deviparikh.com 暂未发现付费内容

Devi Parikh 是一位 AI 研究者与生成艺术家，目前是 Yutori 的联合 CEO。她此前在 Meta 生成式 AI 部门担任高级总监，更早之前在 Georgia Tech 任副教授并取得终身教职，2024 年离开教职。她的研究以视觉问答（VQA）和生成式 AI 模型（Make-A-Scene、Make-A-Video、Emu 系列）最为人熟知。如果你想找她的论文、CV、博客或生成艺术作品，官方入口都在 deviparikh.com 上，页面导航包含 Papers、Art、Blog、Humans of AI、Questions 等栏目。

职业轨迹：从学术界到生成式 AI 产品

按时间线看，她的路径大致分为三段：

• 学术阶段（Georgia Tech）：2019 年获得终身教职，同年 8 月起任副教授；2019 年获 Lockheed Martin Inspirational Young Faculty Award，2018 年获 Sigma Xi Young Faculty Award。2024 年正式离开 Georgia Tech 的教职。
• Meta 阶段：2023 年转入 Meta 新的生成式 AI 组织，担任 GenAI 高级总监，主导了 Emu、Emu Edit、Emu Video、Emu Video Edit 等模型的发布。2024 年离开该职位。
• 创业阶段：现为 Yutori 联合 CEO。2025 年 Yutori 结束隐身状态（out of stealth），并推出产品 Scouts by Yutori。

主要研究与技术贡献

她的工作集中在让机器“看懂”图像并生成内容，几个节点值得注意：

此外，她的团队在 2018 年赢得 ECCV 的 VizWiz Challenge（为盲人回答视觉问题）和 CVPR 的 Visual Question Answering Challenge，获奖方案通过 Pythia 公开。她本人还担任过 CVPR 2021 的程序主席。

荣誉与公众影响力

• 2017 年：IJCAI Computers and Thought Award；入选 Forbes“20 位推动 AI 研究的杰出女性”。
• 2019 年：入选 Vogue“Dream Makers: How the women in AI are shaping our future”。
• 2025 年：获 ICCV 的 PAMI Mark Everingham Prize。
• 2026 年：入选 San Francisco Business Times 湾区商业最具影响力女性榜单。

她发起的社区项目

除了研究，她做了两个面向 AI 从业者的公开项目：

• Humans of AI: Stories, Not Stats（2020 年启动）：一个采访 AI 研究者的系列，目的是把研究者当作“人”来了解，而不只是看统计数据。
• AI Paygrades（2020 年启动）：收集 AI 行业工作 offer 的统计数据，目标是减少信息不对称，让求职者能做出更知情的决定。页面邀请读者提交自己的信息。

这两个项目都可以从她官网的导航进入。

生成艺术

她也被 GASP Gallery 收录进艺术家名单（2019 年）。GASP Gallery 允许用户以多位艺术家的风格创作自己的生成艺术作品。官网设有 Art 栏目，可直接查看她的生成艺术作品。

如何获取她的公开资料

在 deviparikh.com 上可以找到以下入口：

• Papers：论文列表
• Art：生成艺术作品
• Blog：博客
• Humans of AI：研究者访谈系列
• Questions：问答栏目
• Bio / CV：个人简介与简历
• Email：联系方式

如果你要引用她的研究，优先从 Papers 页面获取原始论文；如果关注她的公开表达和职业动态，Blog 和 Humans of AI 更合适。

Generative AI（生成式 AI）指能够产出新内容的 AI 系统——文本、图像、音频、视频、3D/4D 场景等，而不只是对已有内容做分类或预测。判断一个工具是否属于生成式 AI，最简单的标准是看它的输出：如果输出是"这段内容属于哪一类""这个问题的答案是什么"这类判断，它更接近判别式 AI；如果输出是一段此前不存在的文字、一张新图、一段新音频，它就是生成式 AI。这个区别重要，因为它决定了你该用什么方式使用它：判别式工具用来做判断和筛选，生成式工具用来做创作和产出，而生成结果需要人来审校。

生成式 AI 与普通 AI 的核心区别

两者并非互斥。视觉问答（VQA）这类任务就同时涉及理解与生成，Devi Parikh 因 VQA 相关工作获得 2025 年 ICCV 的 PAMI Mark Everingham Prize，说明"理解"和"生成"在实际系统里常常交织在一起。

