🧠 История тревоги: от станка до нейронов
Когда в конце XVIII века в Англии началась промышленная революция, машины начали активно менять привычный уклад труда.
Особенно — у ткачей: автоматические станки стали выполнять их работу быстрее и дешевле.
В ответ на это часть людей вышла на улицы и…
🪓 начали ломать оборудование.
Так родилось движение, которое позже назовут лудитами —
и начнётся первая в истории истерика по поводу технологий.
📚 По легенде, имя пошло от ткача Недда Ладда (Ned Ludd), который якобы разбил два станка в знак протеста. Позже его превратили почти в мифическую фигуру — икону борьбы с технологиями.
И да, они действительно верили, что можно остановить прогресс молотком.
---
Прошло больше 200 лет.
Сегодня, вместо станков —**нейросети**,
вместо фабрик — лаптопы,
вместо молотков — панические посты в соцсетях.
На сцену выходят нейро-лудиты.
Они не ломают оборудование, но пишут посты в духе:
👁 “ИИ отнимет у меня работу.”
🛑 “Это конец творческих профессий.”
💥 “Зачем человек, если есть одна кнопка?”
Ирония в том, что как и 200 лет назад,
страх не мешает прогрессу — он только делает его шумнее.
---
На самом деле, нейросети — это не враг, а новый инструмент в руках человека.
Тот, кто научится с ним обращаться, получит преимущество.
Не замену, а усиление. Не угрозу, а дополнение к себе.
ИИ не лишает нас профессии — он требует её пересборки.
Как звук в кино не убил немое кино, а превратил его в новый жанр.
Как цифровой монтаж не отменил режиссёра, а просто поменял его инструменты.
Станок не отменил ткань.
ИИ не отменит креатив.
---
Этот канал — о том, как не бояться перемен,
а создавать будущее вместе с нейросетями.
Когда в конце XVIII века в Англии началась промышленная революция, машины начали активно менять привычный уклад труда.
Особенно — у ткачей: автоматические станки стали выполнять их работу быстрее и дешевле.
В ответ на это часть людей вышла на улицы и…
🪓 начали ломать оборудование.
Так родилось движение, которое позже назовут лудитами —
и начнётся первая в истории истерика по поводу технологий.
📚 По легенде, имя пошло от ткача Недда Ладда (Ned Ludd), который якобы разбил два станка в знак протеста. Позже его превратили почти в мифическую фигуру — икону борьбы с технологиями.
И да, они действительно верили, что можно остановить прогресс молотком.
---
Прошло больше 200 лет.
Сегодня, вместо станков —**нейросети**,
вместо фабрик — лаптопы,
вместо молотков — панические посты в соцсетях.
На сцену выходят нейро-лудиты.
Они не ломают оборудование, но пишут посты в духе:
👁 “ИИ отнимет у меня работу.”
🛑 “Это конец творческих профессий.”
💥 “Зачем человек, если есть одна кнопка?”
Ирония в том, что как и 200 лет назад,
страх не мешает прогрессу — он только делает его шумнее.
---
На самом деле, нейросети — это не враг, а новый инструмент в руках человека.
Тот, кто научится с ним обращаться, получит преимущество.
Не замену, а усиление. Не угрозу, а дополнение к себе.
ИИ не лишает нас профессии — он требует её пересборки.
Как звук в кино не убил немое кино, а превратил его в новый жанр.
Как цифровой монтаж не отменил режиссёра, а просто поменял его инструменты.
Станок не отменил ткань.
ИИ не отменит креатив.
---
Этот канал — о том, как не бояться перемен,
а создавать будущее вместе с нейросетями.
❤🔥2👍2🥰1🦄1
🎬 Как нейросети помогли поздравить девушек с 8 марта (и немного замучили нас)
К 8 марта мы решили оживить известные культурные и исторические сюжеты при помощи нейросетей. Сразу предупреждаем: волшебной кнопки, которая всё сделает сама, так и не нашли — а искали долго!
📚 Сцена 1: Арина Родионовна читает Пушкину сказку
С помощью нейросети Kling мы оживили статичное изображение. Звучит просто, но на деле пришлось вручную «нарезать» фото по крупностям. Kling, кстати, решил проявить инициативу и заметно омолодил Арину Родионовну.
---
🍑 Сцена 2: Серов рисует «Девушку с персиками»
Самая жесть! Серов почему-то не оставил фотографий процесса работы. В 1887 году с фототехникой было, мягко говоря, не очень. Пришлось выкручиваться:
- нашли современное фото оригинальной комнаты,
- «усадили» за стол ту самую девушку, забрав ее пряма с картины и поколдовав в PS
- дорисовали художника через нейросеть FLUX (Krea).
После этого Kling всё оживил. Получилось здорово, но несколько бессонных ночей у нас было.
