2024年1月31日 星期三

AI 版权第一案:我用 AI 做的图,版权归我吗?

AI 版权第一案:我用 AI 做的图,版权归我吗?

https://my.oschina.net/u/6852546/blog/10992795

最近,一个跟 AI 相关的案子引起了全国同行的围观,原因是一个百家号作者在网上写文章时,用了一张网上的 AI 图片当配图,结果被图片的生产者告侵权。这不禁让人紧张:以后 AI 产的图片,还能随便用吗?会不会侵权? 事情是这样的—— 2023年2月,李昀锴使用 Stable Diffusion 模型,通过在模型上输入数十个提示词,设置相关迭代步数、图片高度、提示词引导系数以及随机数种子等,生成了数张人像图片。随后,李昀锴以 "春风送来了温柔" 为名发布在社交平台小红书上。2023年3月2日,百家号一自媒体账号发布的名为《三月的爱情,在桃花里》的文章使用了李昀锴制作的图片。  李昀锴用 Stable Diffusion 模型生成的图片 李昀锴认为,对方未获得他的许可就截掉了他在小红书平台的署名水印进行发布,侵犯了署名权及信息网络传播权,应当承担法律责任。 2023 年 5 月,李昀锴起诉被告刘某侵害作品署名权、信息网络传播权纠纷一案在北京互联网法院立案。 这里最关键的争议在于,李昀锴基于自己设定的提示词和参数,使用 Stable Diffusion 模型制作的图片 "春风送来了温柔" 是否构成作品?以及构成哪一种类型的作品? 法院认为,原告李昀锴使用开源软件 Stable Diffusion 创作的图片由其独立完成,体现了他的个性化表达,因此涉案图片具备 "独创性" 要件。涉案图片符合作品的定义,属于美术作品,受到著作权法的保护。最终判决李昀锴胜诉,被告需在百家号平台公开道歉,并向原告赔偿 500 元。 这个案件,也成为了 AI 生成图片相关领域著作权第一案,让 AI 领域的从业者和使用者都提高了警惕: 原来 AI 创作的图片也是有著作权的,那以后使用 AI 图片还得注意授权问题了? AI 图片很多都是用别人的图片"溶"出来的,相当于"二创"。这种做法放在文艺领域早被当成抄袭了,为啥它还能享有著作权呢?这是不是合理的? 我用 AI 创作的图,总共有哪些权利和风险?权责如何划分? 对此,我们邀请了知识产权领域的专业律师邓超进行对谈,一起聊聊究竟怎么回事。 01 AI 作品,版权并不明晰 开源中国:首先我们捋清一下概念,版权和著作权是一回事吗? 邓超:是的,著作权和版权没有区别。根据相关法律规定,著作权是指作品的作者等相关人员,依法对其已经完成的作品所享有的发表权、署名权、复制权、保护作品完整性权等。且著作权即版权。 开源中国:OK,那在现行法律当中,个人或单位使用 AI 生产的图片,拥有版权吗? 邓超:在现行法律当中,这块还没有明确规定,行业意见也不统一,需要进行个案分析。 前年北京互联网法院有一个"菲林诉百度案",当时法院认为,机器生成的内容是没有版权的。  但是在深圳的"腾讯新闻案",法院则认为,机器生成的内容有版权。  一南一北,对这个问题给出了不同的答案,但是这些案子都没有上诉,所以说现在还没有一个统一的意见。今天这个案子里,北京互联网法院就认为,AI 生成的图片是有版权的。但是,北京互联网法院它是个基层法院,判决的效力有限,不好说能不能全国推广。 开源中国:那 AI 生成的图片所拥有的权利很模糊啊? 邓超:也不能说很模糊,它有一个判断的过程。判决也强调了,利用人工智能生成的内容是否构成作品,需要视个案情况而定,不能一概而论。在这个案子里,这张图片的生成涉及了上百个提示词和参数的调整,在这种情况下,法院会认可这个创作者是付出了一定的创造性劳动的。相反,假设只是跟 AI 说"画一幅秋天的风景画",那这个在我看来就不能有版权了,因为没付出什么符合著作权法要求的创作。 开源中国:可是,这些为创作而输出的参数和设定,多少算多,又多少算少呢? 邓超:是的,这里恰恰就是判断的难点,可能在每个案子里,每个法官的判断都会不一样。 开源中国:有律师认为,AI 作图跟传统的美术创作有很大的区别,原告只输出了提示词,并没有动笔去画具体的线条,也没有百分之百地告知 Stable Diffusion 模型怎样去画出具体的线条和色彩,就通过人工智能生成了图片。根据《著作权法》的传统理论,人创作的作品才受版权保护,原告李昀锴的行为并不构成创作。你怎么看? 邓超:是的,这种反对的观点还挺普遍。做个类比,我让一位画家画一幅秋天的风景画,但我不能在画家画完了之后说"我是这幅画的作者"。这是不合理的。 还有一种反对观点,它的逻辑是:即使我说了"画一幅秋天的风景画"这句话,不同的人他会画出不一样的东西,不能因为我说了这句指令,我就拥有了画的著作权,这是很奇怪的。像秋天的风景这种东西,本来就是一千个人一千种画法,即使是 AI ,不同的 AI 画出来的也不一样。甚至相同的 AI ,你让它再画一遍,都不一定画得出来。 开源中国:即使是相同的参数,它也不一定会生成同样的图。 邓超:是的,没错。但是这个类比,只能放在人身上,放在 AI 身上就不太一样,因为 AI 它是一个机器,不是具体的人,是没有权利的。如果这幅图是我让一个人来画的话,那著作权肯定就属于画画的那个人了。但 AI 它不是人,它没法成为作者。现阶段,生成式人工智能模型不具备自由意志,无论是国内还是国外,都不支持 AI 成为法律上的主体。 这也是法院在这个判决中做出的考量。目前来讲,无论是认为 AI 作品应该有版权还是不应该有版权,其实都能解释得通,因为 AI 这东西是新兴的,法律比较落后,现在还没有达成一致说这种情况应该怎么办?所以,法院现在判决的时候,更多是从产业或者立法目的的角度,去解释说:这 AI 是把它保护起来比较好,还是不保护更好? 在这个案子里面,原告为了生成这张图片,输入了大量的指令,调整了上百个参数,如此正向反向的一系列约束下来,才得到这张图。这个过程,在法院看来,是有一定的独创性的。咱们国家法律规定的独创性很低。比如说摄影作品,摄影师等了一天安排了特定角度拍出来的图,大家会认为有独创性;但咱们普通人随便拍的图,一般来讲也是有独创性的,即使你没调参数,也没啥构思。所以说,独创性,这东西的门槛就很低,不需要达到什么专业高度就能拥有。 开源中国:可是拍照这事儿是我们自己动手拍的,不是别人告诉我怎么拍的。而且用 AI 的话,即使描述得再具体,它也只是文字创作,不是美术创作,它对于创作结果是不能预见也无法控制的,这与人们之前使用画笔、绘图软件去作图有很大的不同。它是"文生图",不是"手作图"。 邓超:所以说,这里其实是一个价值取向的问题,给不给版权保护都说得通。 有一种反对观点认为,比如说"画一幅秋天的风景"这个指令,可以拥有文字性的版权,但这个文字性的版权,不能延伸到它生成的图片,不然以后所有的秋天风景画都侵犯了我的版权了,因为我最先说了这句指令。 不过,从历史的角度来看,各种形式的创作,要获得版权保护都是一个时间问题。比如说摄影技术刚诞生的时候,大家觉得摄影也不应该给版权,因为摄影出现之前,大家都是用油画,可能得花几十年学习,才能把风景画得很像。结果摄影技术出来之后,不需要任何绘画功底、也不用学几十年,只需按一下快门,就能得到一幅比你学了十几年画画还要接近真实的画,所以大家都认为它不是艺术,不应该给版权。可是后来你看,随着技术的发展,摄影慢慢地也成为一门艺术了。 从历史的视角来看,每当有新的事物出现,它总会面临一些争议,比方说要不要给版权?但是我们可以想办法把版权保护做得更好,在保障权利的同时适应新事物的出现。 02 新情况可以参照现有法律吗? 开源中国:现在有一种想法是将 AI 创作类比成互联网产品。比方说程序员在后台输入代码,通过计算机生成了一个 APP,生成了它的各种功能。但是代码不属于美术作品,谁来写都一样,能实现就行,同一个功能背后的代码可能是一模一样的。在 AI 创作中,提示词就相当于创作的"代码",生成的图片就类似于前台的 APP,那这个提示词是不是也是谁来写都一样呢?还应该有版权吗? 邓超:在智力创作这一块,法律要求的门槛很低,毕加索的画有版权,小学生的画也一样有,并不以智力贡献的高低来衡量,只要是你写的就能有版权。 所以,代码也是可以享有版权的,像软件著作权登记,它登记的就是这个代码。如果你写了一个代码,别人抄袭你的代码,那也是构成著作权侵权的。只不过代码的著作权仅限于这个文字代码本身。 最开始,把代码当成文学小说来保护,也是有争议的。毕竟文字它没有任何实用的功能,但是代码,它唯一的目的就是实现功能。但是版权法不保护功能,要想保护功能可以用专利。所以最开始把代码视为文学小说就有这么一个不自洽的地方。那么法律后来就规定了,实现某个功能的唯一或者非常有限的代码,它是不能受版权保护的。比如说,单独写一个"弹出提示框",仅仅这么一点东西,是没法被版权保护的。但要是整个程序,比如像微信,作为一个整体来讲,它就受到版权保护。 要是拿音乐来类比的话,单个音节,像 do、rei、mi、fa、so 本身是没法保护的,但是你把它编成一首曲子,那这首曲子就能受到版权保护。 开源中国:意思就是它得作为整体的一个作品来呈现才能算。 邓超:对。但是要说得呈现到啥程度,这其实并没有一个清晰的线。比方说一首歌算,那其中一段算不算呢?这就得到具体案件里面,进行具体分析了。 开源中国:人工智能的软件是可以大规模复制的,只要算力足够,短时间生成海量的图片完全没有问题。如果这都可以获得著作权保护,对整个社会而言,会不会起不到鼓励创新的效果? 邓超:是这样,现在从实践来讲,很多图片没法判断是不是 AI 生成的,除了那些手画不好的之外,其实很难分辨。在这种情况下,咱们默认所有图片都是有版权的就行了,不要在意它是不是 AI 生产的,这跟 AI 没关系。咱们在用图的时候,就两个原则:你独创的,或者是合法购买许可的,那就用;如果不是,那就别随便用。不能在网上看到一个图片就随手拿过来,这无论是不是 AI 生产的,风险都很大。 如果说我用 AI 大模型生成的图,跟别人生成的一样,比方说一样的提示词下 AI 给我们都出了一样的图,那也没关系,因为这是你独立创作的,就可以避免法律风险,哪怕对方来起诉也不怕。 开源中国:就是说我们用同一个 AI 同一套提示词生成的两张图,我们各自分别都有著作权,哪怕这两张图一模一样? 邓超:是的,因为咱们讲的是独创性,只要这是你独立完成的,那就没有问题。比如说,两个人同时拍天安门广场升旗的图片,可能俩人的角度非常像,拍出来的图片几乎一样,在这种情况下,各自都有著作权,没有任何人侵权。但如果真到了法庭那个阶段,你就得拿出证据证明这图确实是我拍的,不是我扒的。像这个案子里,被告把原告图片水印都截掉了,那肯定是在网络上扒的,肯定侵权。但如果被告的时候,能把原图或提示词都拿出来,证明确实能生成这图,那被告侵权就不成立了。 开源中国:但如果要重现的话,万一输入同样的提示词,AI 生成的图不一样,那不就没法自证了? 邓超:理论上是这样,但另一方面来看,这些图片侵权的案子,判赔额都很低,这个案子判赔500,其他案子更少,一般就几十块钱,风险很小。如果是自创图片的话,虽然不一定保留有创作过程,但肯定会留痕,实在不行还能找证人出庭作证,总之肯定能查清,所以对现状不会有什么颠覆性的影响。 03 AI 创作,风险大大的有 开源中国:说到独创性,目前很多的 AI 图片,都是用别人现有的图片"溶"出来的,这样也能算独创性吗?这不算抄袭吗? 邓超:当前刚好有一个案子:2023年12月27日,《纽约时报》起诉微软和 OpenAI,宣称报社数百万篇文章被用作 AI 的训练数据,这些数据的投喂到底是属于合理使用还是版权侵权,现在也没有定论,可以密切关注一下。  "合理使用原则"是指,虽然你的行为严格来说算侵权,但你的行为是一种可以接受的借用,用来促进创造性的表达。例如,学者可以在自己的作品中引用摘录他人内容;作者可以出版改编图书;普通人可以截取电影片段做影评。换句话说,如果对版权限制过死,文明的创造力将可能停滞。 科技公司长期利用这一原则来规避版权争议。2013年,谷歌因为复制数百万册图书并在线上传书里的片段,遭到作家协会的起诉,法官基于合理使用原则,裁决谷歌这一行为合法,因为它为公众创建了可搜索的索引,创造了公共价值。在大模型时代,合理使用原则仍可能发挥关键作用。支持 AI 不侵权的人认为,大模型生成内容的过程,跟人类创作相差无几——当你尝试画一幅画或拍一支视频,你的脑海里也会有你看过的画或电影。人类的创作在前人的基础上进步,大模型也是如此。  现实总是领先法律一步:现实里出现问题了,法律再进行回应,现在刚好卡在了没达成一致意见的时候。 从本质上来讲,著作权法、知识产权法的目的都是为了促进社会的繁荣。像远古时代,没有什么知识产品,宋代印刷术出现之前,大家都是用手抄本,但大家都认为这是好事,可以防止文献失传。印刷术出现之后,才慢慢有了著作权。立法者认为,对作品作者给予一定保护,可以激发其他人创作出更多的作品来。现实也的确是这样,发达国家都有着非常完善的知识沉淀。所以本质来讲,还是看怎么选择更能促进产业和整个社会的发展。 开源中国:说到促进创作,这里我要讲一下,在美术界,相似度达到10%就属于抄袭了,但是 AI 现在是在不声明的情况下抄袭,并且不以任何代价使用,这不就跟促进创作的初衷刚好相反了?如果一做出来就会被抄袭,那不正好打击了人们创作的积极性,挤压人的创作空间吗? 邓超:对,是这样。任何一个东西,政策的影响都是两方面的,你说的是负面的一方。但从正面来讲,以前创作图片,需要美工先学十年美术,美工画一幅图要画一天。但现在,任何一个没有学过美术的人,也可以创作出一幅画了。从这方面来讲,生产力肯定是大大提高了,AI 一天生成的图就能顶100个美工的创作。当然,最后肯定还需要微调,但这生产率已经翻倍了。 假设现在一个公司需要100张图,如果找美工,成本是十万块钱;但找一个 AI 的话,可能就1000块钱,加上后期人工修改可能只需一万。从公司的角度来讲,它的成本就降低了,变得更有竞争力了,但背后可能就有十个美工失业了。可是从另外一个角度来讲,可能又会有十个 AI 相关的就业岗位增加。 所以 AI 这个东西,它就像蝴蝶效应一样,一个因素改变带来的社会变化非常复杂,有人受益,就会有人受损,所以这里很难预测,也不是我一个人能想明白的事。 开源中国:在风险这块,举个例子:假设我用 AI 做图的时候,只输了文字指令,但 AI 在训练的时候被喂了有版权的图片,所以产出给我的图片也侵权了,那是我负责还是 AI 公司负责? 邓超:按照咱们讨论的这个案子来讲,肯定是你负责,因为 AI 它只是一个工具,就跟画笔或者照相机一样,最后出问题可能还是得人来负责。除了我们刚才说的"纽约时报诉 OpenAI 案",因为 OpenAI 是在训练的时候使用了纽约时报的内容,所以要 OpenAI 负责。但是现在 OpenAI 已经把产品软件提供出来了,你用这个 AI 软件生成的图片,如果侵权的话,(虽然现在还没有案例),AI 工具它大概率是没有责任的,责任在你。 开源中国:可是我本意没有想要侵权任何人,也不是我让这个 AI 去抄袭别人的,甚至我都不知道别人作品的存在,是 AI 公司训练的时候喂了有版权的图导致的生成作品侵权,这种情况我是没法控制的,也需要我来负责吗? 邓超:确实,你问的这三个问题,是 AI 时代最棘手的三个问题,现在都没有人有答案: 第一,大模型使用海量数据来进行训练,这种行为到底是侵权还是合理使用? 第二,AI 生成的作品到底有没有版权?(今天讨论的这个案子里北京互联网法院已经初步给出了意见) 第三,用 AI 生成的作品侵权了究竟谁来承担责任? 这三个问题现在没人能有答案,我刚才说的,只是我个人的观点。 开源中国:那意思就是说,有好处的话,是使用者获得,如果是风险的话,也是使用者承担。那 AI 公司它岂不是只负责赚钱不承担风险? 邓超:简单来说是这样,但具体的还得结合具体案情来讲。 企业的风险就是我们说的第一个问题:用别人的内容来训练 AI 模型,属不属于合理使用?这时候的政策是很敏感的。假设这算合理使用,企业风险很小,那一定程度上会促进 AI 产业的发展,因为企业没啥后顾之忧了;但如果让企业承担很大的责任,那一些刚发展起来的小公司搞不好会因为法律诉讼破产,这样就阻碍了行业发展。法律也好,判决也好,肯定都是要考虑产业发展的。 开源中国:但是也不能光揽好处,把风险甩给用户去跟原作者扯皮吧? 邓超:对,但是有人受益,肯定就有人受损,这个不太可能双赢,就看你价值取向更偏向谁。比如产业早期的时候,可能倾向于促进产业发展;等产业发展成熟了,公司壮大了,还一点责任都不承担就不太好了。不同阶段,产业政策不一样,法律方面的话,至少在我看来,裁判者也好,立法者也好,都是需要平衡的。 开源中国:伴随着人工智能、大语言模型的发展,AI 创作这种生产方式,还可能会触及哪些法律问题? 邓超:除了上面讲到的三点,还有就是可能会侵犯别人的肖像权,比方说生成的人像跟别人长得一样,可能就会侵犯肖像权,这也属于第三点中侵权的一种形式吧。 开源中国:法律届是怎么看待 AI 创作这一新的生产模式的?接下来会不会出台相关的法律法规呢? 邓超:按照过往的历史经验来看,不会这么早出台法律。以往像互联网之类的新事物,法律界都会先让子弹飞一会儿,先观察一阵,等到时机成熟了,再出台相关法律法规。另外,咱们现在的知识产权法的框架,足以解决目前跟 AI 相关的一些问题,还没有必要单独针对 AI 立一个法。可能等时机成熟了,会完善法律下面的一些解释或规定吧。  对此,各位怎么看?你认为 AI 作品应该有版权吗?我们评论区见吧~ 本期嘉宾:邓超 | 律师(微信号:dengchao)  具有理学学士和法学博士学位,有着深厚的法学理论基础;在知识产权行业从业十余年,有着丰富的实践经验。 长期专注于科技和媒体领域的知识产权前沿问题的研究和实践,代表客户处理相关的诉讼和非诉法律事务。 在进入律师事务所之前,曾就职于世界 500 强公司的法务部以及国内顶尖的知识产权事务所,为众多跨国公司、国内上市公司等提供知识产权法律服务。

