即刻App年轻人的同好社区
下载
给AI投毒的3种方法，防止AI偷作品
🛡️保护艺术作品不被AI“盗窃”是一件非常困难的事情，因为一张图片中包含的特征是非常丰富的。
🌁要破坏图片中包含的特征，往往就会影响到图像像素的颜色，从而影响观感👓。
目前常见的几种保护作品的方法：
1⃣️对抗性图像: 正常画面中叠加对抗图像，让AI受到对抗图像的特征影响，让AI错误的理解图像。（简单，效果好，但前提是能接受“很丑”的对抗图像）
2⃣️Glaze: 用于破坏图像中的风格特征，
来防止AI正确解读风格。（效果良好，但需要有高配置电脑）
3⃣️Nightshade: 用于向图像注入错误的特征，让AI错误的理解图像。（不推荐，对于MJ和SD3的干扰效果较弱）
～～～
如果抛开技术不谈，单纯观察自然🌲，大自然的生物有天然的保护色机制，这类生物几乎上都有着特殊的材质🦋，光照下产生神奇的反射效果，比如：牛蛙、蛾子、瓢虫、茄科类植物、缅因猫。
‼️这类生物在光线照射下会反射出奇怪的纹路，让捕猎者无法准确判断它们的位置。
AI对抗技术约等于这些生物的仿生技术。
一般对AI学习的特征进行干扰就行，目的不在于机器是否能学习正确的特征，而在于训练模型的人去除干扰的难度是否增大了，比如一些干扰手段：
1⃣️颜色和灰度 -> 作品叠加奇怪纹路的背景，让颜色产生间隔变化
2⃣️边缘检测与对象识辨 -> 用边缘清晰的发光效果素材打水印
3⃣️深度图 -> 用大块的纯色素材打水印，干扰构图元素的空间透视关系
目前使用算法为作品提供保护的成本是比较较高多。
打水印是保护作品的最简单但必要手段。
好看又能保护作品的水印，是一种兼顾观众的保护手段。
*图像由人工智能算法生成
🛡️保护艺术作品不被AI“盗窃”是一件非常困难的事情，因为一张图片中包含的特征是非常丰富的。
🌁要破坏图片中包含的特征，往往就会影响到图像像素的颜色，从而影响观感👓。
目前常见的几种保护作品的方法：
1⃣️对抗性图像: 正常画面中叠加对抗图像，让AI受到对抗图像的特征影响，让AI错误的理解图像。（简单，效果好，但前提是能接受“很丑”的对抗图像）
2⃣️Glaze: 用于破坏图像中的风格特征，
来防止AI正确解读风格。（效果良好，但需要有高配置电脑）
3⃣️Nightshade: 用于向图像注入错误的特征，让AI错误的理解图像。（不推荐，对于MJ和SD3的干扰效果较弱）
～～～
如果抛开技术不谈，单纯观察自然🌲，大自然的生物有天然的保护色机制，这类生物几乎上都有着特殊的材质🦋，光照下产生神奇的反射效果，比如：牛蛙、蛾子、瓢虫、茄科类植物、缅因猫。
‼️这类生物在光线照射下会反射出奇怪的纹路，让捕猎者无法准确判断它们的位置。
AI对抗技术约等于这些生物的仿生技术。
一般对AI学习的特征进行干扰就行，目的不在于机器是否能学习正确的特征，而在于训练模型的人去除干扰的难度是否增大了，比如一些干扰手段：
1⃣️颜色和灰度 -> 作品叠加奇怪纹路的背景，让颜色产生间隔变化
2⃣️边缘检测与对象识辨 -> 用边缘清晰的发光效果素材打水印
3⃣️深度图 -> 用大块的纯色素材打水印，干扰构图元素的空间透视关系
目前使用算法为作品提供保护的成本是比较较高多。
打水印是保护作品的最简单但必要手段。
好看又能保护作品的水印，是一种兼顾观众的保护手段。
*图像由人工智能算法生成
0 00
最近在学习使用文生图的过程中，以MJ为例子。AI文生图属于是一种：
🎲“控制随机性的” 艺术🎲
过往的人类创作，在物理现实世界中，通过：
1⃣️模仿自然界的事物 2⃣️解构事物为“基本模式”
并在此基础上对“基本模式”进行：#
3⃣️组合 4⃣️ 删减 5⃣️再造