---
🗽 Сцена 3: Вера Мухина и её знаменитая скульптура
Казалось бы, простая задача — попросить Kling, чтобы архитектор Вера Мухина повернулась через плечо в сторону своей знаменитой скульптуры. Но в итоге пришлось сделать больше десяти генераций, прежде чем нейросеть поняла, как выглядит обычный человеческий поворот.
---
💔 Сцена 4: Зоя Космодемьянская
Эта сцена — одна из самых драматичных. Kling хорошо передал эмоции и напряжение момента. Правда, с надписью на табличке нейросеть так и не справилась — вместо текста снова написала что-то своими любимыми «макаронами».
---
🚀 Вывод: нейросети и ожившая история
Несмотря на «макароны», десятки попыток объяснить нейросети, что же именно нам нужно, возможность оживить историю и искусство впечатляет по-настоящему.
С помощью разных нейронок мы показали моменты, которые нельзя снять, но можно создать. Это не магия и точно не «одна кнопка». Просто новый способ посмотреть на привычные вещи.
К 8 марта мы решили оживить известные культурные и исторические сюжеты при помощи нейросетей. Сразу предупреждаем: волшебной кнопки, которая всё сделает сама, так и не нашли — а искали долго!
📚 Сцена 1: Арина Родионовна читает Пушкину сказку
С помощью нейросети Kling мы оживили статичное изображение. Звучит просто, но на деле пришлось вручную «нарезать» фото по крупностям. Kling, кстати, решил проявить инициативу и заметно омолодил Арину Родионовну.
---
🍑 Сцена 2: Серов рисует «Девушку с персиками»
Самая жесть! Серов почему-то не оставил фотографий процесса работы. В 1887 году с фототехникой было, мягко говоря, не очень. Пришлось выкручиваться:
- нашли современное фото оригинальной комнаты,
- «усадили» за стол ту самую девушку, забрав ее пряма с картины и поколдовав в PS
- дорисовали художника через нейросеть FLUX (Krea).
После этого Kling всё оживил. Получилось здорово, но несколько бессонных ночей у нас было.
---
🗽 Сцена 3: Вера Мухина и её знаменитая скульптура
Казалось бы, простая задача — попросить Kling, чтобы архитектор Вера Мухина повернулась через плечо в сторону своей знаменитой скульптуры. Но в итоге пришлось сделать больше десяти генераций, прежде чем нейросеть поняла, как выглядит обычный человеческий поворот.
---
💔 Сцена 4: Зоя Космодемьянская
Эта сцена — одна из самых драматичных. Kling хорошо передал эмоции и напряжение момента. Правда, с надписью на табличке нейросеть так и не справилась — вместо текста снова написала что-то своими любимыми «макаронами».
---
🚀 Вывод: нейросети и ожившая история
Несмотря на «макароны», десятки попыток объяснить нейросети, что же именно нам нужно, возможность оживить историю и искусство впечатляет по-настоящему.
С помощью разных нейронок мы показали моменты, которые нельзя снять, но можно создать. Это не магия и точно не «одна кнопка». Просто новый способ посмотреть на привычные вещи.
👍3❤1🎅1🦄1
👨🚀 Две фотографии, нейросети и немного упрямства
Иногда достаточно двух фотографий, чтобы собрать целую сцену.
Примерно так я вижу правильное использование нейросетей в ТВ-производстве.
Ниже — поэтапный разбор.
📽 Видео сделано из двух фото и одной текстуры. Все исходники — под видео.
1. В первом кадре заменил отражение в шлеме на космос. Обычный фотошоп.
2. В Kling анимировал, как звёзды «проплывают» в отражении.
3. Для второго ракурса — снова ручная сборка: добавил визор с отражением.
4. Самое сложное — открыть визор. Нужно было превратить кадр с закрытым стеклом в кадр с открытым шлемом и лицом Гагарина. Почти никто не справился:
— Kling, Hailulu, Pika, Runway — мимо;
— Pixverse справилась, хотя и считается самой простой. Вот тут и разберись, кто на самом деле круче.
5. Переход между двумя сценами сделал через Pika Frames — плавный морфинг.
6. Всё собрал в монтажке, как обычно.
📌 Нейросети — это не магия, а просто ещё один инструмент. Полезный — если знаешь, что хочешь получить.
Иногда достаточно двух фотографий, чтобы собрать целую сцену.
Примерно так я вижу правильное использование нейросетей в ТВ-производстве.
Ниже — поэтапный разбор.
📽 Видео сделано из двух фото и одной текстуры. Все исходники — под видео.
1. В первом кадре заменил отражение в шлеме на космос. Обычный фотошоп.
2. В Kling анимировал, как звёзды «проплывают» в отражении.
3. Для второго ракурса — снова ручная сборка: добавил визор с отражением.
4. Самое сложное — открыть визор. Нужно было превратить кадр с закрытым стеклом в кадр с открытым шлемом и лицом Гагарина. Почти никто не справился:
— Kling, Hailulu, Pika, Runway — мимо;
— Pixverse справилась, хотя и считается самой простой. Вот тут и разберись, кто на самом деле круче.