-- gReader Pro 

Wok-Server —— 轻量级 Nodejs 后端框架

Wok-Server —— 轻量级 Nodejs 后端框架

https://www.oschina.net/p/wok-server

Wok-Server是一个简洁易用的 Nodejs 后端框架,使用 Typescript 开发,有完整的类型约束和定义,注释详细,文档齐全,支持国际化。 主要功能:配置,日志,国际化,校验,缓存,MVC,mysql,mongodb ,周期任务 。 查看文档 优点  学习成本较低,函数式为主,少量面向对象,未使用代理和装饰器等增强技术 功能简单,使用方便,保持克制,不引入太多特性 轻量封装,最大限度兼容已有生态,支持集成第三方 http 相关的库来处理请求 支持国际化,自带多种语言的支持,国际化内容支持扩展 有完整的类型约束和定义,结合 IDE 的代码补全功能,开发效率高 注释详细,文档就在代码中,方法和参数都有详细说明,可在 IDE 的辅助下方便查看  Hello world 安装:   npm i wok-server --save  入口文件:   import { startWebServer } from 'wok-server' startWebServer({  routers: {  '/': async exchange => exchange.respondText('Hello world !')  } }).catch(e => {  console.error('Start server failed', e) })  上面的代码启动了 web 服务,访问路径 http://localhost:8080 将输出文本 "Hello world !"。 相关的设置可以通过环境变量来修改,查看完整文档了解细节。

-- gReader Pro 

书写比键盘输入更有利于记忆

书写比键盘输入更有利于记忆

https://www.solidot.org/story?sid=77257

《心理学前沿》上发表的一项研究指出,与把信息输入电脑相比,写在纸上能更好地帮助人们记住信息,因为提笔记录可以增强大脑不同区域之间的连接。为了研究手写和打字对大脑的不同影响,挪威研究人员招募了 36 名 20 多岁的学生,让他们观看屏幕上闪现的 30 个词语,如挪威语的国王、刺猬、雨伞等。其中一半词汇需要他们手写下来,另一半则通过键盘打出来。参与者的头皮上贴放着小电极,以监测他们的脑电信号。由于人脑的右运动皮层控制左手运动,左运动皮层控制右手运动,研究人员要求所有参与者都用右手打字或写字。这样可以避免大脑两个半球间的交叉,使实验结果更容易解释。结果发现,对于所有参与者来说,写字使大脑中央部分和大脑外部顶叶间的连接增加,而打字则不然。  https://news.sciencenet.cn/htmlnews/2024/1/516879.shtm https://www.frontiersin.org/articles/10.3389/fpsyg.2023.1219945/full https://news.sciencenet.cn/htmlnews/2024/1/516879.shtm         生命科学 | 医学科学 | 化学科学 | 工程材料 | 信息科学 | 地球科学 | 数理科学 | 管理综合 站内规定 | 手机版  首页 | 新闻 | 博客 | 院士 | 人才 | 会议 | 基金·项目 | 大学 | 论文 | 视频·直播 | 小柯机器人 | 专题        头 条 更多>>    深海光电传输有了"避水诀"我国首套深海光电复合型水下湿插拔连接器近日通过验收,并已在1620米的深海中正常试运行超70天。它可根据要求实现"水密",不惧海水的高压和腐蚀干扰,在深海中实现光电传输。 当最"痛苦"一代走进大学一边是传统教育模式规定的"单轨制"人生,一边是作为互联网一代的自我意识高涨。当家长制文化的观念与"00后"要自由掌控人生的想法相撞,后者由此成为最"痛苦"的一代大学生。      要 闻 更多>>      ·正在直播|科学公开课——王玉田:解码记忆 ·科学家回信|黄迎新:盐碱旱田改良潜力巨大 ·重金纳才!黑龙江大学出台人才引育30条 ·天文学家发现近百个极端贫金属星系 ·骨折固定支架可体内3D打印无创成型     ·研究发现:火星在远古曾存在巨大湖泊和河流三角洲 ·新植入设备能记录单神经元数月活动 ·癌细胞"能量工厂"影响免疫疗效 ·高校实验室里的"黑科技"如何在生产线上大展身手          光照下更"快乐"的光动力酵母诞生  新闻图集              格陵兰冰盖40年冰损失超5000平方公里  新型催化剂实现高效全分解水制氢  太平洋海藻森林早在3200万年前就已出现             科报深度  更多>>      ·当最"痛苦"的一代走进大学·从学生到导师的转变,发生在这一瞬间!·"速成博士"泛滥,亟须稳妥应对·让古籍与学生"零距离"·"破五唯"后,"立新标"应以特色发展为出发点·面对高校转学问题,应突破"刻舟求剑"式公平观      国 际  更多>>      ·快速生长的工程化细胞可降低在实验室培养肉的成...·研究发现:火星在远古曾存在巨大湖泊和河流三角...·新植入设备能记录单神经元数月活动·癌细胞"能量工厂"影响免疫疗效·3D打印电子皮肤具有弯曲和感知能力·垂体生长激素接受者中发现阿尔茨海默病传播证据      高 校  更多>>      ·深海光电传输有了"避水诀"·重金纳才!黑龙江大学出台人才引育30条·高校实验室里的"黑科技"如何在生产线上大展身...·胡树文:把盐碱地变成米粮川·应用型高校当成为科技成果转化中坚力量·创刊5年,它成纤维材料及纺织领域重要国际期刊...      科 普  更多>>      ·50年后,抑制多胺合成治疗肿瘤的策略重回"战场...·过去一天新增余震1604次,为何新疆地震余震频繁...·呼吸道传染病高发,是在还"免疫债"吗·揭开肺炎支原体难治之谜·赠书|220余幅摄影,给3200万人的珍藏家书!·传承与发展:解读国家工程师奖奖章丰厚意蕴      生命科学  新植入设备能记录单神经元数月活动      癌细胞"能量工厂"影响免疫疗效 垂体生长激素接受者中发现阿尔茨海默... 这群获奖的年轻人,他们为治疗人类常...         医学科学  骨折固定支架可体内3D打印无创成型      基因疗法让遗传性耳聋患者听到声音 50年后,抑制多胺合成治疗肿瘤的策略... 我国创烧伤专业主要开创者之一:盛志...         化学科学  分子筛催化葡萄糖转化研究获新进展      新研究揭示雌黄、雄黄生物氧化溶解过... 2023年度中国化学会会士当选名单公布 FCS丨CO2-环己烷耦合芳构化提高芳烃选...         工程材料  3D打印电子皮肤具有弯曲和感知能力      身赴险峰,心向苍穹 捕捉时空涟漪 LISA项目启动 广谱高效水溶性牺牲层材料研发成功           科报快讯  更多>>      ·研究人员实现双波段探测器波分复用和加密通信·近代物理研究所成功制备医用同位素锕-225·《中国城市科技创新发展报告(2023)》发布·萃取法短流程生产钒电解液示范线成功运行·科技支撑柠条资源化利用·首个通用智能人小女孩"通通"问世:拥有类人价...      动态  更多>>      ·"首都科技创新发展指数2023"发布·微生物群落对砷锑共污染胁迫的响应研究获新进展·学术专著《区域生态安全格局构建》出版发行·中关村开源生态论坛暨大模型智能应用技术大会举...·环形RNA:从"无名之辈"到"明日之星"·"小蝌蚪"成长之路上的RNA      院 所  更多>>      ·科学家回信|黄迎新:盐碱旱田改良潜力巨大·深海光电传输有了"避水诀"·天文学家发现近百个极端贫金属星系·揭秘基因组"暗物质"·新型"激光木材" 可实现高效率固态激光照明·蜜蜂杀手:蜂螨是懂"吃"蜜蜂的      观 点  更多>>      ·"速成博士"泛滥,亟须稳妥应对·韩恩厚:强化在战略和前沿领域的集群式科研攻关·AI重塑世界,人类如何与其"智慧共生"?·完成科学起飞,美日二三十年,中国用多久·智能系统两年后可自动消化有价值的文字数据·对学术不端就该"一锅端"      信息科学  电科大新疆研究院和喀大电子与通信工...      法德将开发太空量子传感器预测地震 OpenAI欲建芯片工厂网络,奥特曼多国... 人工智能抢走饭碗?美国科技公司开年...         地球科学  研究发现:火星在远古曾存在巨大湖泊...      胡树文:把盐碱地变成米粮川 我国科研人员发现地球磁层对流新模式 月球缩小或致其南极发生月震         数理科学  深海光电传输有了"避水诀"      新型"激光木材" 可实现高效率固态激... 相互作用玻色量子气体人工规范场的实... 王育竹:一生只为打造最精准的"定时...         管理综合  正在直播|科学公开课——王玉田:解...      科学家回信|黄迎新:盐碱旱田改良潜力... 高校实验室里的"黑科技"如何在生产... 应用型高校当成为科技成果转化中坚力...           每日全部新闻     一周新闻排行      1 37岁独立发表论文,41岁辞职开设实...       2 国产期刊"抱团取暖",有方向还须...       3 科学家预测乌什强震诱发地质灾害的...       4 揭秘基因组"暗物质"       5 《自然》发布2024年值得关注的七大...       6 打造"领军人才",她说,坚韧型人...       7 2023年度湖北省科学技术奖拟奖项目...       8 直播回放|科学网年度十佳博文评选结...       9 基金委发布一项重大研究计划项目指...       10 新型口服胰岛素可放入巧克力食用        新闻专题 更多>>       两院院士评选2023中国/世界十大科技进展新闻    大担当·解国忧    2023年诺贝尔奖    率先这十年     《中国科学报》 电子版 2024-1-30      1     2     3     4                   科学网电子杂志 每周免费               友情链接      中国科学院大学 | 中国人教育网  美国LetPub专业编辑 中国医院科技影响力排行  意得辑  查尔斯沃思  AJE作者服务     关于我们 | 网站声明 | 服务条款 | 联系方式 | RSS | 举报 | 中国科学报社  京ICP备07017567号-12  互联网新闻信息服务许可证10120230008 京公网安备 11010802032783Copyright @ 2007- 中国科学报社 All Rights Reserved 地址:北京市海淀区中关村南一条乙三号 邮箱:blog@stimes.cn