比如艺术创作的基本模式：色彩、布局/结构、光影、材质、工艺/技巧等等
在基本模式上，创作者进行各种实践，固化下来了一种“艺术风格”
*****
AI创作的流程也是一样，AI模型存储着已知的艺术作品的特征信息。
感知、组合、使用这些特征就是AI艺术创作的过程。
比如常见的创作流程：
1⃣️GPT4随机生成某个主题的提示词；
2⃣️指定MJ 随机风格和随机种子，生成一批“概念图片”
3⃣️基于“概念图片” 进行调整，生成创作所需的各类参考图片：
①让 MJ 生成期望的色彩参考图片
②让 MJ 生成期望的角色参考图片
③让 MJ 生成期望的体态姿势参考图片
④让 MJ 生成期望的主题场景与光影效果参考图片
4⃣️基于上述参考图片，使用MJ的:
--sref 风格一致性 --sw 风格权重
--cref 角色一致性 --cw 角色权重
创作一系列不同的图片作为“风格基准”图集
～～～～～～～
5⃣️创作新的作品：
①结合GPT4生成作品主题的提示词
②让 MJ 基于提示词 和 “风格基准”图集 生成新作品
③手动调整提示词和MJ参数，重新开始步骤②
④循环 ② ～③ 直至完成作品
*****
关于争议
🌟1. AI的创意性：AI的创意性由两部分构成：
①主题的设计，比如画面中的元素、元素细节、布局、构图等，最终表现在“提示词”上
②风格的设计，比如画面中的颜色、光影、材质、笔触、纹理细节等等，最终表现在 “风格基准” 图集上
* “风格基准” 图集有时候会被训练为Lora模型
不论手绘还是AI文生图，①+② = 创意性 或 原创性 。
👮♀️2. 抄袭：AI创作的侵权问题是比较严重的，这需要社会法制不断完善知识产权保护。不要因此而排斥AI，AI是锤子，锤子的用途取决于使用者。被人抄，被AI抄，逃不掉😭。
侵权分为3种：
①剽窃主题：画面中的元素、文字、构图相似度很高
②剽窃风格：画面中的颜色、光影、质感相似度很高
③剽窃作品： ① + ②
**图片均由人工智能生成
#大模型 #LLM #提示词 #ai绘画 #midjourny #stable_diffusion
🎲“控制随机性的” 艺术🎲
过往的人类创作，在物理现实世界中，通过：
1⃣️模仿自然界的事物 2⃣️解构事物为“基本模式”
并在此基础上对“基本模式”进行：#
3⃣️组合 4⃣️ 删减 5⃣️再造
比如艺术创作的基本模式：色彩、布局/结构、光影、材质、工艺/技巧等等
在基本模式上，创作者进行各种实践，固化下来了一种“艺术风格”
*****
AI创作的流程也是一样，AI模型存储着已知的艺术作品的特征信息。
感知、组合、使用这些特征就是AI艺术创作的过程。
比如常见的创作流程：
1⃣️GPT4随机生成某个主题的提示词；
2⃣️指定MJ 随机风格和随机种子，生成一批“概念图片”
3⃣️基于“概念图片” 进行调整，生成创作所需的各类参考图片：
①让 MJ 生成期望的色彩参考图片
②让 MJ 生成期望的角色参考图片
③让 MJ 生成期望的体态姿势参考图片
④让 MJ 生成期望的主题场景与光影效果参考图片
4⃣️基于上述参考图片，使用MJ的:
--sref 风格一致性 --sw 风格权重
--cref 角色一致性 --cw 角色权重
创作一系列不同的图片作为“风格基准”图集
～～～～～～～
5⃣️创作新的作品：
①结合GPT4生成作品主题的提示词
②让 MJ 基于提示词 和 “风格基准”图集 生成新作品
③手动调整提示词和MJ参数，重新开始步骤②
④循环 ② ～③ 直至完成作品
*****
关于争议
🌟1. AI的创意性：AI的创意性由两部分构成：
①主题的设计，比如画面中的元素、元素细节、布局、构图等，最终表现在“提示词”上