生成式 AI 能生成什么

按内容类型看，目前有代表性的方向包括：

• 图像：Make-A-Scene 强调对 AI 图像生成的更强创作控制（2022）。
• 视频：Make-A-Video 是早期文本到视频生成的代表（2022）。
• 音频：AudioGen 是早期文本到音频生成的代表（2022）。
• 3D/4D 动态场景：Make-A-Video3D 做文本到 4D 动态场景生成（2023）。
• 图像编辑与视频编辑：Emu、Emu Edit、Emu Video、Emu Video Edit 覆盖了生成与编辑（2023）。

这些模型来自 Devi Parikh 在 Meta 生成式 AI 组织期间的工作记录。它们说明生成式 AI 的能力边界已经从单一模态扩展到多模态，并且从"生成"延伸到"可控地编辑"。

生成式 AI 是怎么工作的

基本流程可以概括为三步：

1. 输入提示词：用文字（或其他条件）描述你想要的内容。
2. 模型生成：模型基于训练中学到的模式，产出一段新内容。
3. 人工审校与调整：检查结果是否符合预期，必要时修改提示词或直接编辑。

"可控性"是这条流程里的关键变量。Make-A-Scene 之所以被单独强调"更强的创作控制"，正是因为早期生成模型常常只能"给什么要什么"，用户难以精确指定构图、风格或局部内容。可控性越高，生成式 AI 越接近可用的创作工具，而不是随机出图的玩具。

常见误解与局限

• 生成结果不等于事实：模型产出的是"看起来合理"的内容，不是经过核实的信息。用于事实性场景时必须人工核对。
• 可控性有限：即使有 Make-A-Scene 这类强调控制的模型，精确控制输出仍然困难，通常需要多次尝试。
• 版权与伦理问题：训练数据来源、生成内容的归属和使用边界，仍是行业未完全解决的问题。
• 能力有边界：不同模态的成熟度不同，文本和图像相对成熟，视频、3D/4D 仍在快速演进中。

怎么判断一个工具是不是生成式 AI

问自己一个问题：它的输出是"判断"还是"新内容"？

• 输出"这封邮件是不是垃圾邮件"——判别式。
• 输出"帮你写一封邮件"——生成式。
• 输出"这张图里有什么"——判别式（理解）。
• 输出"按这个描述画一张图"——生成式。

如果一个工具既能判断又能生成，看你的使用目的：你要的是结论，还是产物。

GenAI（生成式人工智能）指能够生成新内容的模型——文本、图像、音频、视频，甚至 3D/4D 动态场景，而不只是对已有内容做分类或预测。它和普通 AI 的核心区别在于：普通 AI 通常做判断（这是猫还是狗、这条评论是正面还是负面），GenAI 做创作（画一只猫、写一段评论、生成一段猫叫的音频）。如果你想知道 GenAI 到底能生成什么、该从哪个方向理解它，下面按能力类型和代表方向拆开讲。

判别式 AI 与生成式 AI：一个做判断，一个做创作

这个区分不是绝对的，很多系统会同时用到两类能力，但理解“判断 vs 创作”这条线，是理解 GenAI 的第一步。

GenAI 能生成哪些内容

从公开的研究进展看，GenAI 的生成能力已经覆盖多个模态：

• 图像生成：根据文字描述生成图像，并支持对生成过程做更细的创作控制。Devi Parikh 参与的 Make-A-Scene（2022）就强调“为 AI 图像生成提供更强的创作控制”。
• 视频生成：从文本直接生成视频。Make-A-Video（2022）被描述为“首个同类文本到视频生成”工作。
• 音频生成：从文本生成音频。AudioGen（2022）被描述为“首个同类文本到音频生成”工作。
• 图像与视频编辑：不只是从零生成，还能对已有内容做编辑。Emu、Emu Edit、Emu Video、Emu Video Edit（2023）属于这一方向。
• 动态场景生成：Make-A-Video3D（2023）指向“文本到 4D 动态场景生成”，即在三维空间基础上加入时间维度。

这些例子说明 GenAI 的“生成”不限于单一模态，而是沿着文本、图像、音频、视频、3D/4D 逐步扩展。

为什么这些方向值得关注

Devi Parikh 的公开履历提供了一个观察窗口：她 2023 年进入 Meta 新的生成式 AI 组织，同年推出 Emu 系列；2024 年离开 Meta 的 GenAI 高级总监职位。这条时间线本身反映了 GenAI 从研究走向组织化投入的过程。

对普通人来说，更有用的信息是：这些能力对应到日常场景，大致是——

• 需要配图但不会画：用文生图工具，从一句描述开始
• 需要短视频素材但没有拍摄条件：关注文生视频方向
• 需要配音或音效：关注文生音频方向
• 已有素材想改：关注图像/视频编辑类生成能力

