一、AIGC的发展史
1、早期阶段:规则驱动的生成(1950s-1990s)
- 音乐生成:1957年,Lejaren Hiller和Leonard Isaacson在《Illiac Suite》中首次用计算机生成音乐,标志着AI生成内容的首次实践。
- ELIZA和简单聊天机器人:1966年,约瑟夫·韦森鲍姆(Joseph Weizenbaum)开发了ELIZA,一个早期的自然语言处理程序,可以模仿人类对话,展示了AI生成文本的潜力。
- 规则驱动的文本生成:1980年代,AI研究者开发了一些基于规则的系统,能够生成简单的文本。这些系统通过预定义的语法规则来组合短语和句子。
2、统计和模板驱动的生成(1990s-2010s)
- 1990年代-2000年代:统计模型的引入,随着计算能力和数据存储的提升,统计语言模型(如n-gram模型)开始用于文本生成。这一阶段的内容生成技术主要依赖于统计学方法来预测词语的顺序和结构。
- 模板生成系统:新闻和报告生成系统如Quill和Wordsmith在这一时期被开发出来,它们利用预定义的模板和结构,结合数据输入,生成定制化的文本内容。
3、深度学习时代:神经网络驱动的生成(2010s-至今)
- OpenAI的GPT模型:2018年,OpenAI发布了GPT(Generative Pre-trained Transformer)模型,它通过大量文本数据的训练,展示了生成连贯且上下文相关的文本内容的能力。
- 2022年及之后AIGC商业化:AIGC技术逐步商业化,生成文本、图像、音频和视频的AI工具被广泛应用于营销、内容创作、教育等领域。
二、AIGC优缺点
AIGC在内容创作中展现了强大的潜力,尤其在提高效率、降低成本和个性化内容方面具有显著优势。然而,其在创意、情感表达以及道德和法律问题上仍存在挑战,比如手指画出六根,性别不符等。虽然AI创作能一定范围内减少设计者的工作量,但是AI做的图没有情感,需要与人类创造力相结合,才能创造出一个更好的作品。
提问:一直好奇的一个问题,AI做的图可以用来商用吗?
1、优点:
- 高效性:短时间内生成大量内容,远远超过人类的创作速度,提高了生产效率。
- 成本节约:由于AI可以自动生成内容,可以减少对人力成本。
- 全天候工作:人工智能不受时间和疲劳的限制,可以24小时不间断地工作。
2、 缺点:
- 创意和情感有限:尽管AIGC能够生成多种类型的内容,但其创意性和情感表达通常难以与人类创作者相媲美。
- 潜在的偏见和错误:AIGC依赖于训练数据,而训练数据中的偏见和错误可能会在生成内容中反映出来。如果训练数据不够多样化,AIGC生成的内容可能会带有种族、性别等方面的偏见或误导性信息。
- 版权和道德问题:AIGC生成的内容在版权归属和原创性方面存在争议。此外,利用AIGC生成不实信息或误导性内容,可能引发道德问题。
- 人类创造力的替代问题:AIGC的大规模应用可能会削弱人类在创作过程中的主动性和创造力,导致依赖人工智能而忽视自身的创作能力。
- 内容质量参差不齐:尽管AIGC能够生成大量内容,但其质量可能参差不齐。在没有充分的审查和校对情况下,可能出现语法错误、不连贯的逻辑或不准确的情况。
所以我认为,AI工具只起到一个辅助工作的作用,如果什么都依靠AI,是不能提高自己的核心竞争力的,很难在工作中出彩。
三、AIGC适用的领域
文字工作者,图像设计者、广告行业、游戏、电商、运营等,只要不是硬技术领域应该都可以。
四、baseline代码精读
1、 !pip 命令来安装或卸载 Python 包。
2、 卸载 pytorch-lightning(使用 -y 自动确认卸载)。
3、使用 ModelScope 的 MsDataset 类加载名为 AI-ModelScope/lowres_anime 的数据集,并指定子集名称为 default 和分割为 train,缓存目录设置为 /mnt/workspace/kolors/data。
4、使用 dj-process 命令根据配置文件对数据进行过滤和处理,生成 result.jsonl 文件。