②风格的设计，比如画面中的颜色、光影、材质、笔触、纹理细节等等，最终表现在 “风格基准” 图集上
* “风格基准” 图集有时候会被训练为Lora模型
不论手绘还是AI文生图，①+② = 创意性 或 原创性 。
👮♀️2. 抄袭：AI创作的侵权问题是比较严重的，这需要社会法制不断完善知识产权保护。不要因此而排斥AI，AI是锤子，锤子的用途取决于使用者。被人抄，被AI抄，逃不掉😭。
侵权分为3种：
①剽窃主题：画面中的元素、文字、构图相似度很高
②剽窃风格：画面中的颜色、光影、质感相似度很高
③剽窃作品： ① + ②
**图片均由人工智能生成
#大模型 #LLM #提示词 #ai绘画 #midjourny #stable_diffusion
2 00
一人企业成为现实，多名AI员工合作完成工作.
Poe 是一个AI平台，人们可以提问题、获得即时答案，并与各种AI机器人进行对话。 它可在 iOS、Android、MacOS、Windows 和 Web 上使用。
4月15日 Poe 新上线了一个多模型对话功能。实际体验了几天，摘要了一些重点出来：
1⃣️多模型对话的交互：
实现了在一次对话中与多个大模型协作完成工作。
类似于Discord的命令式交互，但又没有抄那么全，通过`@`来选定后续“接力模型”或Agent。
*在@文身图模型后，缺少更多的符号来指定模型参数或功能
2⃣️多模型对话的功能缺陷
由于自定义Agent中可设置欢迎语，@此类Agent时，会触发欢迎语，从而破坏对话历史。
3⃣️Agent的初始化与记忆
当@Agent时，Agent会初始化，并添加到会话中。
由于不同模型本身的上下文窗口不同，所以不同模型的记忆力不一样。
不同模型记忆力长短不一📶，容易对用户造成困惑😵💫，“为什么@A模型能很好的回答问题，但@B模型却不能？”
4⃣️价格与成本
由于不同模型的消息定价💰是不一样的。
🎯根据上下文，系统如何为用户推荐性价比高的“接力模型”成为了关键功能。
5⃣️定价
汇总了Poe的闭源模型定价：Chatgpt、Claude、Gemini，大致能分为6档。
一般来说完成一小时工作大约需要使用35条消息。 非常不严谨的按照一天8小时估计，一个AI员工，一个月四舍五入需求为5千条。
第一档：30元/月 (如：gpt3.5-turbo)；
第二档：100元/月 (如：gpt3.5-turbo-16k)；
第三档：300元/月 (如：gpt4-turbo)；
第四档：1000元/月 (如：gpt4-turbo-128k)；
第五档：2000元/月 (如：claude3-Opus)；
第六档：9000元/月 (如：claude3-Opus-200K)；
这么看来，如果AGI时代真的来了，AI 的劳动力成本不一定划算。
整体来说Poe的体验还是不错的👍
#大模型 #LLM #ai产品经理 #ai产品设计 #产品经理 #产品设计 #ai
Poe 是一个AI平台，人们可以提问题、获得即时答案，并与各种AI机器人进行对话。 它可在 iOS、Android、MacOS、Windows 和 Web 上使用。
4月15日 Poe 新上线了一个多模型对话功能。实际体验了几天，摘要了一些重点出来：
1⃣️多模型对话的交互：
实现了在一次对话中与多个大模型协作完成工作。
类似于Discord的命令式交互，但又没有抄那么全，通过`@`来选定后续“接力模型”或Agent。
*在@文身图模型后，缺少更多的符号来指定模型参数或功能
2⃣️多模型对话的功能缺陷
由于自定义Agent中可设置欢迎语，@此类Agent时，会触发欢迎语，从而破坏对话历史。