普通人可以从哪里切入

不需要先搞懂模型原理，可以从“你缺什么内容”倒推：

1. 先明确你要生成的是哪一类内容：文字、图、音频还是视频。不同模态的工具和能力差异很大。
2. 从单次生成开始，而不是追求完美：GenAI 的输出通常需要多轮调整，第一版只是起点。
3. 注意“控制”这件事：Make-A-Scene 强调创作控制，说明生成不等于随机——你能通过描述和参数影响结果，这是上手时要练的部分。
4. 区分“生成”和“编辑”：从零生成和修改已有内容，是两条不同的使用路径。

如果你只是想理解 GenAI 是什么，记住一句话就够：它是让机器产出新内容的技术，而不是只做判断的技术。至于具体用哪个工具、生成什么，取决于你手头缺的是哪一类素材。

AI 在数字生活里的实际用途，可以归为四类：把零散信息整理成可用结构、把初稿或素材快速做出来、把重复操作交给自动化、把选择范围缩小到可比较的几项。适合普通人的起点不是学完所有工具，而是挑一个每周都会遇到的高频任务，先让 AI 参与其中一环，再判断它是否值得长期留在流程里。涉及事实核对、隐私数据和最终决策的环节，仍需要自己把关。

四个最常见的日常场景

信息整理：从一堆材料到一份可读的笔记

典型任务：把会议记录、网页摘录、聊天记录汇总成要点，或把长文压缩成可执行的清单。

适合交给 AI 的部分是归类和压缩：让它按主题分组、提取待办、标出重复内容。不适合直接采信的是它补出来的细节——如果原文没写，AI 可能用看起来合理的说法填上。做法是要求它只基于你给的文本输出，并保留原文出处，自己再抽查几条。

写作与表达：把初稿这一步变快

典型任务：写邮件、写说明、把口语化的想法改成正式表达、给同一段内容换几种语气。

AI 在这里的价值是提供可修改的起点，而不是最终稿。有效用法是先给它明确的读者、目的和长度，再让它给两三个不同版本供你挑。判断标准很简单：改起来比自己从零写快，就继续用；改的时间超过自己写，就说明这个任务不适合交给它。

图像与素材处理：处理已有素材，而不是凭空生成

典型任务：抠图、去背景、放大低清图、给图片配文字说明、把截图整理成演示用图。

这类任务的预期结果比较直观，容易验证，适合作为入门场景。需要注意的是生成类图像在文字、手部、细节一致性上仍容易出错，用于正式场合前要逐张检查。

自动化：把重复操作串起来

典型任务：定时汇总信息、批量重命名、把某个来源的新内容自动整理成固定格式。

自动化的门槛比前三个场景高，因为它要求流程本身是稳定的。建议先把流程手动跑通两三遍，确认每一步的输入输出都清楚，再考虑交给工具执行。流程没稳定就自动化，出问题时更难定位。

哪些任务适合交给 AI，哪些要自己把关

一个实用的判断方法是问自己：如果 AI 给的结果错了，我能不能在几分钟内发现？能发现，就可以放心让它先做；发现不了，就要么换任务，要么加上核对步骤。

用 AI 辅助筛选数字工具，减少选择成本

工具太多、挑不过来，是数字生活里很常见的消耗。AI 可以在这件事上帮上忙，但用法有讲究。

有效的做法是先把条件说清楚，再让它按条件筛：

• 说明你的使用场景和频率，比如“每周用两三次，主要处理表格”
• 说明限制条件，比如设备、是否愿意付费、是否需要多人协作
• 要求它给出对比维度，而不是直接推荐一个名字
• 让它说明每个选项在什么条件下更合适

这样得到的是一份可比较的清单，而不是一个结论。最终判断仍要回到自己的实际使用：先用一两个候选跑一遍真实任务，比看十篇评测更快。

开始时的三个注意点

隐私：把资料交给任何工具前，先去掉姓名、联系方式、账号、未公开的业务信息。不确定对方怎么处理数据时，就当它会被留存。

准确性：AI 的输出在语言流畅度和正确性之间没有必然关系。越是具体的事实、数字、引用，越要回到原始来源确认。

依赖：如果某个环节离开 AI 就完全做不下去，说明你把判断力也交出去了。保留自己动手做一遍的能力，尤其是在你最常使用的那一两个场景里。

从哪个场景开始

选一个你每周至少遇到一次、结果容易验证、不涉及敏感信息的任务，让 AI 参与其中一环，连续用两周。两周后回看：它省下的时间是否稳定，出错时你是否能及时发现。两个答案都是肯定的，再考虑扩展到下一个场景。一次只加一个，比同时铺开五六个工具更容易判断哪个真正有用。

