新型AI绘图系统助力人机协作，模仿人类素描过程

在我们的日常交流与沟通中，语言有时显得力不足，在表达复杂想法时，简单的视觉草图往往更为高效。例如，使用电路图来说明一个系统的工作原理，能够迅速传达概念。若能引入人工智能来助力这一可视化表达，便可探索出更为广阔的可能性。

目前，虽然许多AI系统在创作写实油画或卡通插画上颇具实力，但它们对于素描过程的理解仍显不足。素描的魅力在于那种逐笔勾勒、反复迭代的过程，这一过程不仅是艺术创作的重要组成部分，也是人类头脑风暴、调整创意的重要工具。为了填补这一空白，麻省理工学院计算机科学与人工智能实验室（CSAIL）与斯坦福大学的研究团队近期开发了一种新型绘图系统，旨在通过人机协作的方式，让AI 模仿人类的素描过程。

论文的第一作者、CSAIL的博士后研究员Yael Vinker指出：“人们往往未意识到自己在日常生活中绘制了多少草图。人类利用速写来理清思路、交流创意，因此，我们的工具旨在模拟这一过程，以便使得多模态语言模型能够更有效地辅助人类进行视觉化表达。”

一般意义上的文本转图像模型，如DALL-E 3，能够生成视觉上引人注目的绘画作品，但缺乏素描过程中自发性与创造性的深度。新开发的系统则从根本上改变了这种局面，它把绘画过程视作一系列连贯的笔触，生成的艺术作品呈现出更加自然流畅的特征，犹如真实的人类素描。

此前的研究通常依赖于人类绘制的数据集进行模型训练，这些数据规模和多样性受限，因此新系统的开发显得尤为重要。该团队采取了全新的路径，直接调用预训练的语言模型。这些模型虽然掌握了海量的概念，但并不知道如何进行素描。不过，经过研究团队的教导，这些模型逐步学会了从未明确训练过的概念进行逐笔创作。

通过独创的“素描语言”，研究者赋予AI模型逐笔绘制的技能。这一方法无须依赖庞大的训练数据，而是将草图转化为经过编号的笔触序列。例如，在绘制房屋的过程中，每一道笔触都标注着对应的建筑元素，帮助模型理解新概念。

作为一种高度灵活的多模态大语言模型，该系统可以接收三类输入：包含素描语言规范的系统提示；带有具体绘图任务的用户提示（如“画一条鲨鱼”）；以及空白的绘图画布。基于用户的指令，该系统生成一系列代表绘制笔触的文本响应，经过处理后将这些笔触数据显示在画布上。画布不仅可以进行循环利用，还允许用户通过更新提示来修改图案或生成新任务，与AI进行协作绘图。

研究团队还验证了这一系统在独立创作和人机协作方面的能力。在协作模式下，AI与人类共同完成特定概念的绘画，有研究表明，移除AI贡献的笔触后，整体图像图案的完整性会受到严重影响。例如，去掉代表帆船桅杆的笔触后，整幅作品会变得难以辨认。这一发现显示了AI在创作过程中的重要性和必要性。

通过这种基于Web的协作式草图绘制环境，用户可以与AI在共享画布上轮流绘制，创作出可以识别的草图。参与者根据给定的文本概念，以单人模式（独立绘制）或协作模式（共同添加笔触，直至满意）进行创作。不同颜色的笔触清晰地显示了用户与AI的贡献。

用户还可以利用聊天对话功能，反复编辑已有草图，增强创意表达的灵活性。研究团队展示了这种系统的多样性，包括绘制的各种草图概念，并指出其未来的可能用途——例如，开发为互动艺术游戏，作为教学工具帮助教师和研究者图解复杂概念，甚至提供快速的绘画教学。

用户还能将草图转变为动图。在另一个实验中，研究团队利用不同的多模态语言模型进行测试，结果显示，Claude 3.5 Sonnet生成的矢量图形最具人性化特征，表现优于其他模型，出该模型处理视觉信息的能力颇具独特性。

“随着模型在草图生成等多样化能力上的提升，用户将能够获得更为直观且人性化的表达方式，这将丰富交互体验，提升AI的易用性与适应性。”合著者Tamar Rott Shaham补充道。

尽管这一新系统展现了绚丽的前景，在协作过程中也偶尔出现误解的情形，比如错画出双头兔子。Vinker解释，这可能是由于模型的“思维链”推理机制，任务在分解为多个步骤时，模型可能未能正确识别用户的具体意图。他们计划通过合成数据扩散模型来进一步优化相关绘图技能。

随着这一新型绘图系统的推行，人机协作将迎来一个崭新的时代。未来，研究团队还将致力于优化这一交互界面，以简化与多模态语言模型的协作绘画流程。相信在不久的将来，AI能以更加符合人类思维方式的绘画形式，协助我们绘制出更加丰富的创意和概念。