3⃣️Agent的初始化与记忆
当@Agent时，Agent会初始化，并添加到会话中。
由于不同模型本身的上下文窗口不同，所以不同模型的记忆力不一样。
不同模型记忆力长短不一📶，容易对用户造成困惑😵💫，“为什么@A模型能很好的回答问题，但@B模型却不能？”
4⃣️价格与成本
由于不同模型的消息定价💰是不一样的。
🎯根据上下文，系统如何为用户推荐性价比高的“接力模型”成为了关键功能。
5⃣️定价
汇总了Poe的闭源模型定价：Chatgpt、Claude、Gemini，大致能分为6档。
一般来说完成一小时工作大约需要使用35条消息。 非常不严谨的按照一天8小时估计，一个AI员工，一个月四舍五入需求为5千条。
第一档：30元/月 (如：gpt3.5-turbo)；
第二档：100元/月 (如：gpt3.5-turbo-16k)；
第三档：300元/月 (如：gpt4-turbo)；
第四档：1000元/月 (如：gpt4-turbo-128k)；
第五档：2000元/月 (如：claude3-Opus)；
第六档：9000元/月 (如：claude3-Opus-200K)；
这么看来，如果AGI时代真的来了，AI 的劳动力成本不一定划算。
整体来说Poe的体验还是不错的👍
#大模型 #LLM #ai产品经理 #ai产品设计 #产品经理 #产品设计 #ai
1 03
大模型在教育行业遇到的两个错误用例
在使用大模型的过程中，常常会遇到：
1. 答非所问 🤪
2. 捏造事实 🤥
一般大模型会使用RAG技术来解决上述问题
💪RAG 增强了大模型在「知识不足」情况下的适应能力，通常会获得不错的改善效果。
但该技术并不是万能的🍁，引入RAG后又会引发新的问题：
1⃣️ 当补充的知识是错的，大模型会在错误的知识上继续添油加醋，变得离谱 🦊
2⃣️ 补充的知识是正确的，但错误的引用了知识，答非所问
3⃣️ 补充的知识是正确的，但补充的不充分，答非所问
这时候可以使用Agent 或 COT+ReAct 来对结果内容复核，当结果与问题预期一致时才返回结果。
#大模型 #LLM #ai #产品经理 #产品设计 #编程 #架构设计
在使用大模型的过程中，常常会遇到：
1. 答非所问 🤪
2. 捏造事实 🤥
一般大模型会使用RAG技术来解决上述问题
💪RAG 增强了大模型在「知识不足」情况下的适应能力，通常会获得不错的改善效果。
但该技术并不是万能的🍁，引入RAG后又会引发新的问题：
1⃣️ 当补充的知识是错的，大模型会在错误的知识上继续添油加醋，变得离谱 🦊
2⃣️ 补充的知识是正确的，但错误的引用了知识，答非所问
3⃣️ 补充的知识是正确的，但补充的不充分，答非所问
这时候可以使用Agent 或 COT+ReAct 来对结果内容复核，当结果与问题预期一致时才返回结果。
#大模型 #LLM #ai #产品经理 #产品设计 #编程 #架构设计
1 01
在历史的长河中，每一场科技革命都引领了从旧产能向新产能的转型⚙️。
从产品视角去观察，这种转变，不仅仅体现在生产效率🚀的提升上，更重要的是，它为人们的😄生活体验带来了质的飞跃。
以汽车为例🚗，它不仅让我们的旅行速度变得更快，续航能力更强，更重要的是，它极大地提升了我们的旅行体验——更平稳、更温暖、更安静、更舒适🛋️。这些全新的体验，是以往的🐎马车所无法比拟的。
随着GPT等大模型的出现，我们不仅见证了知识劳动效率的飞跃
更重要的是，它极大地丰富了我们的💡思考体验💡——自由探索、快速反馈、仿佛“无所不能”。这让我们能够在短时间内完成以往难以想象的任务🧗，不仅让我们感受到成功的喜悦，也为社交价值的创造提供了更多的可能性。
