This media is not supported in your browser
VIEW IN TELEGRAM
Приветствуем в канале Unlim AI
Здесь мы пишем, как ИИ может пригодиться вам, наши читатели, а также приводим примеры использования и тренды в мире технологий.
25 лет назад большинство не понимало, как им может пригодиться Excel, а теперь им пользуются все.
Но сейчас настало время новых инструментов - присоединяйтесь !
Бот с доступными нейросетями (GPT-4, MidJourney, Dall-e) здесь @gpt3_unlim_chatbot
Здесь мы пишем, как ИИ может пригодиться вам, наши читатели, а также приводим примеры использования и тренды в мире технологий.
25 лет назад большинство не понимало, как им может пригодиться Excel, а теперь им пользуются все.
Но сейчас настало время новых инструментов - присоединяйтесь !
Бот с доступными нейросетями (GPT-4, MidJourney, Dall-e) здесь @gpt3_unlim_chatbot
👍56❤38🔥8🤔5👏4🤮4😁3💋3💘3💊3🕊1
Разбираемся, чего ожидать от нейросетей для генерации изображений.
Такие нейросети как Midjourney, Stable Diffusion, Kandinsky могут выдавать отличные изображения на любой вкус.
Но нужно понимать, как всё работает с точки зрения пользователя.
1. Они не понимают смысла написанного и команд - только описания объектов и изображений.
Например, если прикрепить изображение и написать 'удали с изображения кота' или 'замени фон', то это не сработает.
Нейросеть просто возьмет эти слова, прикрепленное изображение и использует их как описание для генерации НОВОГО изображения.
Всё, что подается в качестве запроса, используется просто как то, что будет на новой генерации. Запрос 'удали с изображения кота' просто приведет к тому, что на генерации будет изображено некое удаление кота 🙀 или что-то в этом роде.
2. Они не обучены структурированным данным или паттернам.
Поэтому они плохо справляются с генерацией текстовых надписей, флагов или лейблов.
Они генерируют на основе шума - случайности.
На запрос аргентинского флага нейросеть изобразит какой-то флаг с голубым и белым цветом, солнцем, но это будет какой-то несуществующий, выдуманный флаг.
3. Гуляющие по сети изображения с четкими текстами, лейблами и т.п., которые якобы сгенерированы нейросетью, на самом сгенерированы частично - остальное доработано в фотошопе вручную.
И это нормально. Нейросети позволяют сделать 90% работы, а что необходимо - подправить в профессиональном редакторе изображений.
4. На данный момент есть одна нейросеть, которая именно понимает смысл запроса: DALL·E 3.
Её можно прямо попросить придумать мем про сложности использования нейросетей и получить готовую картинку.
Также она лучше других справляется с генерацией текстовых надписей.
А всё потому, что в DALL·E 3 изначально запрос обрабатывает GPT-4, переводит его в описание и уже потом передает на генерацию.
Такие нейросети как Midjourney, Stable Diffusion, Kandinsky могут выдавать отличные изображения на любой вкус.
Но нужно понимать, как всё работает с точки зрения пользователя.
1. Они не понимают смысла написанного и команд - только описания объектов и изображений.
Например, если прикрепить изображение и написать 'удали с изображения кота' или 'замени фон', то это не сработает.
Нейросеть просто возьмет эти слова, прикрепленное изображение и использует их как описание для генерации НОВОГО изображения.
Всё, что подается в качестве запроса, используется просто как то, что будет на новой генерации. Запрос 'удали с изображения кота' просто приведет к тому, что на генерации будет изображено некое удаление кота 🙀 или что-то в этом роде.
2. Они не обучены структурированным данным или паттернам.
Поэтому они плохо справляются с генерацией текстовых надписей, флагов или лейблов.
Они генерируют на основе шума - случайности.
На запрос аргентинского флага нейросеть изобразит какой-то флаг с голубым и белым цветом, солнцем, но это будет какой-то несуществующий, выдуманный флаг.
3. Гуляющие по сети изображения с четкими текстами, лейблами и т.п., которые якобы сгенерированы нейросетью, на самом сгенерированы частично - остальное доработано в фотошопе вручную.
И это нормально. Нейросети позволяют сделать 90% работы, а что необходимо - подправить в профессиональном редакторе изображений.
4. На данный момент есть одна нейросеть, которая именно понимает смысл запроса: DALL·E 3.
Её можно прямо попросить придумать мем про сложности использования нейросетей и получить готовую картинку.
Также она лучше других справляется с генерацией текстовых надписей.
А всё потому, что в DALL·E 3 изначально запрос обрабатывает GPT-4, переводит его в описание и уже потом передает на генерацию.
🔥18👍9❤5😁4
⚛️ Квантовые компьютеры VS Искусственный интеллект 🤖
Конкуренция между ИИ и квантовыми вычислениями становится все более очевидной и ИИ может стать последним гвоздем в гроб коммерческого интереса к квантовым вычислениям.