5. Переход между двумя сценами сделал через Pika Frames — плавный морфинг.
6. Всё собрал в монтажке, как обычно.
📌 Нейросети — это не магия, а просто ещё один инструмент. Полезный — если знаешь, что хочешь получить.
❤3👍2❤🔥1💅1🦄1
🎬 Как нейросети «собирают» видео и фото — заглянем под юбку визуальных моделей
Одна из ключевых технологий в нейросетевых видео/фото генераторах — это диффузионные модели. Они постепенно снижают энтропию, то есть уменьшают уровень случайности в изображении, шаг за шагом выделяя и упорядочивая значимые элементы. Процесс начинается с полного шума, который нейросеть воспринимает как абсолютно случайный набор пикселей. Затем модель использует обученные на большом количестве изображений алгоритмы, чтобы распознать и усилить признаки знакомых объектов (лица, текстуры, предметы). На каждом этапе модель постепенно "очищает" изображение, убирая шум и усиливая детали, которые соответствуют поставленной задаче или описанию. В итоге картинка становится всё более чёткой и реалистичной, так как нейросеть «узнаёт» и детализирует объекты, исходя из накопленного ранее опыта.
Вот как поэтапно работает диффузионная модель (на простом примере запроса «котик»): Если конкретные параметры (цвет шерсти, порода или поза) явно не заданы, нейросеть выбирает их исходя из наиболее часто встречавшихся вариантов в обучающем наборе данных. Например, типичный котик может быть полосатым или серым, сидеть или лежать в естественной позе — просто потому, что таких примеров было много при обучении модели.
Алгоритм работы
1. Начало (полный шум): Запрашиваете нейросеть создать котика. Модель начинает с хаотичного, случайного набора пикселей — полная абстракция, без малейшего намёка на кота.
2. Первый этап (грубое очертание): Модель начинает распознавать общие черты котов, с которыми она ранее сталкивалась. Появляются очертания: круглое туловище, намёк на уши, хвост.
3. Второй этап (уточнение форм): Картинка уже становится похожа на кота. Модель уточняет положение лап, головы, хвоста. Начинают прорисовываться глаза и нос.
4. Третий этап (детализация): Появляются текстуры шерсти, глаза приобретают чёткую форму, появляются усы. Изображение становится отчётливым и узнаваемым.
5. Финал (реализм): Модель устраняет последние шумы и неровности, прорисовывая реалистичные детали. Картинка становится чёт/кой, завершённой и максимально похожей на реального котика.
Теперь мы точно знаем, каких котиков больше всего любит Sora (ChatGPT)
Одна из ключевых технологий в нейросетевых видео/фото генераторах — это диффузионные модели. Они постепенно снижают энтропию, то есть уменьшают уровень случайности в изображении, шаг за шагом выделяя и упорядочивая значимые элементы. Процесс начинается с полного шума, который нейросеть воспринимает как абсолютно случайный набор пикселей. Затем модель использует обученные на большом количестве изображений алгоритмы, чтобы распознать и усилить признаки знакомых объектов (лица, текстуры, предметы). На каждом этапе модель постепенно "очищает" изображение, убирая шум и усиливая детали, которые соответствуют поставленной задаче или описанию. В итоге картинка становится всё более чёткой и реалистичной, так как нейросеть «узнаёт» и детализирует объекты, исходя из накопленного ранее опыта.
Вот как поэтапно работает диффузионная модель (на простом примере запроса «котик»): Если конкретные параметры (цвет шерсти, порода или поза) явно не заданы, нейросеть выбирает их исходя из наиболее часто встречавшихся вариантов в обучающем наборе данных. Например, типичный котик может быть полосатым или серым, сидеть или лежать в естественной позе — просто потому, что таких примеров было много при обучении модели.
Алгоритм работы
1. Начало (полный шум): Запрашиваете нейросеть создать котика. Модель начинает с хаотичного, случайного набора пикселей — полная абстракция, без малейшего намёка на кота.
2. Первый этап (грубое очертание): Модель начинает распознавать общие черты котов, с которыми она ранее сталкивалась. Появляются очертания: круглое туловище, намёк на уши, хвост.
3. Второй этап (уточнение форм): Картинка уже становится похожа на кота. Модель уточняет положение лап, головы, хвоста. Начинают прорисовываться глаза и нос.
4. Третий этап (детализация): Появляются текстуры шерсти, глаза приобретают чёткую форму, появляются усы. Изображение становится отчётливым и узнаваемым.
5. Финал (реализм): Модель устраняет последние шумы и неровности, прорисовывая реалистичные детали. Картинка становится чёт/кой, завершённой и максимально похожей на реального котика.
Теперь мы точно знаем, каких котиков больше всего любит Sora (ChatGPT)
👍2🔥1💅1🦄1😘1