-- gReader Pro 

Meta 發表了開源的「Code Llama 70B」,用來與閉源AI對抗

Meta 發表了開源的「Code Llama 70B」,用來與閉源AI對抗

https://www.techbang.com/posts/112865-meta-code-llama-70bai

Code Llama 70B是目前最大的程式碼生成開源人工智慧模型之一,也是程式碼生成領域的最新典範,希望能把創建和修改軟體的過程自動化。Meta AI發布了一款名為Code Llama 70B的全新改進版本的程式碼生成模型。這款更新後的模型能夠使用各種程式語言(如Python、C++、Java和PHP)根據自然語言提示或根據現有的程式碼片段來撰寫程式。它的速度更快、效果更好、準確度更高。 Code Llama 70B是目前最大的程式碼生成開源人工智慧模型之一,也是程式碼生成領域的最新典範。程式碼生成是人工智慧的一個分支,希望能把創建和修改軟體的過程自動化。想像一下,能夠告訴你的電腦你希望它做什麼,並讓它為你撰寫程式。或者能夠用幾個簡單的命令修改和改進現有程式碼。或者能夠輕鬆地將程式碼從一種語言翻譯成另一種語言。這些都是像Code Llama 70B這樣的程式碼生成模型可以提供的一些可能性。  Today we're releasing Code Llama 70B: a new, more performant version of our LLM for code generation — available under the same license as previous Code Llama models.Download the models ➡️ https://t.co/fa7Su5XWDC• CodeLlama-70B• CodeLlama-70B-Python• CodeLlama-70B-Instruct pic.twitter.com/iZc8fapYEZ — AI at Meta (@AIatMeta) January 29, 2024  但是產生程式碼並不是一項容易的任務。與經常含糊不清和靈活的自然語言不同,程式碼是精確和嚴格的。它必須遵循嚴格的規則和語法,並且必須產生預期的輸出和行為。此外,程式碼通常是複雜且冗長的,需要大量的上下文和邏輯來理解和生成。為了應對這些挑戰,程式碼生成模型需要擁有大量的數據、大量的運算能力和大量的智慧。 這就是Code Llama 70B最大的發揮公間。Code Llama 70B是一款最先進的大型語言模型(LLM),它在5000億個程式碼和程式碼相關數據的基礎上進行了訓練,使其比以前的型號更具能力和穩健性。它還具有包含 100,000 個令牌的更大上下文窗口,這使其能夠處理和生成更長、更複雜的程式碼。 Code Llama 70B是基於Llama 2的,Llama 2是世界上最大的LLM之一,擁有1750億個參數。Llama 2是一個通用的LLM,能夠生成任何領域和風格的文本,從詩歌到新聞文章。Code Llama 70B是Llama 2的一個專門版本,經過專門調整用於 撰寫程式碼,使用了一種稱為自注意力的技術,使其能夠學習程式碼不同部分之間的關係和依賴性。 準確性和適應性的新標準 Code Llama 70B的一個亮點是CodeLlama-70B-Instruct,這是一個經過微調的變體,專門用於理解自然語言指令並相應生成程式碼。這個變體在HumanEval上獲得了67.8分,HumanEval 是一個包含 164 個程式設計問題的基準資料集,用於測試程式碼產生模型的功能正確性和邏輯。此分數超越了先前開放模型的最佳成績,例如CodeGen-16B-Mono(29.3)和StarCoder(40.1),並且與封閉模型相當,例如GPT-4(68.2)和Gemini Pro(69.4)。CodeLlama-70B-Instruct可以處理多種任務,如排序、搜尋、篩選和操作數據,以及實現算法,如二分搜尋、斐波那契和階乘。 Code Llama 70B還包括了CodeLlama-70B-Python,這是一個針對Python進行了最佳化的變體,Python是世界上最流行和廣泛使用的程式語言之一。這個變體在Python程式碼的基礎上又進行了1000億個程式碼的訓練,使其在生成Python程式碼方面更加流暢和準確。CodeLlama-70B-Python還可以處理一系列任務,如網路爬蟲、數據分析、機器學習(ML)和網頁開發。 可用於研究和商業用途 Code Llama 70B 可以在與 Llama 2 和之前的 Code Llama 模型相同的許可下免費下載,允許研究人員和商業用戶使用和修改它。該模型可以透過各種平台和框架存取和使用,例如Hugging Face、PyTorch、TensorFlow和Jupyter Notebook。Meta AI 還提供了有關如何針對不同目的和語言使用和微調模型的文件和教程。 Meta AI的首席執行長馬克·祖克柏在其Facebook上發表的一份聲明中表示:「我們正在開源一個新的、改進的Code Llama,包括一個更大的70B參數模型。編寫和編輯程式碼已經成為當今AI模型最重要的用途之一。對AI模型來說,程式碼能力也被證明對於更嚴格和邏輯地處理其他領域的訊息非常重要。我為這裡的進展感到自豪,並期待將這些進展納入Llama 3和未來的模型。」  Code Llama 70B預計將對程式設計領域和軟體開發行業產生重大影響,因為它提供了一個強大且易於使用的工具來創建和改進程式碼。它還可以降低想要學習程式設計的人的進入門檻,因為它可以根據自然語言指令提供指導和回饋。此外,Code Llama 70B還可以實現新的應用和用例,例如程式碼翻譯、程式碼摘要、程式碼文件、程式碼分析和程式碼偵錯。 Code Llama 70B 和其他 Llama 模型可直接從Meta AI下載。更多資訊和文件可以在GitHub和Hugging Face上找到。加入電腦王Facebook粉絲團

-- gReader Pro 

2024年1月30日 星期二

Deep Tab Search – 全文搜索已打开 Chrome 标签页内容,支持中文

Deep Tab Search – 全文搜索已打开 Chrome 标签页内容,支持中文

https://www.appinn.com/deep-tab-search/

Deep Tab Search 是一款可以全文搜索已打开的 Chrome 标签页内容的扩展,支持中文。输入关键词后自动跳转页面。@Appinn  来自发现频道,@Sullevy 同学推荐:https://meta.appinn.net/t/topic/52039 推荐个 Chrome 插件:Deep Tab Search — 检索所有打开 Tabs 的内容 最新写材料比较多,需要开非常多的Tab,原本的解决方法是:  使用 Single Page 或 Markdown 类工具下载内容到本地 使用 AnyTxt 或 FileLocator 进行全文检索  其实这个方法更稳定一些。 但想着就是临时写写材料,就想有没有能检索所有 Chrome 标签页内容的,还真的有:Search all Tabs 但分词提示有点不是很满意,在 Github 找到了这个,目前使用还不错 Deep Tab Search Deep Tab Search 还在开发之中,并未上架任何商店,需要从 GitHub 下载后使用浏览器的开发者模式安装。 然后就可以很方便的检索全文内容了。 但,青小蛙在 Edge 中测试失败,一直在 Indexing… 而换到 Chrome 之后,立即就能用了。 小视频 来看小视频:   获取  GitHub 搬运(截止 240128 的 1.0.6 版本,解压缩后加载里面的 scr 文件夹即可)   原文:https://www.appinn.com/deep-tab-search/ 相关阅读tab 键技巧小结为什么我坚持更新一款「几乎无人问津」的只呈现美景的新标签页扩展 – 简 Tab(SimpTab)Tab Manager Plus – 搜索、移动、限制、保存、切换标签页[Chrome/Firefox]New Tab Studio – 可高度自定义的新标签页扩展[Chrome]Ai Search – iPhone 里的新搜索中心 ©2023 青小蛙 for 小众软件 | 加入我们 | 投稿 | 订阅指南 3659b075e72a5b7b1b87ea74aa7932ff 点击这里留言、和原作者一起评论 [ 点击前往获取链接 ]

-- gReader Pro 

2024年1月29日 星期一

Inpaint-web 本地運行,用瀏覽器就能進行圖片去除物件、圖片放大功能

Inpaint-web 本地運行,用瀏覽器就能進行圖片去除物件、圖片放大功能

https://www.kocpc.com.tw/archives/531957

出遊拍照時,很多人都會希望自己的照片沒有其他陌生人入鏡,但這是非常難的事情,尤其是在一些熱門景點,而為了完美的照片,你可能會上 Facebook 尋求大神幫忙去除,以後不妨可以試試看這款「Inpaint-web」免費工具,用瀏覽器就能運行,無須安裝,而且是所有處理過程都在本地完成,你的照片不會上傳到任何伺服器,所以非常安全,去除物件效果也非常不錯,還提供 4 倍圖片解析度放大功能。 不過要注意是,圖片去除物件和放大都是透過 AI 模型來運算,因此處理過程會使用你的設備硬體,如果是比較舊的硬體,可能會花比較多時間處理。  Inpaint-web 本地運行,用瀏覽器就能進行圖片去除物件、圖片放大功能  點我前往 Inpaint-web  Inpaint-web 是開源免費工具,有在 GitHub 分享專案,有興趣的人可以去看看, 點擊上方連結進到 Inpaint-web 後,首次會需要下載 AI 模型,檔案不大,記得才 70MB 左右而已。下載完成後,會進到下圖這個頁面,接著就可以把你要去除物件或放大的圖片拖曳進來,下方也有幾張範例圖片可以使用:  接著就會進到後製介面,沒有任何上傳過程。阿達這張照片背景有很多路人,我嘗試看看用這工具來去除。左下角可以調整筆刷大小,就把要去除的物件畫起來,每畫完一次都會立即處理,不用等全部畫完才處理,這點相當不錯:  像這樣,把要去除的物件畫起來,人物、物體都可以,建議畫精準一點,效果會比較好:  畫完之後,就會出現這畫面,顯示「正在處理中,請耐心等候…」,速度快慢就看你的設備硬體,像我還蠻快的,幾秒鐘就完成,我電腦是 i5-13600K + RTX 3080 顯卡,提供給你參考:  原本右邊的人就消失了,而且相當自然:  下面就是我把其他人都去除掉的最終照片,我沒有太仔細去畫,就大概畫一下而已,整個過程僅花不到一分鐘,就能獲得這張照片,真的很不錯。以後有任何照片或圖片想要去除物件,用這工具就好了,不用再尋求大神。當然,如果是太複雜的照片,可能效果就沒這麼好:  最上方這一排還會紀錄每個去除過程,意味著如果你有不滿意的地方,可以隨時復原,相當方便:  還有提供這種滑桿瀏覽編輯前後的功能:  圖片放大功能首次使用也需要下載模型,也是 70MB:  點擊下方 4 倍放大,就會立刻放大圖片,但比較奇怪是,我有嘗試過兩三張圖片失敗,有些就可以,不確定是什麼原因。如果有放大成功,上方會有編輯記錄:  放大部分效果我覺得還好,照片品質會變得很平滑,不是那麼真實。左邊是原照片,右邊是放大後的照片:  確實是放大四倍:

-- gReader Pro 

RAG 是什麼?就像是大型語言模型的「小抄」

RAG 是什麼?就像是大型語言模型的「小抄」

https://www.inside.com.tw/article/33991-what_is_rag

RAG(Retrieval-Augmented Generation)是近年來在自然語言處理領域嶄露頭角的一種模型,結合了檢索(Retrieval)和生成(Generation)兩種技術,由於在生成文本的過程中利用了外部知識來源,可以帶來更深入和準確的文本理解能力以及更高品質、更具相關性的生成結果。RAG 是一張給 LLM 看的「小抄」RAG 的工作流程如下:首先,模型會接收到一個輸入提示,例如一個問題或一個要求。然後,模型會使用其訓練資料來生成一個搜尋查詢。接下來,模型會使用搜尋引擎來搜尋與查詢相關的資訊。最後,模型會使用搜尋結果來生成一個回應。你可以想像 RAG 是一本龐大的字典,而這本字典具有獨特的功能,不僅可以查詢現有的詞彙解釋,還能夠在字典中找到相關詞條,這些詞句提供了更多的上下文和相關資訊。除此之外,這個字典還具有一個即時造句的功能,能夠根據你的提問,即時造出精確、有邏輯的例句。當你提出一個問題(輸入文本)時,檢索模組就像是在字典中查找詞條一樣,從中提取相關的訊息片段,這些片段就好比是字典中的定義和例句。透過這樣的檢索,模型能夠快速而精準地找到與問題相關的內容。這些檢索到的訊息片段就像是字典中的詞條,它們被送入生成模型,就像是將這些詞條提供給一位即時造句的專家。生成模型運用這些訊息,以更精確且有邏輯的方式生成回答、文章或其他形式的內容,就像是即時造句的專家能夠根據給定的詞彙組合出有意義的句子一樣。RAG 的雙重功能就好比是擁有一本字典,或一張給 AI 看的小抄,它不僅能提供靜態的定義和解釋,還能根據具體情境即時生成具有邏輯性和相關性的內容。RAG 的原理與進行方式是什麼?可以解決什麼困難?RAG的基本結構包括一個生成器(generator)和一個檢索器(retriever)。生成器負責生成文本,而檢索器則用來檢索與生成相關的外部知識。檢索(Retrieval): 在這一階段,RAG 模型使用檢索模型,通常是一個檢索式記憶體網絡(Retriever),從龐大的資料庫中檢索相關訊息。這個模組能夠根據輸入的提示或查詢,從文本資料庫中找到相關的資訊片段。檢索模組的目標是確保提取的資訊與輸入文本有高度的相關性和完整性。 生成(Generation): 獲取到的檢索資訊接著被傳遞到生成模組中,通常是一個語言生成模型(如 GPT,BERT 等)。生成模組利用這些檢索到的資訊,以更有邏輯和意義的方式生成回答、文章或其他形式的內容。這讓模型能夠更好地理解檢索到的上下文資訊並生成更精確的回應。 整合和調整(Integration and Adjustment): 檢索到的資訊片段會與生成模型中的內部資訊相互結合,以產生最終的輸出。這個過程可能包括整合檢索到的訊息以及根據生成模型的內部機制進行調整,以確保生成的內容具有合適的邏輯和完整性。RAG 模型的關鍵在於將檢索和生成兩個關鍵步驟無縫結合起來,以提供更深入和更準確的文本理解能力,這種結合檢索和生成的方法有助於克服傳統生成模型在處理「特定主題」或「需要特定知識的任務」時的困難,提高了生成文本的準確性和內容的相關性。對於開發者和企業來說,RAG 有何優勢?對於開發者或企業來說,RAG 也更「經濟實惠」。這是因為聊天機器人的開發,通常是從使用基礎模型(FM)開始的,但是為企業或領域特定資訊重新訓練 FM 的運算成本和財務成本都很高。因此,RAG 被視為是一種更加經濟實惠的方法,以將新資料引入 LLM 之中。此外,使用 RAG,開發者也能對 AI 模型的資料來源具有更高的控制權。若在企業內部使用,則可以將敏將敏感資訊擷取限制為不同的授權層級,並確保 LLM 對適當的人產生適當的回應。RAG 常見的應用有哪些?RAG 在資訊檢索(Information Retrieval)主要有幾個優勢,包括提高準確性和可靠性、提高相關性、提高多樣性等。以下也列舉數個常見 RAG 應用案例:問答系統(QA Systems):RAG 可以幫助模型從大量的文本數據中找到與問題相關的答案,並生成結構化的回應。例如,如果使用者問:「台灣的首都是哪裡?」,RAG 可以從搜尋結果中找到「台北」這個答案,並生成「台灣的首都是台北」這個回應。 文本摘要(Text Summarization):RAG 可以幫助模型生成更加簡潔和準確的摘要。例如,如果要將一篇文章摘要為 100 字,RAG 可以從搜尋結果中找到文章的關鍵資訊,並生成這個摘要,對於需要將大量資訊壓縮成簡要概括的應用場景非常有用。 對話系統(Dialogue Systems): 在智能對話系統中,RAG 可以幫助模型生成更加資訊豐富和有用的回應。例如,如果使用者問:「台北的天氣怎麼樣?」,RAG 可以從搜尋結果中找到台北當天的天氣資訊,並生成「今天台北的天氣晴朗,氣溫為 25 度」這個回應。RAG 不是萬靈丹,可能有反效果雖然 RAG 看似能讓 LLM 表現的更好,但也存在一些缺點。以下列舉數個例子:計算資源需求高: RAG 模型通常需要大量的運算資源,特別是在檢索模組需要處理大型資料庫的情況下。這可能使得實際應用中的部署變得更為困難,尤其是在資源受限的環境中,可能在即時應用中產生延遲。 檢索模組不準確: 檢索模型的性能直接影響到整個模型的表現。如果檢索模型無法精確提取最相關的資訊,將影響生成模型的輸出品質,使其產生不準確或無意義的結果,因此,模組的性能高度依賴檢索模型的品質與能力。 過度依賴檢索: RAG 模型可能在某些情況下過度依賴檢索,而忽視生成模型的能力。這可能導致生成的內容過於依賴檢索到的資訊,失去一些創意和多樣性。此外,RAG 模型通常使用事先構建的檢索模型,這意味著在模型的運行過程中檢索的資訊是固定的。這可能導致模型對於動態或即時更新的知識庫的適應能力較差。 難以解釋性: 由於 RAG 模型的複雜性,其內部運作可能難以解釋。這使得難以理解模型如何進行檢索和生成,對模型的可信度和可解釋性提出挑戰。這對一些應用場景,如醫學或法律領域,可能是一個挑戰,另生成模型的黑盒特質,也可能對於一些需要高度解釋性的應用,如決策支援系統來說,可能不夠理想。 處理長文本有困難: 對於長篇文本,檢索-生成的過程可能變得複雜且效率低下(考量到運算資源)。如何將檢索到的多個知識片段組織成一個有組織且具有一致性的生成文本,是一個需要解決的問題。責任編輯:Sisley核稿編輯:Jocelyn快加入 INSIDE Google News 按下追蹤,給你最新、最 IN 的科技新聞!延伸閱讀:訓練 Bard 全靠自家 TPU!為何 Google 要增加 AI 數學能力?開發者親自解答晶片、模型、消費性產品全包!AWS 的生成式 AI 戰略是什麼?Bill Gates 採訪 Sam Altman:巨型 AI 該像核能一樣接受管理OpenAI 針對美國大選開鍘首例!暫停提供 GPT-4 給民主黨總統候選人模仿網站 本文初稿為 INSIDE 使用 AI 撰寫並編輯。

