十年美術生轉學計算機，靠AIGC拿到千萬美元融資

如果近期路過上海南京西路、陸家嘴等地鐵站，乘客留意會發(fā)現(xiàn)，站內(nèi)的廣告牌有多幅AI生成的繪畫作品。這些繪畫作品都是由國內(nèi)的生成式AI平臺Tiamat提供的。

在海外，當下熱度最高的AI生成平臺非Midjourney莫屬，近段時間，人們用Midjourney生成了各種以假亂真的圖片：特朗普被追捕、馬斯克成為一名蘇聯(lián)工程師、中國男足獲得了世界杯冠軍……隨便拿出一張都能做到以假亂真的程度。

(資料圖片)

在國內(nèi)，成立于2021年的Tiamat相比起來低調(diào)不少，但屬于國內(nèi)最早做AI生成的平臺之一，其自研的MorpherVLM是國內(nèi)首個基于概念融合范式提出的近百億級跨模態(tài)生成模型，與海外技術節(jié)點、開源社區(qū)保持同頻。

Tiamat創(chuàng)始團隊非常年輕，但在2022年10月，Tiamat已完成數(shù)百萬美元的天使輪融資，在今年2月，緊接著宣布完成近千萬美元 A 輪融資，由DCM和綠洲資本聯(lián)合領投。

年輕團隊，加上國內(nèi)首家AI生成平臺的標簽，讓背后的創(chuàng)業(yè)故事顯得非常傳奇。第一財經(jīng)此前拜訪了位于上海張江創(chuàng)業(yè)工坊的Tiamat辦公室，附近是一條AI街區(qū)，幾棟高樓林立，更多的大廈正在動工修建，Tiamat的氣質(zhì)與這里有些相似：雖然目前稍顯冷清，但指向未來。

踩中時代風口

以Text-to-image生成模式、Diffusion模型為顯著特點的圖像生成平臺，正在顛覆傳統(tǒng)的內(nèi)容創(chuàng)作和藝術設計領域。

而學了十年美術，大學轉學計算機科學技術的創(chuàng)始人兼CEO青柑，剛好踩在了時代的風口，成立了Tiamat AI繪畫平臺。

Tiamat 團隊從2021年開始進行模型訓練，以自研并自主訓練底層模型的方式，與海外技術節(jié)點、開源社區(qū)等保持著同頻。青柑表示，在一開始融資的時候，他們還需要花很多精力教育市場，解釋什么是AI 生成，什么是多模態(tài)。彼時，距離 Stable Diffusion、Midjourney這些引領著行業(yè)革新的產(chǎn)品上線還有幾個月左右的時間。

作為國內(nèi) AI 生成第一批團隊，Tiamat 如今也成為了為數(shù)不多成功融資并實現(xiàn)了商業(yè)化的平臺。

“因為我們一方面有自研的底層模型，另一方面商業(yè)化跑得也比較快，在這個基礎上又是國內(nèi)做得比較早的，對這個技術也比較敏感，所以我們的兩輪融資是比較快就結束了。”青柑表示。

2022年10月，Tiamat完成了數(shù)百萬美元天使輪融資，投資方為DCM。23年初，Tiamat緊接著宣布完成近千萬美元 A 輪融資，由DCM和綠洲資本聯(lián)合領投。

綠洲資本創(chuàng)始合伙人張津劍此前對第一財經(jīng)表示，投資的考慮在于，Tiamat團隊在技術上有一定的領先性，創(chuàng)始人也很年輕，學習能力也很強，同時這個技術中美之間的差異較小，團隊利用這個技術結合中國的審美有一些迭代和創(chuàng)新。

“我們這么年輕的履歷擺在這里，大家也會愿意去相信我們，是因為我們確實有實打實的技術在，能夠和別人拉開差距，能夠有很好的資源。”青柑表示，自己和團隊其他核心成員來自于中科院上海科技大學以及倫敦藝術大學，在AI圖片引擎、數(shù)字孿生等方面，團隊都有技術積淀。

青柑介紹，創(chuàng)始人團隊在大學的時候就已經(jīng)形成，在大四就拿到了第一筆種子類融資，在有技術，且有學校支持的情況下，團隊創(chuàng)業(yè)做AI生成是順理成章的。

創(chuàng)始團隊早期在開源技術社區(qū)里面待了很久，當時AIGC的概念還沒有興起，青柑對第一財經(jīng)表示，“在21年下半年的時候，當時在社區(qū)里面有一些技術大佬提出了大模型的可能性，當時很敏銳第一時間關注到了，那個時候還不叫AIGC，就是單純發(fā)現(xiàn)了一個新的技術，覺得這個事情很有意思，所以我們非常早就在開源技術社區(qū)里面去做很多相關的技術研發(fā)。”

做得早、與海外開源技術社區(qū)同頻，是Tiamat的優(yōu)勢，青柑表示，“Tiamat在自研和內(nèi)測的系統(tǒng)和Midjourney的內(nèi)測幾乎是同時的，可能相差不過半個月，因為他們的負責人和大家在技術社區(qū)里會互相討論一些問題。”