人工智能（Artificial Intelligence，简称 AI）是让机器完成通常需要人类智能的任务的一类技术总称，包括理解语言、识别图像、生成内容、回答问题等。普通人不需要懂算法就能使用它：只要你能用文字描述需求，就能在写作、图像创作、信息问答等场景里直接获得结果。下面按“概念区分—能做什么—从哪开始—怎么判断工具—注意什么”的顺序说明。

先分清三个常被混用的词

可以这样理解：AI 是目标，机器学习是手段，生成式 AI 是其中一类能“产出新内容”的手段。你日常接触的写作助手、文生图、文生视频工具，大多属于生成式 AI。

当前 AI 能完成的主要任务类型

• 文本生成与改写：起草邮件、润色句子、总结长文、翻译。
• 图像生成与编辑：根据文字描述生成图片，或对已有图片做局部修改。
• 视频与动态内容生成：从文字生成视频，或生成带时间维度的动态场景。
• 音频生成：从文字生成语音或音效。
• 问答与信息检索：针对一段材料或一个问题给出回答。
• 视觉问答：结合图片内容回答问题，这一方向有公开的评测竞赛在推动，例如视觉问答挑战赛（Visual Question Answering Challenge）和面向盲人用户的 VizWiz Challenge。

这些能力并非彼此独立，很多工具会同时覆盖其中几项。

普通人可以从哪些场景开始用

入门的关键是选一个你本来就要做的具体任务，而不是先研究工具。

1. 写作辅助：把一段草稿交给工具，要求它改得更简洁或更正式。输入是原文加一句要求，预期结果是改写后的版本。
2. 图像创作：用一句话描述你想要的画面，生成图片；不满意就补充细节再生成。适合做配图、概念草图。
3. 信息问答：针对一份文档或一个主题提问，让工具给出要点。适合快速了解陌生领域。
4. 语音与音频：把文字转成语音，或生成简单音效，用于演示、短视频。
5. 视频生成：从文字描述生成短视频片段。这类工具对描述的具体程度要求更高，通常需要多次调整。

以“给一篇产品介绍配图”为例：先写清主体、风格、色调，生成几张候选图，再挑一张继续修改。整个过程不需要编程。

怎么判断一个 AI 工具是否适合自己

用同一组维度横向比较，比看宣传语更有效：

• 任务匹配：它擅长的任务是否正好是你要做的。
• 输入方式：是否支持你用文字、图片或文件描述需求。
• 可控程度：能否通过补充描述或局部修改来调整结果。生成式图像工具在这方面的差异尤其明显，有的强调更大的创作控制权。
• 结果可核对性：输出的事实、数字、引用能否被你独立验证。
• 使用门槛：是否需要登录、是否有使用限制。这些条件因工具而异，需以该工具的实际说明为准。

如果一项任务你能自己核对结果、且重复劳动多，通常值得先试 AI；如果结果错误代价高又难以验证，就要谨慎。

常见的局限与风险

• 事实错误：生成式模型可能给出看似合理但不正确的内容，涉及数据、引用、时间点时尤其要核对。
• 版权与来源：生成内容的版权归属和使用范围因地区和平台而异，商用前需查清规则。
• 隐私：不要把敏感个人信息、未公开材料输入你不信任的工具。
• 偏见与偏差：模型从数据中学习，可能复制数据里的偏见。
• 能力边界：模型擅长模式匹配，不等于真正理解；复杂推理和长链条任务仍容易出错。

一个可以参考的从业者视角

AI 研究者 Devi Parikh 的公开履历覆盖了多个生成式 AI 方向：2022 年的 Make-A-Video 是较早的文本生成视频工作，AudioGen 是文本生成音频，Make-A-Scene 强调给图像生成更多创作控制；2023 年她介绍了 Emu、Emu Edit、Emu Video 和 Emu Video Edit 等模型。她还发起过 Humans of AI 访谈系列和 AI Paygrades（统计 AI 行业职位 offer 数据，目的是减少信息不对称）。这些资料说明：生成式 AI 的能力边界一直在快速移动，今天不能做的任务，过一段时间可能就能做；同时也说明，围绕 AI 的公开信息（如薪资、岗位）本身也是普通人做职业判断时可以主动查找的资源。

对普通使用者来说，结论很简单：先从一个你本来就要完成的具体任务开始，用上面那组维度挑工具，把结果当作草稿而不是终稿，并保留自己核对和修改的环节。