-- gReader Pro 

观点 | Unix 桌面:在 Linux 问世之前

观点 | Unix 桌面:在 Linux 问世之前

https://linux.cn/article-16592-1.html?utm_source=rss&utm_medium=rss

仅仅开源还不足以实现开放,还需开放标准和建立共识。  现在,由于有了安卓和 ChromeOS,Linux 已成为重要的终端用户操作系统。但在 Linux 之前,Unix 桌面起着重要的作用,尽管大多数并未留存至今。 追溯至 1993 年,我在 《PC Magazine》上做了一篇 Unix 桌面的特性评测。是的,在我成为 Linux 桌面用户之前,我是 Unix 的使用者。自从 1979 年 2BSD Unix 出现以来,我就是 Unix 的忠实拥趸。到了 1993 年,Unix 桌面繁多,我成功说服我们的杂志让我试用它们。 我和我的团队评测了来自 Consensys、Dell、Interactive Unix、SCO、Univel、昇阳Sun,和 NeXT 的 Unix 版本。我们也注意到了来自 UHC、Microport 和其它公司的 Unix,但没有进行评测。我相信你们中的大多数人都未曾听说过这些。 那 Linux 呢?那时候,Linux 已经问世,而且我也使用过。但当时最先进的 Linux 发行版是 Softlanding Linux System(SLS),我无法说服编辑们 —— 或者说我自己,认为它是值得评测的。我本可以评测的第一个版本是 Slackware,它至今仍在我们身边,但在那时候,它的发布日期还有数月之遥。 现如今,只有 Dell 仍然存在,不过它之所以至今仍在业界,不完全是因为它的 System V Release 4(SVR4)Unix 发行版。然而,那些早期的 Unix 桌面中,仍有一个仍然活跃健康,且运行在大约 四分之一的桌面 上。 那个操作系统,当然,就是 macOS X,它是 NeXT 的 NeXTSTEP 的直接后裔。你可以说基于多线程、多进程微内核操作系统 Mach、BSD Unix,和开源的 Darwin 的 macOS,是所有 Unix 操作系统中最成功的。 但在当时看来,情况并非如此。并不是因为 Windows 比 Unix 更好。在 1993 年,可以称作 Unix 的竞争对手的只是 Windows 3.1 和 NT 3.1。 特别是 NT,在那时,它只能算是个笑料级别的服务器操作系统。直到 Windows NT 3.5 发布后,NT 才开始变得重要。 Windows 击败 Unix 的原因多种多样。其中最重要的一点就是微软确保所有硬件和软件供应商要么与它对齐,要么就无法 使用 Windows 或微软 Office。 那个时候,这是个极其重要的问题。我们如今看待 Mac,通常将其视为等同于或者超过 Windows PC 的竞争对手。但那个时期的情况并非如此。史蒂夫·乔布斯当时已被解雇,并且在苹果公司 1993 年的年度报告中,该公司报告显示其 净收入 已下降了97%。 然而,尽管微软的成功在很大程度上得益于其历史上的 不正当商业行为,但它并非靠不正当手段得以胜出。Unix 公司正在自我毁灭。 尽管有许多为 Unix 创立软件开发标准的尝试,但它们或者过于宽泛而无法做出实质性贡献,例如 POSIX;或者它们在 开放系统基金会Open Systems Foundation 和 Unix 国际Unix International 之间的商业联盟争端中陷入僵局,这就是著名的 Unix 战争。 在 Unix 公司忙于内斗的同时,微软正乐得财源滚滚。关键问题在于 Unix 公司无法就软件标准达成一致。独立软件开发商(ISV)需要为每一个 Unix 平台编写应用。而这些应用在桌面市场的份额都微乎其微。对开发者来说,为 SCO OpenDesktop(也被称为 OpenDeathtrap)、NeXTStep,以及 SunOS 分别编写一个版本的应用程序,从商业的角度来看,这完全没有意义。 这种情况听起来似曾相识吗?这种问题如今依旧困扰着 Linux 桌面,这也是我对诸如红帽的 Flatpak 和 Canonical 的 Snap 这样的 Linux 容器化桌面应用 如此钟情的原因。 等到双方于 1996 年最终在 The Open Group 合力和解时,已经为时已晚。Unix 在传统桌面上的市场被挤压出局,工作站基本上都变成了 昇阳微系统Sun Microsystems 的天下。 那么,Linux 是如何崭露头角的呢?实际上,相比 Unix 发行版,它有两个主要的优点。首先,它是开源的。在开源的优胜劣汰机制下,好的代码能够生存,差的代码将被淘汰。我认为 Linux 使用 GPL,这点非常关键。 毕竟,如果成功只需要开源代码,那么我们现在都应该在运行如 FreeBSD、DragonflyBSD 以及 GhostBSD 这类纯 BSD 操作系统。但是实际情况却是,虽然 BSD Unix 系统至今仍然重要,却远远比不上 Linux 的市场份额。 Linux 基金会的开源供应链安全主任 David Wheeler 解释了这个原因:BSD 许可证存在的问题在于每隔几年就会有人说:"嘿,让我们基于这个 BSD 代码 开一家公司!"他们会利用这些 *BSD 代码,某些最优秀的 BSD 开发者,然后开发出一款专有的派生产品。但作为专有厂商,他们的分支成本高昂,维护不易,因此公司最终走向破产……如此反复。 "而与此同时,GPL 通过法律约束将大型商业公司聚集在一起……他们所有人都在作出贡献,并且感到安心,因为他们知道他人也被法律要求必须同样做。这就创造了一个安全的合作区。" Linux 的另一大优势便是其领导,Linus Torvalds。有了 Torvalds 这唯一领导,Linux 规避了 Unix 陷入的内斗困境。 然而 Torvalds 的积极力量并不只在于他是一位天才开发者。尽管他的头衔可能笑称为"终生仁慈独裁者Benevolent Dictator for Life",多年来,Torvalds 已经 学会 了如何与他人和谐合作。 有些人说,Torvalds 的人缘不够好,的确,他并不宽容对待愚蠢的行为。然而,我多次参加过 Linux Plumbers 会议,他和顶尖的 Linux 内核开发者们的合作过程中,我并未见到他们之间有过什么明显的矛盾。如今的 Linux 已是一个集体的功劳。 如果 Linux 的未来全都寄托在 Torvalds 一人身上,我也会担心 Linux 的未来。Torvalds 无疑是一位杰出的人才,一个伟大的程序员,但如果这就是 Linux 成功的全部,我们就会陷入一个痛苦的问题:一场 公交车事故,就会让我们失去整个 Linux。 幸运的是,Linux 的发行者和开发者们从 Unix 的历史中汲取了教训。 他们清楚,拥有一款成功的桌面操作系统,需要的不仅仅是开源,还需要开放的标准和共识。 我们可能永远都无法迎来那个传说中的 "Linux 桌面年",但通过安卓和 Chrome OS,Linux 已然成为顶级的终端用户操作系统。经过漫长的等待,Unix 终于通过 Linux 成为了一款顶级的终端用户操作系统。 (题图:DA/c2e3142a-794b-4532-942e-1a3aea29acf6)  via: https://www.theregister.com/2024/01/27/opinion_column/ 作者:Steven J. Vaughan-Nichols 译者:ChatGPT 校对:wxy

-- gReader Pro 

[工具] Stable Audio AI 音樂生成器@商用人工智慧免費音樂創作

[工具] Stable Audio AI 音樂生成器@商用人工智慧免費音樂創作

https://funtop.tw/stable-audio/

Stable Audio AI 音樂產生器提供手機版、電腦網頁版,只要輸入關鍵字文字描述,人工智慧自動生成出各種音樂情境,每月 20 首 MP3 免費音樂,升級會員付費板就可以將音樂長度拉長到 90 秒 500 部商用授權音樂。FUNTOP資訊網『Stable Audio 免費音樂生成工具』,人工智慧製作免費音樂創作軟體。   軟體名稱:Stable Audio 語言介面:英文 軟體分類:AI 音樂免費生成器 網頁版:https://www.stableaudio.com/   之前跟大家分享過由 Google 推出的「Stable Audio AI 音樂產生器」,製作出 30、50、70 等秒數的音樂,善用「Seed」功能混音出更多變化的好聽音樂。 這次要跟大家介紹另一款也很好用的免費 AI 音樂產生器「Stable Audio」,付費後就能取得商業用途授權。  進入 Stable Audio 官網後可以綁定 Google、Email 等帳戶進行註冊。確認服務規範後,同意後才可使用服務。 使用者只需輸入提示字與關鍵字描述,越完整的內容所產生的音樂會更加符合你的需求,記得輸入英文關鍵字。  視窗欄位有提示詞對話框、提示詞庫、音樂模型、長度設定,點選「Generate」產生 AI 音樂,右側的「播放」按鈕可以線上試聽預覽。 免費方案每個月可以生成 20 首 45 秒的 MP3 音樂很夠用了,升級付費版可以拉長到 90 秒且 500 首商用授權音樂與各式音訊格式。 Stable Audio AI 音樂生成器 加入「FUNTOP粉絲團」,追蹤更多懶人包資訊

-- gReader Pro 

Winlator – 在 Android 上使用 Wine 运行 Windows 程序

Winlator – 在 Android 上使用 Wine 运行 Windows 程序

https://www.appinn.com/winlator/

Winlator 是一款在 Android 系统上通过 Wine 和 Box86/Box64 运行 Windows 程序(x86_64)的应用,继续套娃。@Appinn 前几天有一个项目:用 Docker 安装 Windows 7 到 Windows 11,无限套娃的最高境界。青小蛙以为已经是套娃届的最高境界了。 但,完全想不到,居然还能在 Android 上玩 x86_64 游戏… Winlator Winlator 使用了 Wine 和 Box86/Box64 项目,实现在 Android 设备上运行 x86_64 游戏。所谓 x86_64 就是最普通的 Windows 系统了,如今的绝大多数 Windows 都使用 x86_64 架构。 支持使用手柄。 先来看视频,在安卓上运行 Windows 游戏《辐射 3》:   获取  GitHub  使用方式 由于太过于折腾,青小蛙并没有去折腾。放一下大致的安装使用流程:  下载 Winlator 主程序(搬运:Winlator_4.0.apk) 下载 main.3.com.winlator.obb(搬运:429MB)  然后安装 .apk 程序,将main.3.com.winlator.obb文件保存到: storage/emulated/0/Android/obb/com.winlator 如果没有 com.winlator 文件夹就创建一个。 现在启动 Winlator 应用,OBB 镜像将帮你安装 PC 硬盘和操作系统的虚拟镜像。(大概需要1~5分钟) 如果您的手机使用高通骁龙 CPU,则需要打开 Winlator 中的菜单栏,然后​​进入"设置"。在"Turnip Version"下选择"23.1.6"。 从 Winlator 的菜单栏中,转到 "Containers"。点击"+"符号,就会弹出一个菜单,其中包含机器的一系列选项。除非特定游戏需要,否则不要弄乱默认值。 现在就可以安装游戏了。(以上内容参考) (该项目并不提供任何游戏镜像) 目前运行良好的游戏包括:  "Fallout 3″(辐射3) "Deus Ex Human Revolution"(杀出重围:人类革命) "Mass Effect 2″(质量效应2) "Oblivion"(上古卷轴4:湮灭) "Call of Juarez Gunslinger"(牛仔之路:枪手)   要折腾一下么? 原文:https://www.appinn.com/winlator/  ©2023 青小蛙 for 小众软件 | 加入我们 | 投稿 | 订阅指南 3659b075e72a5b7b1b87ea74aa7932ff 点击这里留言、和原作者一起评论 [ 点击前往获取链接 ]