在推出后，Tiamat在4個月內(nèi)全網(wǎng)曝光量達到了5000萬，這些全都是自然流量，Tiamat表示，一直都沒有在營銷上花錢投廣。

一開始因為圖片審美質(zhì)量較高，Tiamat更多是在符合調(diào)性的小紅書上火起來的，在發(fā)布了內(nèi)測圖片后，Tiamat引起了非常大的關注，至今#Tiamat人工智能藝術#在小紅書上還有2300多萬的持續(xù)點擊和瀏覽。有趣的是，很多品牌方和資方也是通過小紅書找到團隊的。

據(jù)團隊介紹，目前Tiamat已經(jīng)與央視網(wǎng)，以及《時尚芭莎》、《嘉人》等一線時尚大刊建立長期合作關系，并與眾多頭部游戲公司開展了戰(zhàn)略合作。在產(chǎn)品一側，已經(jīng)實現(xiàn)了內(nèi)測高活躍用戶數(shù)千人、月度新增數(shù)萬人，社區(qū)用戶涵蓋國內(nèi)設計、藝術創(chuàng)作、多模態(tài)技術等頭部博主。

“我們應該是國內(nèi)AI圖像領域在商業(yè)化方面跑得最快的。去年 Q4，我們有幾百萬元的合同訂單。”青柑表示。目前，Tiamat 20%的用戶群體是小B端的設計師，60%是泛設計行業(yè)人群，其他則是對新技術和新數(shù)據(jù)更感興趣的人。

何以立足

雖然做得很早，但在當下AI生成平臺涌現(xiàn)的情況下，Tiamat憑借什么立足，AI繪畫能否建立護城河？

青柑認為，與海外熱度最高的Midjourney、Stable Diffusion等對比，Tiamat的模型和社區(qū)優(yōu)勢主要體現(xiàn)在中文自然語言處理上的持續(xù)積累，以及能夠提供更適合國內(nèi)用戶需求特點的圖像，并將核心用戶定位于專業(yè)人群。Tiamat生成的圖片有相對獨特的審美和風格。

文本圖像生成領域是從2022年二三月開始公開測試，去年七八月，SD（Stable Diffusion）這一類開源模型放出來之后，緊接著就有大量的創(chuàng)業(yè)者入局。青柑觀察到，很多公司可以不通過訓練而直接將SD的模型封裝起來使用，大大降低了AI生成的門檻，這也是平臺涌現(xiàn)的原因。

但這一類已經(jīng)訓練好的模型，在具體的商業(yè)化上會有一些局限性。在圖像的商業(yè)化方面，會更關注的是精準性、可控性這些指標，能不能更好地讓圖像展現(xiàn)出人類理想的構圖、或者一致性的角色等。

青柑解釋，開源開的是已經(jīng)訓練好的模型，但這個東西具體是怎么訓練的，數(shù)據(jù)訓練上的細節(jié)是很難被大家知道并模仿的，在這個基礎上進一步去做圖像的精準性、可控性和商業(yè)化，就很難，這也是Tiamat為什么要堅持自研模型的原因。

“在國內(nèi)市場經(jīng)常會遇到的一些情況是，一些廠商需要圖像生成的供應商，可能會找到一些用了開源模型的公司，發(fā)現(xiàn)沒法達到好的效果，然后再來找我們。”青柑提到，自研也是Tiamat商業(yè)化比較順利的理由之一，因為非自研的服務商始終不能特別直接地生成一個行業(yè)想要的東西。

以服裝領域為例，如果需要 AI 來代替設計師或者幫設計師尋找靈感，首先他們的輸入方式一定是服裝設計領域的“黑話”，如領口版式、版型，不一定是外行能夠理解到的行業(yè)知識。所以團隊在去做行業(yè)模型的時候會先去理解設計師之間的溝通語言，再去理解對應的圖片，在此過程中需要重新去構建一些圖像文本作為訓練數(shù)據(jù)集，基于大模型去調(diào)整，然后才能做行業(yè)的專有模型。

但在這個基礎上，眾多有實力的大廠也在入局 AI生成，是否會對團隊帶來一些壓力？青柑認為，就圖像生成來說，并沒有觀察到像文本領域一樣由參數(shù)量引發(fā)的質(zhì)變，因此，在數(shù)據(jù)清洗和數(shù)據(jù)選擇這一方面，大廠要去經(jīng)歷的流程和創(chuàng)業(yè)公司沒有太大區(qū)別。

此外，對于大廠來說，基于產(chǎn)品生態(tài)，在訓練語料的數(shù)據(jù)量上會有一定優(yōu)勢，但可用性上不一定更強。再加上中文的語匯環(huán)境特點更加復雜，數(shù)據(jù)清洗難度很大，目前實際可用性的文本量級并沒有這么高，可能僅為英文語境可用性的 1/20。

而相比于ChatGPT這樣的文字大模型，一次訓練可能會花掉幾十到幾百萬美元，AI 生成模型需要的參數(shù)量級在十億左右，要低將近 100 倍，成本壓力相對較小，這也是創(chuàng)業(yè)團隊的機會。

“從一個比較直觀的感受切入，如果文本出現(xiàn)了一些邏輯上的錯誤或對話上的失真，用戶可以很快地感受到，而不像對于圖片的細微瑕疵可能會有更好的包容度。”青柑表示，在文字大模型上花費的時間精力和算力是遠大于AI Art 領域的，對于Tiamat來說，不停地把模型的參數(shù)量級進行擴張并不是最重要的指標，而是更多的關注這個圖像本身的可控性。

標簽：