这是信息时代的遗产—— 💀“应用程序”💀 所无法提供的体验。
虽然笔记中展示的模式部分还处于概念阶段，但有些已经开始在我们的日常工作中得到应用，而有些由于模型能力的限制尚未得到广泛使用。但随着技术的不断进步，这些模式最终将成为现实，深刻改变我们的工作和生活方式。
就像常说的，🔬“科技创造美好未来”🌸。大模型的出现，正是这一理念的最新体现。它们不仅提高了我们的效率，更重要的是，它们改善了我们的生活体验，让我们能够更加自由地探索世界，更快速地获得反馈，实现那些曾经看似不可能的事情。这就是大模型给我们带来的商业革命。
#大模型 #商业模式 #LLM #产品经理 #AI
从产品视角去观察，这种转变，不仅仅体现在生产效率🚀的提升上，更重要的是，它为人们的😄生活体验带来了质的飞跃。
以汽车为例🚗，它不仅让我们的旅行速度变得更快，续航能力更强，更重要的是，它极大地提升了我们的旅行体验——更平稳、更温暖、更安静、更舒适🛋️。这些全新的体验，是以往的🐎马车所无法比拟的。
随着GPT等大模型的出现，我们不仅见证了知识劳动效率的飞跃
更重要的是，它极大地丰富了我们的💡思考体验💡——自由探索、快速反馈、仿佛“无所不能”。这让我们能够在短时间内完成以往难以想象的任务🧗，不仅让我们感受到成功的喜悦，也为社交价值的创造提供了更多的可能性。
这是信息时代的遗产—— 💀“应用程序”💀 所无法提供的体验。
虽然笔记中展示的模式部分还处于概念阶段，但有些已经开始在我们的日常工作中得到应用，而有些由于模型能力的限制尚未得到广泛使用。但随着技术的不断进步，这些模式最终将成为现实，深刻改变我们的工作和生活方式。
就像常说的，🔬“科技创造美好未来”🌸。大模型的出现，正是这一理念的最新体现。它们不仅提高了我们的效率，更重要的是，它们改善了我们的生活体验，让我们能够更加自由地探索世界，更快速地获得反馈，实现那些曾经看似不可能的事情。这就是大模型给我们带来的商业革命。
#大模型 #商业模式 #LLM #产品经理 #AI
1 00
GPT电子猫写了首歌给我，让Suno帮TA唱出来
感觉未来半年内 GPT + TTS（文字转语音）+ 文生图+ 文生音乐 + 文生视频 能够在陪伴型应用上玩出花来了，希望GPT5未来能在视觉基础上增加听觉，这样就真赛博了。
让养的电子宠物写一首歌，唱出TA的小心意🐱💓
*内容由人工智能生成
#大模型 #LLM #概念设计 #suno #产品经理 #AI产品
感觉未来半年内 GPT + TTS（文字转语音）+ 文生图+ 文生音乐 + 文生视频 能够在陪伴型应用上玩出花来了，希望GPT5未来能在视觉基础上增加听觉，这样就真赛博了。
让养的电子宠物写一首歌，唱出TA的小心意🐱💓
*内容由人工智能生成
#大模型 #LLM #概念设计 #suno #产品经理 #AI产品
02:28
0 00
提示词分享：绘制商业画布
基于外部数据，让大模型总结商业画布🎨
最近在看国产大模型🤖，总结了一个提示词用来对比不同公司的商业画布💰，分享一下。
说明：
①上下文信息不局限于招聘信息，可以自行换成其他的。
②标注上下文范围的标签也不是强制的，只要是闭合的，在提示词中无意就可以。可以换成，如：
<context>
</context>
或
<|im_start|>context:
<|im_end|>
③大模型用自己熟悉的就可以，效果都差不多。
#大模型 #LLM #提示词 #商业画布 #商业模式
基于外部数据，让大模型总结商业画布🎨
最近在看国产大模型🤖，总结了一个提示词用来对比不同公司的商业画布💰，分享一下。
说明：
①上下文信息不局限于招聘信息，可以自行换成其他的。