-- gReader Pro 

Nightshade這個程式可以在藝術家作品中「下毒」,人類肉眼看不出差別,但訓練出來的AI就慘了

Nightshade這個程式可以在藝術家作品中「下毒」,人類肉眼看不出差別,但訓練出來的AI就慘了

https://www.techbang.com/posts/112808-nightshade-poison-ai

Nightshade針對文字提示與圖像之間的關聯,巧妙地改變圖像中的像素,以欺騙人工智慧模型解讀出與人類觀眾所看到的完全不同的圖像。故意毒害他人永遠不是道德上正確的。但如果辦公室裡有人一直偷你的午餐,你不會採取一些小小的報復手段嗎? 對於藝術家來說,保護他們的作品不被未經同意用於訓練人工智慧模型是一場艱苦的戰鬥。選擇退出請求和不抓取程式碼依賴於人工智慧公司的良心行事,但那些以利益至上的公司可以輕易忽略這些措施。對於大多數依賴社群媒體曝光來接取委託和其他工作機會的藝術家來說,封閉自己在離線的環境中並非一個好的選擇。 來自芝加哥大學的Nightshade(夜影)專案,透過「毒害」圖像數據,讓人工智慧模型的訓練變得毫無用處或具有破壞性,為藝術家提供了一些反擊手段。領導這個專案的電腦科學教授Ben Zhao將Nightshade比作「在你的午餐中加入辣椒醬,這樣它就不會從辦公室裡的冰箱被偷走」。 他說:「們正在展示這樣一個事實:一般來說,生成模型只是模型。Nightshade本身並不意味著是一個終結所有的、極其強大的武器來殺死這些公司。Nightshade只是用來表明這些模型是很脆弱的,並且有很多種方法可以攻擊它們。這意味著內容擁有者有方法可以提供比寫信到國會或透過電子郵件、社群媒體投訴更強硬的回應方法。」 Zhao和他的團隊並不是試圖摧毀大型人工智慧公司——他們只是試圖迫使科技巨頭為授權作品付費,而不是免費的爬取的圖像訓練人工智慧模型。 「有一個正確的方法可以做到這一點,」他繼續說道。「這裡真正的問題是關於同意,是關於補償。我們只是為內容創作者提供了一種對抗未經授權訓練的方式。」  ▲ 左:原始版本,沒有改變的《蒙娜麗莎》。 中:經過Nightshade處理後的《蒙娜麗莎》。 右圖:人工智慧「看到」的經過Nightshade處理後的《蒙娜麗莎》。  延伸閱讀:為了突顯 Midjourney訓練素材版權問題,設計師「以毒攻毒」抵制:用 AI 畫米老鼠  Nightshade針對文字提示與圖像之間的關聯,巧妙地改變圖像中的像素,以欺騙人工智慧模型解讀出與人類觀眾所看到的完全不同的圖像。這些人工智慧模型會錯誤地將「陰影」的圖像中的特徵分類,如果它們接受足夠數量的「中毒」資料的訓練,將開始產生與對應提示完全無關的圖像。研究人員在一篇目前正在同行評審的技術論文中寫道,只需不到 100 個「中毒」的樣本即可破壞穩定擴散提示。 以一頭牛懶洋洋地躺在草地上的畫作為例。 Zhao在接受採訪時說:「透過操縱和有效地扭曲這種聯想,你可以讓模型認為牛有四個圓輪、一個保險桿和一個後車箱。當它們被提示要生成一頭牛時,它們將畫出一輛大型福特卡車,而不是一頭牛。」 Nightshade團隊也提供了其他例子。未經更改的蒙娜麗莎畫像和夜影版本的蒙娜麗莎畫像對人類來說幾乎是一模一樣的,但人工智慧會將「中毒」的樣本解讀為一隻穿著長袍的貓,而不是一個女人的肖像。 在使用夜影圖像訓練模型使其看到貓之後,提示人工智慧生成狗的圖像,會產生與任何一種動物都沒有相似之處的可怕混合體。 ▲ 只需不到 100 個中毒圖像就可開始破壞提示。 延伸閱讀:紐約時報要求法院銷毀ChatGPT的AI資料集,AI在公開網路上的訓練是否屬於「合理使用」? 延伸閱讀:Meta承認使用盜版書籍訓練AI,但拒絕賠償作家  技術論文指出,這些影響會滲透到相關概念中。腐化了「奇幻藝術」提示的夜影樣本,也影響了「龍」和「Michael Whelan」的提示,後者是一位專門從事奇幻和科幻封面藝術的插畫家。 Zhao還領導了創建Glaze的團隊,這是一個掩飾工具,它扭曲了人工智慧模型「看到」和判斷藝術風格的方式,防止它模仿藝術家的獨特作品。就像Nightshade一樣,人們可能會看到一幅「上了釉」的逼真木炭肖像,但人工智慧模型會將其視為一幅抽象畫,然後在被提示生成精細木炭肖像時,會產生凌亂的抽象畫。 去年該工具推出後,Zhao在接受採訪時描述Glaze是一種作為防禦手段的技術攻擊。Zhao最近告訴媒體,雖然Nightshade不是一次「公然攻擊」,但它仍然對無視退出選項的掠奪性人工智慧公司採取進攻。OpenAI是因涉嫌侵犯版權法而面臨集體訴訟的公司之一,但它現在允許藝術家選擇退出,以免他們的作品被用於訓練未來的模型。 「這種[選擇退出]的問題是它是可能的最軟弱、最模糊的請求類型。沒有強制力,也無法迫使任何公司信守其承諾,」Zhao說。「有許多公司仍然在雷達以下低空飛行,它們比OpenAI小得多,也沒有界限。它們完全沒有理由遵守那些選擇退出的列表,他們仍然可以拿走你的內容並隨心所欲地使用。」 參與針對Stability AI、Midjourney和DeviantArt的集體訴訟的藝術家Kelly McKernan,在X上發表了他們的夜影和上釉畫作的例子。這幅畫描繪了一位女性纏繞在霓虹血管中,而像素化的相似物體則在吸取她的精華。McKernan寫道,這代表了生成式人工智慧「吞噬人類創造者的真實聲音」。  I'm terribly excited to share that "Artifact" has been Glazed and Nightshaded by @TheGlazeProject and what a perfect piece for it as well. This is a painting about generative AI cannibalizing the authentic voice of human creatives. When this image is scraped for training, well… pic.twitter.com/0VNFIyabc2 — Kelly McKernan (@Kelly_McKernan) January 14, 2024  2022 年,隨著人工智慧影像產生器向大眾推出,McKernan開始看到了與他們自己的畫作極為相似的圖像。當他們發現超過50件作品被抓取並用於訓練人工智慧模型時,他們告訴媒體,他們對創造更多藝術失去了所有興趣。他們甚至在人工智慧生成的內容中找到了自己的簽名。他們說,使用Nightshade是一種保護措施,直到出現適當的管理。 McKernan說:「就像外面有一場糟糕的暴風雨,我還是得去工作,所以我要保護自己,用一把透明的雨傘來看清前方。這不方便,我也不會停止暴風雨,但它會幫助我穿越到另一邊。它還向那些只是一味索取、毫無後果的公司傳達了一個訊息,那就是我們會反擊。」 Nightshade所做的大部分改變對於人眼來說應該是不可見的,但團隊確實指出,在色彩平坦和背景平滑的圖像上,「Nightshade 」更為明顯。這個免費下載的工具還提供了一種低強度設置,以保持視覺品質。McKernan說,雖然他們可以看出使用Glaze和Nightshade後,自己的圖像已經發生了變化,但這是因為這幅畫是他們自己畫的,所以自己看得出來,但它「幾乎無法察覺」。 插畫家Christopher Bretz在他的一幅作品中展示了Nightshade對他作品的影響,並將結果在X上發表。在Nightshade最低和默認設置下運行圖像對插畫的影響很小,但在更高設置下的變化是明顯的。 「「我整個星期都在嘗試使用 Nightshade,我打算將所有的新作品和許多較舊的線上作品集都用 Nightshade來處理」Bretz告訴說,「我知道一些數位藝術家已經有一段時間沒有上傳新作品了,我希望這個工具能給他們信心重新開始分享。」  Here is my first test image using Nightshade!I had it set to the defaults and it took ~12 minutes - about 1/3 of the 30min estimate. I will try higher render qualities next. pic.twitter.com/1VSCWxGmrx — Christopher Bretz (@saltybretzel) January 19, 2024   And this is at the lowest settings, taking ~11 min. pic.twitter.com/NBefx2zOza — Christopher Bretz (@saltybretzel) January 20, 2024   延伸閱讀:OpenAI 正面臨大量的官司,村上春樹、史蒂芬·金的盜版書都拿來訓練機器人  在理想情況下,藝術家在網路上分享作品之前應該先使用Glaze和Nightshade,團隊在部落格文章中寫道。該團隊仍在測試Glaze和Nightshade如何在同一圖像上的交互作用,並計劃發表一個整合完成、能同時做到這兩者的單一工具。在此期間,他們建議先使用Nightshade,然後再使用Glaze,以盡量減少可見影響。團隊強烈建議不要發布僅經過陰影處理而不是Glaze處理的藝術品,因為Nightshade無法保護藝術家免受模仿。 即使加入到圖像元數據中的簽名和水印也是「脆弱」的,如果圖像被更改,它們可以被移除。Nightshade所做的更改即使透過裁剪、壓縮、截圖或編輯也保持不變,因為它們會修改組成影像的像素。Zhao說,即使是顯示 Nightshade圖像的螢幕的照片,也會對模型訓練造成干擾。 隨著生成模型變得越來越複雜,藝術家面臨越來越大的壓力來保護他們的作品並打擊抄襲。Steg.AI和Imatag透過應用人眼無法察覺的水印來幫助創作者建立圖像所有權,儘管兩者都承諾保護使用者免受不擇手段的抓取。去年推出的「No AI」浮水印生成器應用水印,將人類製作的作品標記為人工智慧生成,希望用於訓練未來模型的資料集能夠過濾掉人工智慧生成的影像。還有來自Spawning.ai的Kudurru工具,它可以辨識和追蹤抓取者的IP地址。網站擁有者可以封鎖被標記的IP地址,或選擇發送不同的圖像,像是比中指。 另一款本週推出的工具Kin.art採取了不同的方法。與Nightshade和其他對圖像進行密碼學修改的程式不同,Kin掩蓋圖像的部分並交換其元標籤,使其更難用於模型訓練。 Nightshade的批評者聲稱該程式是一種「病毒」,或抱怨使用它會「傷害開源社群」。在Nightshade發表前的幾個月中,Reddit上的一個截圖中,一位Discord使用指責Nightshade進行「網路戰爭/恐怖主義」。另一位在X上意外走紅的Reddit使用質疑Nightshade的合法性,將其比作「駭客攻擊易受攻擊的電腦系統以干擾其運作」。   不要公布你的藝術作品被Nightshade處理了,讓它成為一個小小的驚喜🤗 — Paloma McClain (@palomamcclain) 2024年1月19日  認為Nightshade因為「故意干擾生成式人工智慧模型的預期用途」是非法的,正如OP所述,是荒謬的。Zhao堅稱Nightshade是完全合法的。他說,它不是「神奇地跳進模型訓練管道,然後殺死所有人」——模型訓練者是自願抓取圖像的,無論是 Nightshade處理過的還是沒有 Nightshade的,而且人工智慧公司都從中獲利。 Glaze和Nightshade的最終目標是對每一件未經許可抓取的數據造成「逐漸增加的代價」,直到在未經許可的數據上訓練模型不再可行。理想情況下,公司將不得不獲得許可並支付報酬,以訓練他們的模型。  延伸閱讀:蘋果打算花 5000 萬美元使用新聞和出版社的內容,以訓練其人工智慧  這種做法之前已有先例;Getty Images 和 Nvidia最近推出了一款完全使用Getty Images豐富的圖庫訓練的生成式人工智慧工具。訂閱客戶支付的費用取決於他們想要生成的照片數量,而用於訓練模型的攝影師將獲得訂閱收入的一部分。根據《連線》報導,報酬多少取決於攝影師的內容對訓練集的貢獻量以及以及該內容隨時間的「表現」。 Zhao澄清說他不反對人工智慧,他並不反對人工智慧,並指出人工智慧有非常有用的應用,而且在道德上並不那麼令人擔憂。在學術和科學研究領域,人工智慧的進步是值得慶祝的。儘管大多數關於人工智慧的市場炒作和恐慌實際上是指生成式人工智慧,但他說,傳統人工智慧已被用來開發新藥物和對抗氣候變化。 「這些事情都不需要生成式人工智慧。這些事情都不需要美麗的圖片,或者編造事實,或者有一個介於你和人工智慧之間的使用者介面,」Zhao說。「對於大多數基礎人工智慧技術來說,這不是核心部分。但確實是這樣,這些東西與人們的介面如此容易。大科技公司真的抓住了這一點,作為一種容易獲利並吸引更廣泛人群的方式,與那些實際具有基礎突破能力和驚人應用的更科學的人工智慧相比。」 科技領域的主要參與者大多支持人工智慧,其資金和資源使學術界相形見絀。他們沒有動力資助那些具有破壞性且不會產生任何經濟利益的計畫。Zhao堅決反對將Glaze和Nightshade變現,或將這些專案的知識產權出售給初創公司或企業。像McKernan樣的藝術家很高興能夠免除訂閱費,這種訂閱費在創意產業使用的軟體中幾乎無處不在。 「藝術家,包括我自己,處處都感到被剝削,」McKernan說。「所以當有東西免費作為資源給予我們時,我知道我們都會感激。」 Nightshade背後的團隊由Zhao、博士生Shawn Shan和幾位研究生組成,他們得到了大學、傳統基金會和政府補助的資助。但為了維持研究,Zhao承認團隊可能不得不找出一種「非營利結構」並與藝術基金會合作。他補充說,該團隊還有「更多技巧」。 「長期以來,研究都是為了研究而進行,以擴展人類知識。但我認為這樣的事情是有道德底線的,」Zhao說。「這方面的研究很重要......那些最容易受到這種影響的人,他們往往是最具創造力的,而且他們在資源方面往往得到的支持最少。這不是一場公平的戰鬥。這就是為什麼我們正在盡我們所能來幫助平衡戰場。」  延伸閱讀:Google的新聞搜尋結果,把AI生成的文章排在抄襲的真實媒體文章之前 加入電腦王Facebook粉絲團

-- gReader Pro 

2024年1月27日 星期六

Svg Doodles icon 免費獨特手繪風格 SVG 圖示下載

Svg Doodles icon 免費獨特手繪風格 SVG 圖示下載

https://free.com.tw/svg-doodles-icon/

Svg Doodles Drawings 是一個免費 SVG 圖示集,主要收錄的圖案都是手繪風格,可用來美化使用者的設計,看起來也更有趣、更獨一無二!這些圖案都是向量格式,放大縮小都不會失真,分類有線條、抽象、圓圈、箭頭和筆刷效果,點選要使用的圖示後就會將可延伸標記式語言(XML)複製到剪貼簿,快速取得該圖示程式碼,必要時使用 SVG Converter 轉檔為 PNG、JPG 等格式。  Svg Doodles Drawings 圖庫收錄的免費圖示大約有 120 個,數量並不算太多,如果喜歡類似素材,之前我介紹過另一個「208 個手繪 SVG Doodles 素材免費下載,適用於商業用途」也有其他選擇。 依照說明使用者可免費使用 Svg Doodles Drawings 網站提供的所有圖示,個人或商業用途皆可,不需要標示出處來源,唯獨禁止將圖示另外轉售。 Svg Doodles icon https://svgicon.net/ 使用教學 開啟 Svg Doodles Drawings 網站後往下拖曳會看到各種手繪的圖示素材,例如各種圈圈。  或是很常會用到的箭頭,其實要自己畫也是可以,但有現成的 SVG 圖案就更方便。  點選要使用的圖示後右上角就會顯示「SVG 已複製到剪貼簿」,貼上後就是 XML 程式碼。   值得一試的三個理由:  提供約 120 個不同手繪風格 SVG 圖示,包括線條、抽象、圓圈、箭頭等多種風格 這些圖示是 XML(可延伸標記式語言),即使放大或縮小也不會失真 所有圖示均可免費使用,無論是個人或是商業用途,也不須標示出處來源   這篇文章 Svg Doodles icon 免費獨特手繪風格 SVG 圖示下載 最早出現在免費資源網路社群,請追蹤 Google 新聞、Facebook、Twitter 或 RSS feed 獲取更多科技新知及免費資源相關介紹教學。

-- gReader Pro 

Docker跑Windows

How to Import Functions from Another Jupyter Notebook | Saturn Cloud Blog

2024年1月25日 星期四

SQL 之母 – 闯关式 SQL 自学教程|完全开源的项目,都能抄袭成这样?

SQL 之母 – 闯关式 SQL 自学教程|完全开源的项目,都能抄袭成这样?

https://www.appinn.com/sql-mother/

SQL 之母是开发者 @程序员鱼皮 在 GitHub 完全开源的一个项目,提供了完全免费的闯关式 SQL 自学教程。完全想不到居然有人只改了开发者的名字,然后就发布出来说「独立开发了一个在线 SQL 学习网站」,这是有多想不开啊? 微博网友 @晕你个大头鬼 评论道:自杀式发布。  作为一位野生开发者(完全不是开发者),青小蛙对于 SQL 的关注不多,不过之前倒是见过这个项目,完全没想起来可以介绍一下。就…趁这个机会吧。 事情是这样的,有位用户在 v2 发帖说独立开发了一个网站:  很快,就被扒皮了…  最搞笑的是,他也将代码发布在了 GitHub 上,这属于抄袭自首吗?要知道(他可能不知道啊) GitHub 试用了 git 技术,会保存每一次的所有代码提交,敲重点:每一次、所有。 然后就很尴尬的被保留了下来,对比也很简单,GitHub 官方功能 就…进行了 8 次提交,修改了 37 个文件,真的只改了自己的名字、添加了自己的统计代码还有 Logo,就没了,没了… 写到这里,青小蛙都有点不知道说什么了… 算了,故事就讲到这吧,介绍下这个项目。 —- SQL 之母 – 闯关式 SQL 自学网 开发者就起了个这样的名字 使用简单:  1)直接进入主页,左侧是教程和题目区域,请先完整阅读 2)在右上区域编写 SQL 代码做题,点击运行提交结果 3)可以通过右下的题目助手区域帮助自己做题 4)执行结果正确后,可以进入下一关   来看视频吧:   就没什么可说的吧,这种内容,就真的属于那种「互联网上的免费资源」,「有网就能用」的那种。 获取  GitHub(你可以用这些代码搭建一个下面地址的网站,完全一样) 在线演示(http 站点)  目前唯一比较尴尬的是 @程序员鱼皮 这个正经的在线演示站点 https 证书不知道是没做还是过期了,反正显示不安全。 就这样吧,这事挺搞笑的,但这个项目是个好项目。  原文:https://www.appinn.com/sql-mother/ 相关阅读SQLite Database Browser – 轻量数据库编辑用 gVim 编辑任意窗口的文字[AHK]Zimu英语 – 21 部美剧,140W 句台词,找到地道的英语表达方式[微信小程序]两个 CSV 小工具微软的 150 款免费软件[部分,待更新] ©2023 青小蛙 for 小众软件 | 加入我们 | 投稿 | 订阅指南 3659b075e72a5b7b1b87ea74aa7932ff 点击这里留言、和原作者一起评论 [ 点击前往获取链接 ]

-- gReader Pro 

2024年1月24日 星期三

芥川奖得主使用 ChatGPT 辅助写作

芥川奖得主使用 ChatGPT 辅助写作

https://www.solidot.org/story?sid=77206

1 月 17 日日本文学振兴会主办的第 170 届芥川奖和直木奖评选会在日本东京筑地的日料店"新喜乐"举行。九段理江(33岁)的小说《东京都同情塔》(《東京都同情塔》,《新潮》2023年12月刊)获得芥川奖,河崎秋子(44岁)的《相残》(《ともぐい》,新潮社出版)和万城目学(47岁)的《八月的御所运动场》(《八月の御所グラウンド》,文艺春秋出版)获得直木奖。《东京都同情塔》以另一个世界的东京为舞台,该世界的东京按照现实中作废的建筑师扎哈·哈迪德(Zaha Hadid)的方案建造了新国立竞技场。作品中出现了主人公与 AI 对话的场面。据九段理江介绍,她在写作过程中实际使用到了生成式 AI,作品中 5% 左右的内容采用了生成式 AI 如 ChatGPT 生成的句子。她同时称,"今后打算与 AI 友好相处,希望能借助 AI 来发挥自己的创造性"。  https://cn.nikkei.com/politicsaeconomy/politicsasociety/54612-2024-01-18-11-10-21.html

