正如 Andreessen Horowitz 所言，生成式 AI（尤其是文生图领域）正席卷全球。投资者已向相关初创公司投入数十亿美元，大型科技公司亦不甘落后，通过合作或自研布局该赛道。Google 选择内部研发路线，将其生成式 AI 成果商业化以参与竞争。
在年度 I/O 开发者大会上，Google 宣布将新的文生图模型 Imagen 上线至完全托管 AI 服务 Vertex AI。Imagen 此前已通过 AI Test Kitchen 预览，具备图像生成、编辑及自动撰写说明文字等功能。
“任何开发人员都可以使用 Google Cloud 使用这项技术，”Google Cloud Vertex AI 总监 Nenshad Bardoliwalla 在接受 TechCrunch 电话采访时说。“你不需要是数据科学家或开发人员。”
Vertex 中的 Imagen
在 Vertex 中使用 Imagen 流程简便。用户可通过 Model Garden 访问其 UI，输入提示词（如“一个紫色的手提包”）即可批量生成候选图像。此外，用户可利用编辑工具调整细节（如物体颜色），使用超分辨率功能锐化画质，或通过微调引导模型适配特定风格。
Imagen 还支持为图像生成说明文字并提供翻译选项。Bardoliwalla 表示，为遵守 GDPR 等隐私法规，未保存的生成图像将在 24 小时内自动删除。
“我们让人们非常容易地开始使用生成式AI处理他们的图像。”他补充道。
然而，生成式 AI 仍面临伦理与法律挑战。此类模型通常基于爬取公共网站的图像数据集训练，关于使用受版权保护图像训练是否适用“合理使用原则”，目前尚无定论。
Midjourney 和 Stability AI 正因利用网络爬取图像训练工具而面临侵犯艺术家权利的诉讼；Getty Images 也起诉 Stability AI 未经许可使用其图片训练 Stable Diffusion。
针对客户对版权问题的担忧，Bardoliwalla 并未直言 Imagen 未使用受版权保护图像训练，仅表示 Google 会进行广泛的“数据治理审查”，确保源数据“免受版权索赔”。鉴于原始 Imagen 曾在包含受版权作品的 LAION 数据集上训练，这一措辞显得较为谨慎。
Bardoliwalla 强调：“我们必须确保完全符合所有与版权信息相关的法律平衡。”“我们向客户明确说明，我们提供的模型让他们能够放心地用于工作，并且他们以完全安全的方式拥有从其训练模型中生成的知识产权。”
不过，在美国，AI 生成艺术是否受版权保护目前仍不明确。
为解决训练数据版权问题，部分企业允许艺术家“退出”AI 训练。Spawning 正建立行业标准与工具；Adobe 推进自有退出机制；DeviantArt 则推出基于 HTML 标签的保护措施，禁止爬虫抓取图像。
Google 目前不提供退出选项。Bardoliwalla 仅表示 Google “极度关注”以“合乎道德且负责任”的方式训练模型，但未透露未来是否会改变策略。
考虑到 Google 曾取消外部 AI 伦理委员会、迫使知名研究人员离职并限制研究发布，这番表态颇具讽刺意味。
关于如何限制有毒或偏见内容，Hugging Face 与莱比锡大学的研究曾指出，Stable Diffusion 和 DALL-E 2 等模型倾向于生成白人男性形象，尤其在描绘权威人物时。
Bardoliwalla 对此回应称，Vertex 托管模型的每次 API 调用都会评估毒性、暴力和淫秽等“安全属性”。系统会根据评分阻止响应或让客户选择后续操作。
他表示：“我们从消费者产品中非常清楚，哪些类型的 content 可能不是我们的客户希望这些生成式 AI 模型产生的内容。”“这也是 Google 大量投资和市场领导力的领域——我们要确保我们的客户能够产生他们想要的结果，而不会损害或破坏他们的品牌价值。”
为此，Google 在 Vertex 中推出基于人类反馈的强化学习（RLHF）托管服务，帮助组织保持模型性能并部署更安全、准确的模型。RLHF 通过人类反馈训练“奖励模型”来优化生成式 AI。
Bardoliwalla 表示，RLHF 所需的微调量取决于具体问题范围。尽管 Anthropic 等公司质疑 RLHF 涉及雇佣低薪承包商评估毒性内容的合理性，但 Google 持不同看法。
他说：“使用我们的RLHF服务，客户可以选择一种模态和模型，然后对来自该模型的响应进行评分。”“一旦他们将这些响应提交给强化学习服务，它就会调整模型以生成更好的、与……组织所寻求的目标一致的响应。”
新模型和工具
除 Imagen 外，Google 还宣布 Codey 和 Chirp 两款生成式 AI 模型向部分 Vertex 客户开放。
Codey 对标 GitHub Copilot，支持 Go、Java、JavaScript、Python、TypeScript 等 20 多种语言。它可根据代码上下文补全代码，或回答调试、文档及高阶编码概念等问题。
Chirp 是基于数百万小时音频训练的语音模型，支持超 100 种语言，可用于视频字幕、语音辅助及各类语音任务。
此外，Google 以预览形式推出 Vertex Embeddings API，可将文本和图像转换为向量表示，映射语义关系，用于构建语义搜索、问答机器人、情感分析及异常检测等功能。
目前，Codey、Imagen、图像 Embeddings API 和 RLHF 已向 Vertex AI “受信任测试人员”开放；Chirp、Embeddings API 和 Generative AI Studio 则面向所有 Google Cloud 账户持有者提供预览。