②标注上下文范围的标签也不是强制的，只要是闭合的，在提示词中无意就可以。可以换成，如：
<context>
</context>
或
<|im_start|>context:
<|im_end|>
③大模型用自己熟悉的就可以，效果都差不多。
#大模型 #LLM #提示词 #商业画布 #商业模式
2 00
练习两天半suno
普通人的玩具，比一般的电子音乐合成软件要容易上手多了。
等suno的能够精细控制生成，参数和命令更丰富后，类似于MJ那样，感觉就可以步入专业领域使用了。
*内容由人工智能创作
普通人的玩具，比一般的电子音乐合成软件要容易上手多了。
等suno的能够精细控制生成，参数和命令更丰富后，类似于MJ那样，感觉就可以步入专业领域使用了。
*内容由人工智能创作
02:55
0 00
suno 真的什么都能唱啊
Style of Music: Speak
在Matplotlib中，`Axes`对象是图表的核心组件，它包含了图表的大部分元素，并提供了许多属性和方法来控制图表的外观和行为。`Axes`对象的一些关键属性包括：
1. `lines`: `Line2D`对象的列表，代表Axes中的线条。
2. `patches`: 图形对象（如矩形、圆形等）的列表，代表Axes中的图形。
3. `texts`: `Text`对象的列表，代表Axes中的所有文本元素，包括标题和标签。
4. `xaxis` / `yaxis`: `XAxis`和`YAxis`对象，它们包含了坐标轴的所有信息，如刻度、刻度标签、坐标轴标签等。
5. `legend`: `Legend`对象，保存图例的信息。
6. `title`: Axes的标题，通常是一个`Text`对象。
7. `viewLim`: 表示Axes数据坐标的显示范围。
8. `dataLim`: 表示Axes中实际数据的范围。
9. `images`: `AxesImage`对象的列表，代表Axes中的图像数据。
10. `collections`: 表示如散点图中点的集合，或者是`PathCollection`和`PolyCollection`等。
11. `artists`: 用户自定义的Artist对象的列表。
Style of Music: Speak
在Matplotlib中，`Axes`对象是图表的核心组件，它包含了图表的大部分元素，并提供了许多属性和方法来控制图表的外观和行为。`Axes`对象的一些关键属性包括：
1. `lines`: `Line2D`对象的列表，代表Axes中的线条。
2. `patches`: 图形对象（如矩形、圆形等）的列表，代表Axes中的图形。
3. `texts`: `Text`对象的列表，代表Axes中的所有文本元素，包括标题和标签。
4. `xaxis` / `yaxis`: `XAxis`和`YAxis`对象，它们包含了坐标轴的所有信息，如刻度、刻度标签、坐标轴标签等。
5. `legend`: `Legend`对象，保存图例的信息。
6. `title`: Axes的标题，通常是一个`Text`对象。
7. `viewLim`: 表示Axes数据坐标的显示范围。
8. `dataLim`: 表示Axes中实际数据的范围。
9. `images`: `AxesImage`对象的列表，代表Axes中的图像数据。
10. `collections`: 表示如散点图中点的集合，或者是`PathCollection`和`PolyCollection`等。
11. `artists`: 用户自定义的Artist对象的列表。
01:17
0 00
#AIGC创作大赛·夏日 运动
2 00