-- gReader Pro 

Serving Static Files - hapi.dev

2024年1月23日 星期二

SQLite 3.45 发布,添加对 JSONB 格式支持

SQLite 3.45 发布,添加对 JSONB 格式支持

https://www.oschina.net/news/276404/sqlite-3-45-released

SQLite 3.45 已发布。  SQLite 是一个 C 语言库,实现了一个小型、快速、独立、高可靠性、全功能的 SQL 数据库引擎。SQLite 是世界上使用最多的数据库引擎。SQLite 的源代码属于公共领域,每个人都可以免费使用,用于任何目的。  新版本重写了所有 JSON 函数,改为新的内部解析树格式 JSONB。JSONB 格式可以序列化并存储在数据库中,避免在使用 JSON 值时,还需要进行不必要的重复解析。因此通过支持 JSONB,SQLite 在处理 JSON 数据时能够更高效灵活。 此外,JSONB 保留所有旧功能,并且所有 JSON 函数也可以接受 JSONB 二进制内容。 SQLite 承诺其生成的 JSONB 格式良好,但是由于 JSONB 本质上就是一个 BLOB,因此可能存在格式不正确的 JSONB,而 SQLite 在处理格式不正确的 JSONB,就可能出现不同行为,从而发生错误。不过 SQLite 也保证,格式错误的 JSONB 永远不会导致内存错误或是类似问题,也不会出现系统漏洞。 详情查看 SQLite 重写了 JSON 函数 —— 推出 JSONB

-- gReader Pro 

TeknoAXE 免版稅音樂:2000+ 免費下載曲目,創用 CC 授權適合商業使用

TeknoAXE 免版稅音樂:2000+ 免費下載曲目,創用 CC 授權適合商業使用

https://free.com.tw/teknoaxe/

TeknoAXE 是一個提供免版稅音樂(Royalty Free Music)的免費音樂網站,網頁看起來很陽春,很像十年前會出現的設計風格,從 TeknoAXE 可以找到超過 2000 首以創用 CC 姓名標示授權釋出的音樂,直接線上播放預覽後即可下載 MP3 音樂檔,無論是商業或非商業用途皆可使用,不必擔心會出現違反註冊權的問題,即使是開啟盈利的 YouTube 影片也適用。  TeknoAXE 以音樂類別進行分類,包括常見的科技、貝斯、電子樂、鼓、慢節奏、搖滾、金屬、放克、交響樂團、戲劇、懸疑、恐怖、喜劇、打擊樂器、鋼琴、循環音樂、預告或是一些節日相關音樂,使用者可以在網頁上進行播放、下載為 MP3 音樂格式自由使用。 音樂使用的是 CC 授權,如果使用時必須標示姓名,但可以自由分享、修改音樂素材,例如重混、轉換或是剪輯,商業使用也沒有問題。 值得一提的是 TeknoAXE 本身有 YouTube 頻道,有些音樂也會上傳到 Spotify、iTunes 等平台,若覺得網站在瀏覽或搜尋上不是很方便,建議從 YouTube 播放清單進行瀏覽,每個音樂影片頁面都會有下載鏈結,可快速回到 TeknoAXE 網站下載音樂檔案。 TeknoAXE https://teknoaxe.com/Home.php 使用教學 STEP 1 開啟 TeknoAXE 網站後先從選單找到要瀏覽的音樂分類,分類大致上還算簡單,沒有搜尋功能。  STEP 2 接著就會從分類下方看到很多影片(TeknoAXE 是將音樂製作成影片上傳 YouTube),點選後就會進入音樂頁面,一樣從左上角 YouTube 點選播放預覽音樂,另外,右上角也會標示音樂的授權方式,這些音樂都以創用 CC 姓名標示授權釋出,使用音樂時必須標示作者為 TeknoAXE 。  從音樂頁面點選左上角下載按鈕(如下圖紅色箭頭位置)即可保存為 MP3 檔,TeknoAXE 有些音樂還會在串流音樂平台 Spotify 上架。  STEP 3 如果開啟 TeknoAXE 的 YouTube 音樂頁面,會看到音樂使用的授權為創用 CC 姓名標示。  其實從 TeknoAXE 的 YouTube 頻道也能找到音樂,依照播放清單進行分類,相較於網站來說更好找,每個影片下載的介紹就會有「Download Music」下載音樂的鏈結。   值得一試的三個理由:  TeknoAXE 提供超過 2000 首免版稅音樂,包括科技、搖滾、電子等各種類型 所有音樂均以創用 CC 姓名標示授權發布,無論商業或非商業用途皆可放心使用 透過 TeknoAXE 的 YouTube、Spotify 或 iTunes 也能找到相關音樂   這篇文章 TeknoAXE 免版稅音樂:2000+ 免費下載曲目,創用 CC 授權適合商業使用 最早出現在免費資源網路社群,請追蹤 Google 新聞、Facebook、Twitter 或 RSS feed 獲取更多科技新知及免費資源相關介紹教學。

-- gReader Pro 

Distributed Machine Learning Patterns | 【第 117 期|本期新書】 你如何描述你的工作?在技術崗位的軌道上持續成長,透過具體行動發揮影響力

Distributed Machine Learning Patterns | 【第 117 期|本期新書】 你如何描述你的工作?在技術崗位的軌道上持續成長,透過具體行動發揮影響力

https://vw87zqlw.r.ap-northeast-1.awstrack.me/L0/https:%2F%2Fwww.tenlong.com.tw%2Fproducts%2F9781617299025/2/0106018d345bc301-cf28ad07-fc48-413f-9175-bd7608c2aaac-000000/-C93dkLulH7eUp_-hkMZSw9DBJQ=142

Distributed Machine Learning Patterns This book reveals best practice techniques and insider tips for tackling the challenges of scaling machine learning systems. more  https://vw87zqlw.r.ap-northeast-1.awstrack.me/L0/https:%2F%2Fwww.tenlong.com.tw%2Fproducts%2F9781617299025/2/0106018d345bc301-cf28ad07-fc48-413f-9175-bd7608c2aaac-000000/-C93dkLulH7eUp_-hkMZSw9DBJQ=142 商品描述  Practical patterns for scaling machine learning from your laptop to a distributed cluster. Distributing machine learning systems allow developers to handle extremely large datasets across multiple clusters, take advantage of automation tools, and benefit from hardware accelerations. This book reveals best practice techniques and insider tips for tackling the challenges of scaling machine learning systems. In Distributed Machine Learning Patterns you will learn how to:  Apply distributed systems patterns to build scalable and reliable machine learning projects Build ML pipelines with data ingestion, distributed training, model serving, and more Automate ML tasks with Kubernetes, TensorFlow, Kubeflow, and Argo Workflows Make trade-offs between different patterns and approaches Manage and monitor machine learning workloads at scale   Inside Distributed Machine Learning Patterns you'll learn to apply established distributed systems patterns to machine learning projects--plus explore cutting-edge new patterns created specifically for machine learning. Firmly rooted in the real world, this book demonstrates how to apply patterns using examples based in TensorFlow, Kubernetes, Kubeflow, and Argo Workflows. Hands-on projects and clear, practical DevOps techniques let you easily launch, manage, and monitor cloud-native distributed machine learning pipelines. Purchase of the print book includes a free eBook in PDF, Kindle, and ePub formats from Manning Publications. About the technology Deploying a machine learning application on a modern distributed system puts the spotlight on reliability, performance, security, and other operational concerns. In this in-depth guide, Yuan Tang, project lead of Argo and Kubeflow, shares patterns, examples, and hard-won insights on taking an ML model from a single device to a distributed cluster. About the book Distributed Machine Learning Patterns provides dozens of techniques for designing and deploying distributed machine learning systems. In it, you'll learn patterns for distributed model training, managing unexpected failures, and dynamic model serving. You'll appreciate the practical examples that accompany each pattern along with a full-scale project that implements distributed model training and inference with autoscaling on Kubernetes. What's inside  Data ingestion, distributed training, model serving, and more Automating Kubernetes and TensorFlow with Kubeflow and Argo Workflows Manage and monitor workloads at scale  About the reader For data analysts and engineers familiar with the basics of machine learning, Bash, Python, and Docker. About the author Yuan Tang is a project lead of Argo and Kubeflow, maintainer of TensorFlow and XGBoost, and author of numerous open source projects. Table of Contents PART 1 BASIC CONCEPTS AND BACKGROUND 1 Introduction to distributed machine learning systems PART 2 PATTERNS OF DISTRIBUTED MACHINE LEARNING SYSTEMS 2 Data ingestion patterns 3 Distributed training patterns 4 Model serving patterns 5 Workflow patterns 6 Operation patterns PART 3 BUILDING A DISTRIBUTED MACHINE LEARNING WORKFLOW 7 Project overview and system architecture 8 Overview of relevant technologies 9 A complete implementation  商品描述(中文翻譯)  從筆記型電腦擴展到分散式集群的實用機器學習模式。 分散式機器學習系統使開發人員能夠處理跨多個集群的極大數據集,利用自動化工具並受益於硬件加速。本書揭示了擴展機器學習系統的挑戰的最佳實踐技巧和內部貼士。 在《分散式機器學習模式》中,您將學習如何: 應用分散式系統模式來構建可擴展和可靠的機器學習項目 使用數據輸入、分散式訓練、模型服務等構建機器學習流程 使用Kubernetes、TensorFlow、Kubeflow和Argo Workflows自動化機器學習任務 在不同模式和方法之間進行權衡 管理和監控大規模機器學習工作負載 在《分散式機器學習模式》中,您將學習如何將已建立的分散式系統模式應用於機器學習項目,並探索專為機器學習而創建的尖端新模式。本書以TensorFlow、Kubernetes、Kubeflow和Argo Workflows為基礎,以真實世界為根基,通過實例演示如何應用模式。通過實踐項目和清晰實用的DevOps技術,您可以輕鬆啟動、管理和監控基於雲的分散式機器學習流程。 購買印刷版書籍可獲得Manning Publications提供的PDF、Kindle和ePub格式的免費電子書。 關於技術 在現代分散式系統上部署機器學習應用程序將關注可靠性、性能、安全性和其他運營問題。在這本深入指南中,Argo和Kubeflow的項目負責人Yuan Tang分享了有關將機器學習模型從單一設備轉移到分散式集群的模式、示例和寶貴見解。 關於本書 《分散式機器學習模式》提供了設計和部署分散式機器學習系統的數十種技術。您將學習分散式模型訓練、處理意外故障和動態模型服務的模式。您將欣賞到每個模式附帶的實例以及一個實現在Kubernetes上自動縮放的分散式模型訓練和推理的完整項目。 內容簡介 數據輸入、分散式訓練、模型服務等 使用Kubeflow和Argo Workflows自動化Kubernetes和TensorFlow 管理和監控大規模工作負載 讀者對象 對於熟悉機器學習基礎知識、Bash、Python和Docker的數據分析師和工程師。 關於作者 Yuan Tang 是Argo和Kubeflow的項目負責人,TensorFlow和XGBoost的維護者,並且是許多開源項目的作者。 目錄 第1部分 基本概念和背景 1 分散式機器學習系統簡介 第2部分 分散式機器學習系統的模式 2 數據輸入模式 3 分散式訓練模式 4 模型服務模式 5 工作流模式 6 運營模式 第3部分 構建分散式機器學習工作流程 7 項目概述和系統架構 8 相關技術概述 9 完整實現  作者簡介  Yuan Tang is currently a founding engineer at Akuity. Previously he was a senior software engineer at Alibaba Group, building AI infrastructure and AutoML platforms on Kubernetes. Yuan is co-chair of Kubeflow, maintainer of Argo, TensorFlow, XGBoost, and Apache MXNet. He is the co-author of TensorFlow in Practice and author of the TensorFlow implementation of Dive into Deep Learning.  作者簡介(中文翻譯)  Yuan Tang目前是Akuity的創始工程師。之前他在阿里巴巴集團擔任高級軟體工程師,負責在Kubernetes上建立AI基礎設施和AutoML平台。Yuan是Kubeflow的聯合主席,也是Argo、TensorFlow、XGBoost和Apache MXNet的維護者。他是《TensorFlow in Practice》的合著者,也是《Dive into Deep Learning》中TensorFlow實現的作者。

-- gReader Pro 

2024年1月21日 星期日

『葬送的芙莉蓮』公式書

『葬送的芙莉蓮』公式書

https://www.facebook.com/768893104808491/posts/932767418421058

(Feed generated with FetchRSS)

-- gReader Pro 

海尔要求开源开发者从 GitHub 移除插件 Home Assistant

海尔要求开源开发者从 GitHub 移除插件 Home Assistant

https://www.solidot.org/story?sid=77179

海尔向一位开源开发者发出律师函,要求从 GitHub 上移除其维护的插件 Home Assistant。Home Assistant 是一个开源家庭自动化平台,允许用户从一个集中式的界面控制和自动化智能家居设备。它支持控制海尔、Candy 和 Hoover 的空调、净化器、洗碗机、电磁炉、烤箱、冰箱、洗衣机和烘干机。海尔的律师声称该开源插件给公司造成了重大财务损失,违反了版权法,要求将其删除以免面临法律诉讼。此事引发了部分用户的强烈不满,呼吁抵制海尔的产品。开发者 Andre Basche 表示将在数天内下架插件。  https://www.bleepingcomputer.com/news/security/haier-hits-home-assistant-plugin-dev-with-takedown-notice/ https://github.com/Andre0512/hOn

-- gReader Pro 

「Photor」線上美化截圖免費工具,讓你的截圖變得更精緻、不再單調

「Photor」線上美化截圖免費工具,讓你的截圖變得更精緻、不再單調

https://www.kocpc.com.tw/archives/530483

進行畫面截圖時,很多人一定會希望自己的截圖能夠變得更佳精緻、美化,這時「Photor」就是很不錯的選擇,一款專為美化截圖而生的免費獻上工具,有中文介面,除了能為截圖添加高質感的背景、陰影、圓角和浮水印等之外,也提供編輯功能,像是添加箭頭、文字、框框等,幾乎可說是所有截圖你可能需要的後製功能,這款都有。  「Photor」線上美化截圖免費工具,讓你的截圖變得更精緻、不再單調  點我前往 Photor  點擊上方連結進到 Photor 網站後,點擊「開始使用」,來匯入你要編輯的截圖圖片。另外這款也有提供瀏覽器擴充功能,支援 Chrome 和 Edge,有需要的人可以試試:  點擊右邊的「加載一幅本地圖片」,或貼上剪貼簿的圖片也行:  讀入圖片後,就調整你想要的設置,像是外側背景的邊框框度、截圖是否要有圓角、截圖與背景要不要顯示陰影:  還能為截圖加入視窗外框,有 macOS Light 和 macOS Dark 兩種:  加上視窗外框後,質感其實就提升不少,這蠻推薦大家用的:  浮水印部分目前僅支援文字,在內容框框理輸入你要的浮水印文字,如:你的網站名稱之類,然後選擇顏色、文字大小、角度和是否要只顯示在背景上:  打開浮水印上方的開關後,就會看到你的截圖出現浮水印。比較可惜是浮水印樣式目前只有一個,:  如果覺得截圖上太多浮水印文字,可以打開「只顯示在背景上」,這樣就會變少很多:  接著就看你需不需要加入文字、箭頭、線條之類,有需要的話,這些編輯功能位於左側,而且顏色、寬度部分都能修改:  連 Emoji 都有,這個還蠻不錯的,很少看到線上編輯工具有提供 Emoji 選項。把 Emoji 加入截圖後,圖片立即生動起來:  都處理好之後,按右上角的保存就能下載下來,提供 JPG 和 PNG 兩種格式。另外也支援複製到剪貼板功能:  下圖就是我用這款 Photor 線上工具快速後製的截圖,真的蠻好用的,整個過程不到一分鐘就完成。對於經常需要使用截圖的人,很推薦收藏起來:  另外我也有測試這款提供的擴充功能,目前只有 Chrome 版,Edge 也能安裝。Photor 擴充功能多了截圖功能,有「區域截圖」和「整個頁面」兩種選項,前者可以手動選取範圍,但不知道是不是我用 Edge 關係,這功能卡卡的,常常不能正常運行。「整個頁面」就沒問題,截圖完後會自動進到 Photor 的後製頁面。 根據網站說明,所有後製動作都是在瀏覽器中運行,意味著截圖不會上傳到任何伺服器上。

-- gReader Pro 

2024年1月20日 星期六

嫌救護車太吵? 急診醫生沒醫德? 要確定欸! @drjason6979 - YouTube

https://www.youtube.com/watch?v=5q4smYMtAsU

急診室
四個小時
發燒
點滴
應該是還好啦

html-to-docx - npm

梦源黑体宋体 - “思源升级版”免费中文商用字体 (更多字重 / 解决行高居中问题)

