但凡甲方的车换一下遭形，你看看他们会不会拿搬砖敲你。

不敲进医院都是我觉得最大的仁慈了，真的。

而百度的这个iRAG，他们就是想解决这个问题，所以叫iRAG，image based RAG。

这是他们早上展示的一个case，爱因斯坦在天坛前面抽烟。

左边是iRAG加持后的效果，天坛极准，爱因斯坦也很像。

而右边的四兄弟基本就垮了，有的是天坛崩，有的是任务崩，不过我还真的挺好奇左下那一张是哪家模型的，在没有iRAG的加持下，天坛能那么稳定，还是有点东西的。

这个东西在早上李彦宏讲话的时候，就应该已经全量上线了，我也以最快的速度去文心一言上做了一波测试。

在李彦宏后面的发言几乎没听、错过了AI眼镜的发布，测了一早上之后。

我觉得这个iRAG确实有用，但是也会有很多它的局限。

我总结的最好的公式是：

某人物在某地点做某事。

对明确的物品、明确的人、明确的场景表现较好，但是对于一些抽象的比如logo之类的东西效果就不尽人意了。

我之前妄图想生成挂着百度logo的腾讯滨海大楼，就会非常的抽象。。。

而如果你说人地事，效果就很好了。

比如我可以直接在文心一言里面说：

生成一张图：特朗普和霸王龙一起在广州塔前剥豆角。

就能得到如此抽象的结果。

极其精准。

特朗普、霸王龙、广州塔，没有一个有错的。

你也可以生成：

甄嬛在玩小米mix fold折叠屏手机。

我的上一部小米折叠屏就长这样，壁纸几乎一样，icon也有小米的影子，就是还有点bug，不是完全一样，但是百度iRAG能做到这个程度，我已经是佩服到底了，更别提，这还是一个甄嬛传的场景，甄嬛的元素，几乎也跟真人一样。

又或者，你可以让建筑，随便出现在任何地方，比如沙漠中的自由女神像。

比如，在海底生锈的埃菲尔铁塔。

iRAG的优势在此刻被展现的淋漓尽致，那就是，绝对精准。

整体技术路径虽然百度没说，但是我大概能猜到，就是根据用户要求，先去实时检索图片，然后把这部分图片做一些重绘和注入，加入一些其他的内容。但是肯定会有很多更为繁琐的工程细节。

而且我发现，他还可以上传图，来保证绝对的精准。

比如我把我的照片传上去了，让他给我生成一张男人穿着花大袄子在打麻将。

然后。。。就出现了非常抽象的图。。。

emmmmmmm，像是真的像。。。

就是这一股子东北气息，是我真的不敢尝试的风格。

非常坦率的讲，百度的AI绘图底模还不够好，在质量和审美上，跟Midjourney、Flux这种还有一些距离，但是瑕不掩瑜，iRAG作为一种基础能力手段，是可以复刻到所有的AI绘图产品中去的。

毕竟精准，是很多时候，非常强的痛点。

我也强烈建议，所有的AI绘图产品，把iRAG这种技术，用在自己的产品里面。

Midjourney如果加上iRAG，那想象空间是真的大。

百度这一波。

是真的做了，非常优秀的东西。

有趣且有意思。

希望后面，再度进化，能再给这个行业，一些小小的震撼。

53AI，企业落地应用大模型首选服务商

产品：大模型应用平台+智能体定制开发+落地咨询服务

承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业

160+中大型企业正在使用53AI

立即咨询预约演示

百度智能云邀53AI：共创AI新纪元，启航智能新时代

2024-05-27

钉钉恒星计划：53AI与百余位企业家及钉钉生态伙伴，共议“AI 浪潮下的新机遇”

2024-05-22

热点资讯

GraphRAG+Ollama 本地部署，保姆教程，踩坑无数，闭坑大法

2024-07-18

RAGFlow：基于OCR和文档解析的下一代 RAG 引擎

2024-05-05

微软开源的GraphRAG解读

2024-07-09

深入解析 Graph RAG：提升语言模型问答能力的创新策略

2024-07-09

基于Llama 3 构建RAG语音助手：将本地 RAG 与 Qdrant、Whisper 和 LangChain 集成

2024-05-19

RAG框架，都在这了!

2024-06-20

Prompt工程师必备：复旦重磅 | 最佳RAG实践长什么样的？

2024-07-07

下一代 RAG 技术来了！微软正式开源 GraphRAG：大模型行业将迎来新的升级？

2024-07-07

GraphRAG：终极 RAG 引擎 - 语义搜索、嵌入、矢量搜索等等！

2024-07-08

【文档智能 & RAG】RAG增强之路：增强PDF解析并结构化技术路线方案及思路

2024-07-09

大家都在问

RAG vs ICL：AI大模型的记忆术和临场发挥，谁才是最强辅助？

2024-11-06

企业如何从0到1构建RAG系统？

2024-11-06

RAG 系统的分块难题：小型语言模型如何找到最佳断点？

2024-11-05

实操｜如何优雅的实现RAG与GraphRAG应用中的知识文档增量更新？

2024-11-04

全网最全国内Agent平台深度测评：扣子、Dify、FastGPT，谁是你的Agent开发首选？

2024-10-27

微软研究院新突破：如何让AI在专业领域更靠谱？

2024-10-25

语义分块真的有效吗？

2024-10-21

突破传统RAG局限：GraphRAG如何提升大模型问答能力？

2024-10-21

开箱即用的企业大模型应用平台

工作+AI

业务+AI

AIx业务

大模型咨询

大模型定制

相关资讯

160+中大型企业正在使用53AI

百度智能云邀53AI：共创AI新纪元，启航智能新时代

钉钉恒星计划：53AI与百余位企业家及钉钉生态伙伴，共议“AI 浪潮下的新机遇”

热点资讯

GraphRAG+Ollama 本地部署，保姆教程，踩坑无数，闭坑大法

RAGFlow：基于OCR和文档解析的下一代 RAG 引擎

微软开源的GraphRAG解读

深入解析 Graph RAG：提升语言模型问答能力的创新策略

基于Llama 3 构建RAG语音助手：将本地 RAG 与 Qdrant、Whisper 和 LangChain 集成

RAG框架，都在这了!

Prompt工程师必备：复旦重磅 | 最佳RAG实践长什么样的？

下一代 RAG 技术来了！微软正式开源 GraphRAG：大模型行业将迎来新的升级？

GraphRAG：终极 RAG 引擎 - 语义搜索、嵌入、矢量搜索等等！

【文档智能 & RAG】RAG增强之路：增强PDF解析并结构化技术路线方案及思路

大家都在问

RAG vs ICL：AI大模型的记忆术和临场发挥，谁才是最强辅助？

企业如何从0到1构建RAG系统？

RAG 系统的分块难题：小型语言模型如何找到最佳断点？

实操｜如何优雅的实现RAG与GraphRAG应用中的知识文档增量更新？

全网最全国内Agent平台深度测评：扣子、Dify、FastGPT，谁是你的Agent开发首选？

微软研究院新突破：如何让AI在专业领域更靠谱？

语义分块真的有效吗？

突破传统RAG局限：GraphRAG如何提升大模型问答能力？

热门标签