Квантовые вычисления чрезвычайно интересны с точки зрения исследований, потому что это совершенно неизведанная территория. Но с коммерческой точки зрения всё сложно: нужно не только, чтобы компьютеры были достаточно большими и достаточно стабильными, чтобы поддерживать хрупкие квантовые состояния, но и продемонстрировать, что они могут делать что-то лучше, чем обычные.
Во-первых, нужен алгоритм, который может работать на квантовом компьютере.
А во-вторых, это должно иметь вычислительное преимущество перед обычным компьютером для решения какой-то интересной задачи.
Наиболее известные квантовые алгоритмы — это те, которые предназначены для решения определенных задач квантовой химии, то есть в основном материаловедения, некоторых проблем в логистике и финансах, а также криптографии.
Это довольно ограниченный класс задач.
Конечно, компании, которым нужны решения этих проблем, уже имеют довольно хорошие алгоритмы на обычных компьютерах, и теперь они совершенствуются с помощью ИИ, поэтому нынешний бум ИИ — плохая новость для квантовых вычислений.
Причина, по которой люди в восторге от квантовых компьютеров, заключается не в том, что они выполняют одну операцию быстрее, а в том, что для получения того же результата им требуется меньше операций.
Современные компьютеры работают в диапазоне гигагерц и выше, это более миллиарда операций в секунду.
Но для квантовых компьютеров оптимистично, возможно, десять миллионов в секунду.
Если увеличить размер задачи, то и обычному компьютеру, и квантовому компьютеру потребуется больше операций и, следовательно, больше времени. Но для квантового алгоритма количество операций увеличивается меньше с размером задачи.
То есть теоретически рано или поздно с увеличением размера задачи квантовый компьютер должен превзойти обычный.
На практике вопрос в том, где происходит это пересечение, когда квантовый компьютер начинает побеждать.
Каждый раз, когда обычные компьютеры становятся быстрее или кто-то придумывает лучший алгоритм, точка, в которой квантовые компьютеры наконец побеждают, отодвигается дальше, к большему числу кубитов.
И именно поэтому ИИ становится проблемой для квантовых вычислений. Потому что позволяет получить больше от обычных компьютеров, а количество кубитов, при которых квантовые компьютеры принесут преимущество, может в конечном итоге стать настолько большим, что их использование станет непрактичным или просто непомерно дорогим.
Конкуренция между ИИ и квантовыми вычислениями становится все более очевидной и ИИ может стать последним гвоздем в гроб коммерческого интереса к квантовым вычислениям.
Квантовые вычисления чрезвычайно интересны с точки зрения исследований, потому что это совершенно неизведанная территория. Но с коммерческой точки зрения всё сложно: нужно не только, чтобы компьютеры были достаточно большими и достаточно стабильными, чтобы поддерживать хрупкие квантовые состояния, но и продемонстрировать, что они могут делать что-то лучше, чем обычные.
Во-первых, нужен алгоритм, который может работать на квантовом компьютере.
А во-вторых, это должно иметь вычислительное преимущество перед обычным компьютером для решения какой-то интересной задачи.
Наиболее известные квантовые алгоритмы — это те, которые предназначены для решения определенных задач квантовой химии, то есть в основном материаловедения, некоторых проблем в логистике и финансах, а также криптографии.
Это довольно ограниченный класс задач.
Конечно, компании, которым нужны решения этих проблем, уже имеют довольно хорошие алгоритмы на обычных компьютерах, и теперь они совершенствуются с помощью ИИ, поэтому нынешний бум ИИ — плохая новость для квантовых вычислений.
Причина, по которой люди в восторге от квантовых компьютеров, заключается не в том, что они выполняют одну операцию быстрее, а в том, что для получения того же результата им требуется меньше операций.
Современные компьютеры работают в диапазоне гигагерц и выше, это более миллиарда операций в секунду.
Но для квантовых компьютеров оптимистично, возможно, десять миллионов в секунду.
Если увеличить размер задачи, то и обычному компьютеру, и квантовому компьютеру потребуется больше операций и, следовательно, больше времени. Но для квантового алгоритма количество операций увеличивается меньше с размером задачи.
То есть теоретически рано или поздно с увеличением размера задачи квантовый компьютер должен превзойти обычный.
На практике вопрос в том, где происходит это пересечение, когда квантовый компьютер начинает побеждать.
Каждый раз, когда обычные компьютеры становятся быстрее или кто-то придумывает лучший алгоритм, точка, в которой квантовые компьютеры наконец побеждают, отодвигается дальше, к большему числу кубитов.
И именно поэтому ИИ становится проблемой для квантовых вычислений. Потому что позволяет получить больше от обычных компьютеров, а количество кубитов, при которых квантовые компьютеры принесут преимущество, может в конечном итоге стать настолько большим, что их использование станет непрактичным или просто непомерно дорогим.
👎11👍9❤8🔥5🤷♂4