梦源黑体宋体 - "思源升级版"免费中文商用字体 (更多字重 / 解决行高居中问题)

https://www.iplaysoft.com/dream-han-sans-serif.html

思源黑体、思源宋体 是无比经典的开源免费可商用的中文字体系列,由 Adobe 和 Google 联合共同打造,可免费用于几乎任意领域,实用性爆棚,几乎是每位设计师必备的字体之一。然而,思源字体一直有些"小瑕疵"兼容问题,在主流 UI 设计软件如 MasterGo、PS、Figma 中,其中文行高特别高,导致文字整体偏下。即使设计软件里设置了居中,但显示依然会跑偏。而「梦源黑体/宋体」这款基于思源系列优化修改而来的更完美的无 Bug 字体应运而生……梦源黑体/宋体 - 比思源系列更好的免费商用中文字体 「梦源黑体 / 宋体」是由一位名为"梦回琼华"的工程师在思源系列可变字体的基础上修改优化而来,同样是开源免费可商用字体。全新版本的「梦源黑体 3.0」不仅完美修复了思源系列广泛存在的行高过大无法居中问题,而且字重 (粗细) 也由之前的 7 种增加到了 27 种!梦源系列字体 (黑体/宋体) 提供了 W1 - W27 共计 27 字重,可以让你在做各种设计时,能有更丰富的字体粗细可以选择。加上这套字体开源免费,无论是字迹的清晰度辨识度都非常高,因此无论是用与长篇幅的文档阅读、制作 PPT,还是用在艺术、平面设计类作图作品都非常好用。梦源系列字体(修正行高居中问题): 所以不管你是普通办公用户还是设计师,梦源这套解决了行高居中问题的"优化版字体"相比原版的思源字体更值得我们下载收藏备用。梦源黑体和梦源宋体的 27 种字重粗细效果演示:可以看到,就算一些笔划很复杂的繁体字,梦源黑体和宋体的实际渲染效果还是非常清晰且易于辨认的。梦源系列字体版本下载选择以梦源黑体为例,它提供了完整版 (DreamHan Sans) 包含简繁中日韩,另外也有体积更小的简体中文版(DreamHanSansCN) 可以单独下载。异次元本站主要提供完整版和简体中文版的网盘下载地址,如你需要其他字形,可以前往官方的 GitHub 页面寻找下载。版本语言说明DreamHanSans完整版6,5535 字符,含所有语言/地区字形DreamHanSansCN大陆简体中文子集只包含简中标准字形DreamHanSansHK香港繁体中文子集只包含香港标准字形DreamHanSansTW台湾繁体中文子集只包含台湾国字标准字形DreamHanSansJP日本语子集只包含日本标准字形DreamHanSansKR韩国语子集只包含韩国标准字形,又称为"旧字形"梦源黑体、梦源宋体系列字体的技术特点:样式:W1 - W27 共计 27 字重字符集:完整版含 6,5535 字符异体字支持:简、台繁、港繁、日、韩OpenType 功能(竖排支持等):完整收录,与思源系列相同Adobe 行高:标准行高,已修复思源系列存在的行高过大问题微软 Office Style-Link:加粗按钮 B 链接黑体的 W12 与 W22 字重,及宋体 W7 与 W20 字重微软 Office 字体嵌入:支持 Word、Excel、PowerPoint 等软件的字体嵌入功能封装格式:完整版为 TrueType Collection (TTC),子集版为 TrueType (TTF)曲线格式:二次贝塞尔曲线曲线精度(UPM, units per em):2048,即原版 OpenType/CFF 三次曲线的无损转换屏显渲染策略:全字号亚像素抗锯齿(Windows 10 及更新版本)总结:这套开源免费的「梦源系列字体」包含了黑体和宋体,可以完美解决思源系列字体在各种设计软件中的一些居中对齐的问题,同时还增加了 27 种字形粗细,实用性更强。所以无论你是设计师、办公人士,还是普通用户,梦源黑体、宋体都是值得下载的一套免费可商用字体。它们既显示锐利清晰,适合阅读,又有一定的观赏性,适合用于各种设计艺术作品。相关文件下载地址官方网站:访问 软件性质:免费开源 更多字体:阿里系列免费字体 | 荣耀字体 | 小米 MiSans | 普惠体 | 鸿蒙字体 解压密码:www.iplaysoft.com下载梦源黑体 (完整版)、简中版 | 梦源宋体 (完整版)、简中版 | 更多字体 | 设计相关

-- gReader Pro 

2024年1月15日 星期一

开源日报第1074期:前端框架:《htmx》

开源日报第1074期:前端框架:《htmx》

https://openingsource.org/11511/

开源日报每天推荐一个 GitHub 优质开源项目和一篇精选英文科技或编程文章原文,坚持阅读《开源日报》,保持每日学习的好习惯。 2024年1月14日,开源日报第1074期: 今日推荐开源项目:《htmx》 今日推荐英文原文:《Dynamic Imports in React》   开源项目 今日推荐开源项目:《htmx》传送门:项目链接 推荐理由:htmx在2023年JavaScript Rising Stars"前端框架"类别中获得第二名,仅次于React; htmx使您可以直接在HTML中使用属性访问AJAX、CSS过渡、WebSockets和服务器发送事件; htmx非常小巧(~14k min.gz'd),无需依赖,可扩展,兼容IE11,并且与React相比减少了67%的代码基大小 官方直达 htmx.org  英文原文 今日推荐英文原文:Dynamic Imports in React 推荐理由:该文章讨论了在React中的动态导入,允许在运行时加载JavaScript模块,从而提高应用程序的性能和加载速度 import()函数返回一个Promise,允许异步加载模块,使用在例如代码拆分和懒加载,确保只在需要时加载必要的代码 文章还介绍了React.lazy(),用于将动态导入呈现为常规组件,以及React.Suspense(),用于在加载完成之前有条件地暂停组件的呈现,通过示例和用例说明了实际实现的方法  Dynamic Imports in React Dynamic imports in React allow you to dynamically load JavaScript modules at runtime, which can significantly improve your application's performance and load times. This technique is particularly useful for code splitting and lazy loading, ensuring that only the necessary code is loaded when needed. The\ ***import()\*** function returns a Promise that resolves to the module you want to use dynamic import.\ A normal import in JavaScript (using the\ ***import\*** statement) does not return a Promise. It's a synchronous operation and returns the exported values from the imported module.\ import React from 'react'; const AnotherComponent = () => { return <div>Another component loaded dynamically!</div>; }; export default AnotherComponent; const MyComponent = () => { const [importedComponent, setImportedComponent] = useState(null); useEffect(() => { const importComponent = async () => { const module = await import('./AnotherComponent'); const AnotherComponent = module.default; setImportedComponent(<AnotherComponent />); }; importComponent(); }, []); return ( <div> {importedComponent} <div>This is my functional component!</div> </div> ); }; ///Another Way is .../// const MyComponent = async () => { const module = import('./AnotherComponent'); const {AnotherComponent} = await module; return <AnotherComponent />; }; export default MyComponent; // when u console the export module { default: ""} is contains the all the // key value pair of the functions name as the key and the value as the // definition, with a default key if something is imported as default it // will be it's value else it will be undefined When To Use Dynamic Imports? Although dynamic imports are a great way to improve the performance of your React applications, there are better use cases for using dynamic imports in React apps.  Code Modulation: Dynamic imports can be used when there's a need for code modulation and fetching data from a server. An example can be found in server-side rendered applications. Dynamic imports can be used when components are not needed when an application is still loading. Conditional imports are an excellent use case for dynamic imports; here, a module or component is only imported on pages where they're needed and when needed in an application.  React.lazy() The React.lazy() function allows you to render a dynamic import as a regular component. Basically, React.lazy() makes a call to a dynamic import and returns a promise. import React, { lazy } from "react"; const Blog = React.lazy(() => import('./Pages/Blog')); React.Suspense() React.Suspense allows React developers to conditionally suspend the rendering of a React component until it is loaded. React.Suspense provides a fallback prop that accepts a React element which either is a JSX snippet or a React component. When users visit a page using React dynamic imports, oftentimes they experience a blank page screen, this is done while the application loads the module, this can also cause errors as a result of slow internet connectivity for some users. React.lazy() and React.Suspense when combined solves this issue for users. To do this, use React.Suspense to suspend the rendering of a component until all dependencies are lazy-loaded, React.Suspense will also display your fallback UI for the user. import React, { Suspense } from 'react'; const LazyComponent = React.lazy(() => import('./LazyComponent')); const App = () => { return ( <div> <Suspense fallback={<div>Loading...</div>}> <LazyComponent /> </Suspense> </div> ); }; export default App;  下载开源日报APP:https://openingsource.org/2579/ 加入我们:https://openingsource.org/about/join/ 关注我们:https://openingsource.org/about/love/

-- gReader Pro 

2024年1月6日 星期六

“后开源”时代已来:许可证失效、无法为普罗大众服务

"后开源"时代已来:许可证失效、无法为普罗大众服务

https://www.oschina.net/news/274168/bruce-perens-post-open-source

开源运动发起人之一 Bruce Perens 最近接受《The Register》采访,他提出了"后开源运动 (Post-Open Source movement)"概念,并表示已为此做好了准备。 Bruce Perens 解释道:"自由软件发展至今已有 50 年历史,首次宣布"开源"一词是在 30 年前。现在是时候认真审视我们一直在做的事情,看是否可以做得更好。与此同时,我们需要保护开源,因为开源将继续存在,并提供相同的规则和范式,而在开源之后出现的东西应该叫别的名字,并且永远不要试图冒充开源——我称之为后开源 (Post-Open)。"  Bruce Perens 是 "OSD(Open Source Definition)撰写者"、"OSI (Open Source Initiative )联合创始人"、"前 Debian 计划领导者"。via Bruce Perens 二三事:真正的强者,剽悍的人生  Bruce Perens 谈到了开源社区当下亟需解决的问题,比如开源许可证目前事实上已失效 (not work),因为企业发现了许可证的漏洞——他指出三分之一的付费 Linux 系统在销售时都规避了 GPL,导致 GPL 不再按照最初设计的意图那样运作。  他用红帽的 RHEL 举例,红帽在去年 6 月宣布停止按照 GPL 要求公开 RHEL 源代码。在 IBM 的控制下,RHEL 已成为专有产品,并停止分发免费的 Red Hat 分支 CentOS。此外,IBM 还禁止红帽客户共享红帽安全补丁的源代码。它也不允许员工按照 GPL 的要求向上游开源项目提供补丁。 对此 Bruce Perens 说道:"所以我觉得,IBM 已经从开源开发者社区得到了它想要的一切,而我们却看到了他们竖的中指。" 除了许可证,Bruce Perens 认为压垮开源骆驼的另一根稻草是"开源完全无法为普罗大众服务"。 在大多数情况下,普通用户是通过私有软件公司的系统如苹果 iOS 或 Google Android 使用开源软件,两者均基于开源基础设施构建,但应用程序大多是私有的。普罗大众不了解开源,也不知道开源运动所倡导的软件自由有益于他们,然而今天的开源软件却被用于监视甚至压迫用户。  延伸阅读  开源许可证亟需更新——摆脱 1980 年代束缚、应对人工智能 自由软件基金会正在消亡

-- gReader Pro 

MotionElements 免費素材庫:一站式下載影片、音樂、圖片模板

MotionElements 免費素材庫:一站式下載影片、音樂、圖片模板

https://free.com.tw/motionelements/

上次寫完「MotionElements AI 腳本產生器:快速打造完整影片場景、音樂、短片和旁白文字」工具介紹後,發現好像還沒推薦過 MotionElements 給免費資源網路社群的朋友,這是一家專為影片創作者打造的免版稅影片素材、音樂、影片模板網站,除此之外,還有音效、圖片和 GIF 素材、3D、平面設計模板和簡報等內容可以找到,資源完整,依照使用者下載的素材計價,也有提供訂閱制「無限下載」方案。  在 MotionElements 網站中使用者還能找到一些免費資源,例如在影片、音樂、音效、圖片、平面設計模板、After Effects、Premiere Pro、Apple Motion、DaVinci Resolve、使用者介面模板(UI)、Notion 和簡報模板分類都有對應的免費項目,雖然數量較少,但確實可以免費下載、獲取,有需要的朋友不妨上去尋寶、找找有沒有適合自己的素材。 接下來就簡單示範一下如何在 MotionElements 網站獲取各種免費素材,要注意的是使用素材時可能需要遵循授權規範,像是標示原作者和出處來源,除此之外,註冊一個 MotionElements 帳戶也是必要的,不過這些流程都不用額外付費,也不需設定信用卡等支付方式。 MotionElements 每週提供給免費帳戶 5 個免費素材下載額度,超過的話要等待重置。 MotionElements https://www.motionelements.com/zh-hant/ 使用教學 STEP 1 開啟 MotionElements 網站後點選上方選單「探索」,會列出網站收錄的所有素材類別。  STEP 2 接著點選任一類別,往下捲動頁面就會看到「免費素材」按鈕,例如在圖片與 GIF 素材會看到「免費圖片素材」,進入後會看到更多的免費內容,例如會有熱門下載或是各種免費素材標籤。  STEP 3 捲動到下方找到「查看更多」會開啟 MotionElements 搜尋功能,在搜尋結果左側找到「價格」勾選免費選項,如此一來就能篩選出所有免費的素材搜尋結果。  STEP 4 例如找到一張由 AI 生成、可免費下載的圖片素材,點選進入圖片頁面,會在右側顯示「下載」按鈕,也會有像是格式、尺寸大小等資訊,確認後點選「下載」即可取得該免費素材。  接著會再跳出一個畫面,再次點選「免費下載」後取得檔案,下方也會顯示使用者本週能下載的免費素材額度,每週只會有五個額度,下載時要特別留意一下,除此之外,也有加入原作者、出處來源的字樣可以直接取用。   值得一試的三個理由:  MotionElements 提供豐富的素材,包含影片、音樂、音效、圖片及平面設計模板等 不僅有免版稅的高品質素材,還有免費資源可供下載,註冊後每週可下載五個 具備中文介面,操作方式簡單、授權清楚易懂   這篇文章 MotionElements 免費素材庫:一站式下載影片、音樂、圖片模板 最早出現在免費資源網路社群,請追蹤 Google 新聞、Facebook、Twitter 或 RSS feed 獲取更多科技新知及免費資源相關介紹教學。

-- gReader Pro 

This App is blocked | App Script 問題|解決方法

2024年1月5日 星期五

科技爱好者周刊(第 285 期):为什么 PPT 不如备忘录

科技爱好者周刊(第 285 期):为什么 PPT 不如备忘录

http://www.ruanyifeng.com/blog/2024/01/weekly-issue-285.html

这里记录每周值得分享的科技内容,周五发布。 本杂志开源,欢迎投稿。另有《谁在招人》服务,发布程序员招聘信息。合作请邮件联系(yifeng.ruan@gmail.com)。 封面图  西安某小区正在新建的儿童游乐园。(via) 为什么 PPT 不如备忘录 莱克斯·弗里德曼(Lex Fridman)是一个非常有名的美国主持人,他的播客节目影响很大,很多名人都愿意上他的节目,接受专访。  12月15日的节目嘉宾,是亚马逊公司的创始人贝佐斯。他们一共谈了两个多小时。  贝佐斯已经不担任亚马逊 CEO,只留任董事会,算是半退休了,主要精力都放在他的太空旅游公司"蓝色起源"(Blue Origin)。从现场照片看,他退休后显得更年轻健壮,精力旺盛。 这个采访有很多有意思的内容,YouTube 有完整的视频。 我想分享其中一段,贝佐斯谈亚马逊是怎么开会的。 主持人问贝佐斯:"我听说亚马逊开会时,不准使用 PPT,发言人必须提交一份六页的备忘录。这是真的吗?" 这个事情一直是传闻,但这一次,贝佐斯亲口承认确实如此。"新来的人可能会大吃一惊,我们的开会方式与众不同。" "会议的前30分钟,我们是不说话的。大家在会议室中安静地坐在一起,阅读这份六页的备忘录,在空白处做笔记,过了30分钟才开始讨论。" 这真的很奇怪,你见过半个小时没人说话的会议吗? 贝佐斯解释:"你可以说,更好的做法是,大家都提前阅读这些备忘录。但问题是,人们没有时间这样做,他们参加会议只是因为必须出席。" "我们索性在会议上留出时间,让大家现场阅读材料,然后就可以进行真正高层次的讨论了,所有人都跟得上讨论的主题,不会搞不清一些基本的事实。" 那么,为什么一定要当事人提交六页的备忘录,而不是现场主讲 PPT 呢? 贝佐斯说,书面的备忘录要比 PPT 演示,效果好得多,主要有以下几点原因。 (1)PPT 的设计目的是说服,这是一种销售工具。但是在公司内部,你想要的是真相,而不是业务主管的推销。 (2)PPT 的缺点是,它对作者相对容易,对观众来说却很难抓住要点。备忘录正好相反,写好一份六页的备忘录,对于作者是很难的。 你可能需要两周的时间,先写出初稿,然后再重写,不断加工,确保你的文字是准确和可靠的。所以,备忘录对作者非常困难,但对观众就好多了,半小时的阅读就能搞清楚事情的来龙去脉,也看得出作者对这个问题的熟悉程度。 (3)备忘录可以节省会议时间。如果是 PPT 演示,高管们会不停地打断提问,结果发现答案就在下一张幻灯片。 但是,阅读备忘录时,你必须先把所有问题写在空白处,当你读到最后一页时,发现很多问题已经得到了解答,这就节省了当众提问的时间。 (4)PPT 演示过程中,主讲人也许会根据现场情况,临时决定隐藏或修改一些讲法。备忘录就没有这个问题,主讲人必须事先给出完整描述,你更能了解他的真实想法。 (5)PPT 通常只是一些要点,不是完整的句子,有利于隐藏很多草率的想法。而备忘录是完整的段落,必须有主题句,有动词和名词,你很难隐藏自己的草率思维。 备忘录迫使作者处于最佳状态,你能得到一个人真正最好的想法。如果 PPT 演示,你们可能要讨论很久,发言人才能进入最佳状态。从长远来看,备忘录节省了你的时间。 以上就是贝佐斯不允许使用 PPT 的五点理由。 我觉得这些理由很有说服力。PPT 在国内已经泛滥成灾,大家好像默认,它是开会的标准方式,缺了还不行。这真的要改一下,学习亚马逊的"备忘录开会法"----先写成文档,再进行讨论----可能是更好更正确的做法。 掘金年度技术演讲 每年年底,很多科技媒体、厂商、分析公司等等,都会发布各种科技趋势预测。 作为国内重量级的技术社区,稀土掘金每年也会发起"年终技术盘点"活动,邀请技术大咖对刚刚过去的一年进行总结,同时展望未来。这项活动受到了诸多开发者的关注。 今年,掘金将在"年终技术盘点"活动基础上,发起一场面向技术的跨年演讲,时间就是下下周的周末(1月20日),地点在深圳。目前,已经邀请到了6位主论坛嘉宾和8位闭门分论坛主理人。    掘金年度技术演讲:与开发者同行 活动时间:1月20日 活动地点:深圳·深圳湾万丽酒店 活动详情:juejin.cn   主论坛的分享嘉宾(部分)   张雷,字节跳动数据库负责人 刘群,华为诺亚方舟实验室语音语义首席科学家 堵俊平,Datastrato Founder & CEO 王楠,Jina AI 联合创始人 & CTO 黄玄,字节跨端与 Web 架构师,前 Meta React 核心成员 NVIDIA 神秘嘉宾    分论坛安排:除了精彩的主论坛,本次活动还安排了三个分论坛,涵盖了备受开发者关注的问题,方便大家互相交流。  分论坛一:开发者生态 主理人:刘道全 wisemodel 创始人、罗广明 CloundWeGo 开源负责人、苏鹏 Datawhale 上海负责人 开发者不是消耗品,而是技术专家和社会变革的推动者。如何才能构建更广泛的开发者关系,建立良性的开发者社区,更好地服务于业务和技术创新。 分论坛二:开发者机遇 主理人:郭炜 白鲸开源 CEO、宜博 宜创科技创始人 2023年我们经历了诸多宕机事件,公司推行降本增效,技术人的价值是不是被低估了?AI 时代,什么都值得被 AI 重做一遍吗?我们应该如何适应并利用新技术?各家都在出海,是不是有新的机会?开发者的新机遇在哪里。 分论坛三:掘金茶话会 主理人:张文 稀土掘金平台运营负责人、张斌 稀土掘金创作者运营、狼叔 Node.js布道者 《狼书》系列作者 掘金创作者相聚一起,共话未来,分享自己的专业知识和独特见解,探索未知。  活动现场还设置了企业展台,大家聆听干货满满的分享之余,还可以近距离与企业交流技术心得。 活动门票申请指南 主论坛门票:扫描上面海报的二维码,即可报名领取主会场门票。 分论坛门票:因为分论坛形式、场地限制,名额有限。点击报名链接申请,审核成功后即可参与。 [活动消息] 抖音基础技术分享会 抖音作为日活用户数亿的"国民 App",背后用到了哪些技术? 下周有一个难得的机会,字节官方举办技术沙龙,抖音工程师与大家见面,分享并交流抖音客户端的底层技术。  本次《抖音客户端基础技术大揭秘》技术沙龙,采用网上直播,时间是下周末(2024年1月13日~14日),有 iOS 和 Android 两场技术分享会。 1月13日(下周六)是 iOS 专场(直播间链接),1月14日(下周日)是 Android 专场(直播间链接)。每一场都安排五个讲座,以及 QA 环节,有很多精彩的抖音开发实战分享。  现在点击这个链接,或者扫描上方报名二维码,了解活动详情并免费报名。报名的同学都有机会获得,主办方准备的大量精美的字节纪念品。 科技动态 1、VR 鞋 为了让玩家在虚拟空间里面,可以真实地走动,一家英国创业公司发明了"VR 鞋"。  这种鞋子底部有履带,玩家往前走时,履带向后滚动,可以让你停留在原地。它跟跑步机的原理是一样的。 穿上这种鞋,你既在走动,又能基本停留在原地,再配合传感器将动作传入 VR 世界,就真的在虚拟空间里走动。  虽然这种鞋子有很多问题,比如不能走得太快,而且旁边最好有人看着,防止出事,另外还经常需要充电。但是它表明,技术正在一步步让 VR 世界变得越来越像真实世界。 2、飞机 WiFi 一位美国程序员乘坐飞机时,准备使用机上 WiFi,结果发现无法连接。 他很奇怪,为什么其他乘客可以?他就查看了一下报错详情,结果发现是飞机路由器无法分配给他 IP 地址。并且他发现,分配 IP 地址的 DHCP 协议,有效期为8小时(下图)。  短途航班一般就是两三个小时,这意味着,分配给上一个航班乘客的 IP 地址还没有释放,所以没有多余地址了。 他就扫描了一下局域网的客户端数量,果然最多只能容纳255个客户端,已经被全部占满了(下图)。  他跟空姐反映了这个问题,空姐熟练地在机舱前部,按下一个"互联网重置"的按钮,让 DHCP 释放所有 IP 地址,他就成功连上 WiFi 了。   他很惊奇,飞机上居然有现成的重置 DHCP 的物理按钮。看来网络服务商早就预料到了,飞机 WiFi 的 IP 地址不能及时释放的问题。 3、碳水化合物的加速作用 一项研究指出,长距离的耐力比赛中,如果你一边吃东西,一边比赛,更可能取得好成绩。  一个例子就是各种世界级的自行车耐力赛,一路上的补给点越来越多。运动员在比赛过程中不断进食碳水化合物,结果比赛的最好成绩不断提高。  研究人员指出,现在各大车队都鼓励,运动员在比赛过程中多补充葡萄糖、果糖、淀粉等碳水化合物(上图)。  上图中,运动员就在吸食一个食品包。以后,自行车、马拉松、铁人三项等耐力比赛,可能出现运动员"一路吃"的情景。 文章 1、争夺太空的拉格朗日点(英文) "拉格朗日点"指的是受到地球和太阳引力相等的位置。处于这个位置的飞行器,不需要耗费能源,就可以长期停留。这样的位置一共有五个。  本文是一家美国媒体的报道。"拉格朗日点"并没有军事价值,而且每个点其实都是一个巨大的区域,但是美国国会议员要求,美国要抢在中国前面,占据所有的拉格朗日点。 2、Wi-Fi 7 解决了什么问题(英文)  本文介绍了 Wi-Fi 7 的几个主要特点,相比前一个版本的优势在哪里。 3、负数的取模问题(英文)  计算机编程有取模运算(mod),获取整除的余数。问题是负数的模怎么算?比如-13除以3的余数,一些编程语言是1,另一些编程语言是-2。 4、Python 变快的9个技巧(英文)  本文介绍9个让 Python 代码变得更快的小技巧。(@ZhouYang1993 投稿) 5、Podman 与 Docker 的比较(英文)  Docker 和 Podman 都是容器工具,很多功能是重合的。本文介绍它们各自的优缺点。 6、近似值的一个取值技巧(英文)  如果知道一个数值变量的上限和下限,那么有一种快速的方法,快速获取该变量更准确的近似值。 比如,已知变量e的大小范围是19/7 < e < 87/32,就可以快速得到它的近似值。 工具 1、vx.dev  Vercel 的 v0.dev 可以通过输入需求,直接生成网站。这里是它的一个开源仿制品,通过逆向工程进行模仿,详见介绍文章。(@Yuyz0112 投稿) 2、Triangle Patterns  三角渐变图案的生成工具。(@zerosoul 投稿) 3、Copilot-GPT4-service  作者发现 Github Copilot Chat 的底层是调用 ChatGPT 接口,因此做了这个工具。 它可以将 ChatGPT 请求转换为 Github Copilot Chat 的请求。只要拥有 Github Copilot 账号,就能无限制使用 ChatGPT 的 GPT-4 模型。(@aaamoon 投稿) 4、Bluestone Markdown(青石)  一个所见即所得的 Markdown 桌面编辑器,集成了 Mermaid 图形与 Katex 公式,支持明亮和暗黑风格。(@1943time 投稿) 5、resume-json-pdf  通过 JSON 文件,在线生成 PDF 简历。(@RylanBot 投稿) 这里还有一个类似的工具 Faultier-CV,通过 Markdown 格式编写简历,并能实时预览。  6、schedule-x  谷歌日历的开源模仿品。 7、fabritor  一款基于 fabric.js 的创意图片编辑器,支持自己部署。(@sleepy-zone 投稿) 8、Nostalgist.js  一个在浏览器中运行怀旧游戏主机模拟器的 JavaScript 库,比如运行任天堂FC 模拟器、世嘉 MD 模拟器、街机模拟器等等。(@arianrhodsandlot 投稿) 9、stt 离线运行的本地语音识别转文字工具,基于 fast-whipser 模型。(@jianchang512 投稿) 10、Vue TSX Admin  一款开源的后台管理系统的前端模版,基于 Vue3 + TSX。(@manyuemeiquqi 投稿) 11、HTTPS Certification generator  这个在线工具可以一键生成 IP 地址的自签名 HTTPS 证书,适合用于开发环境。(@selfcertificationhub 投稿) 12、cmd-wrapped  这个工具可以读取你的命令行操作的历史记录,生成一份年度总结。支持 Zsh 和 Bash,并可指定年份。(@YiNNx 投稿) 13、mainonly  一个浏览器 Bookmarklet(书签工具),用户选中一个页面元素,它可以隐藏其他元素,适合用来专注阅读。(@jerrylususu 投稿) 资源 1、中国历朝代视频讲解  一个开源网站,将 BiliBili 上面综合数据最高的一些中国历史视频,以时间轴的方式呈现。(@liujuntao123 投稿) 2、YUERGS  作者为了解决自学吉他过程遇到的痛点,开发了这个网站,支持吉他谱滚动播放、吉他调音、查和弦、节拍器、扒歌等相关功能。(@ly15927086342 投稿) 3、文本编辑器实时协同的原理和实现(英文)  文本编辑器如何支持多人实时编辑?本文以示例讲解原理。 4、世界上最大的纽约市照片  360 度的纽约全景照片,达到了800亿像素,支持移动和缩放。 5、Beej 的网络概念指南(Beej's Guide to Network Concepts)  著名技术作者 Beej 新发布的计算机网络底层概念的英文教程。 图片 1、减速白线 一个法国小城市的十字路口,经常有超速导致的车祸。 市长想了各种办法,让司机减速,都失败了。 他树立了减速的大字标牌,根本没人看。他在马路上安装减速带,结果造成很大的噪音,影响居民生活。 最后,他想了一个绝招,在地面画了很多杂乱的白线,吸引司机的注意力,干扰视线,司机为了看清路线,就会放慢速度。  这件事在法国引起了热议。赞成者认为,让司机不容易看清道路,确实有减速效果。反对者认为这样破坏市容,而且让人困惑。 下图就是该路口现在的样子。  2、冰冻鲜花雕塑 一位日本艺术家在北海道的结冰湖面上,制作了一个冰冻鲜花雕塑。  入夜后,他把一束束颜色各异的鲜花,放到架子上,在上面浇上水,天亮后就冻成了冰柱。   太阳升起后,在阳光的照耀下,这件作品为白雪覆盖的荒原带来生气和景观。  文摘 1、解决团队分歧的四种方式 团队成员之间,经常会因为不同意见发生分歧。 有些分歧,最终会达成一致意见;另一些分歧,谁也无法说服谁,难以达成一致。 团队内部无法达成一致时,可能会出现四种决策方式。 方式一:我不同意,但一旦决策定了,我就会一起努力。 亚马逊创始人贝佐斯说:"当我跟一个主管反复讨论后,他不同意我的看法。虽然我不认为他正确,但我愿意陪他赌一把。我们认识几十年了,我觉得他可能比我更接近真相。其实我也不知道自己的决定是否正确,干脆照着下属的想法走。" 这样有几个好处:  至少产生了一个大家同意的决策。 事后不会互相埋怨。 有利于形成真正的团队精神。  方式二:双方各退一步,互相"妥协"(Compromise)。 这种做法是在双方立场之间,找一个中间点作为决策。这个房间我认为12尺高,你认为11尺高,最后大家同意把它的高度定为11.5尺。 这种决策方式很糟糕,因为11.5尺根本不是真相,只是因为找出真相需要耗费太多的能量,"妥协"让大家以一种节省能量的方式达成共识。 真正可取的做法是,凡是可以找到真相的事情,都不应该妥协。 方式三:比谁更固执。 争论的双方进行持久战,最先坚持不下去的人就会投降。 这种决策方式既没有得到真相,又大伤团队元气。所以,必须禁止这种方式,不允许用消耗对方的方式达成协议。 方式四:提供给上级,由上级决定。 这种方式可以外包决策过程,也不会伤害团队成员之间的感情。缺点是大家没有去尽力找寻真相,团队思想也没有真正达成统一。 总结:建议采用第一种决策方式"不同意、但尽力去做"。 这种方式不一定是正确决策,但是对于企业来说,有一个速度问题:决策速度必须要快,不能拖延,团队要始终保持高速度。第一种决策方式,至少可以保证决策会在短时间内产生,把事情向前推进。 言论 1、 我使用 ChatGPT 的感觉,就像在使用某个电话自动应答系统,到了某些时候我不得不大声尖叫,要求与人类交谈。 -- cogdogblog.com 2、 我不知道多久,"计算机科学"这个专业的名字会改为"机器学习"。 -- Donald Knuth,著名计算机科学教授 3、 如果金钱统治世界,那么谁统治金钱? 答案是 那些有能力制造通货膨胀的人统治着金钱。他们首先借钱购买实物资产,通货膨胀之后,再用贬值的钱来还债。 -- Hacker News 读者 4、 一项研究发现,魔术师比较少患有精神病,原因未知。可能的解释是,精神病很大程度上与臆想幻觉有关,而魔术师不容易产生幻觉。 -- 《卫报》  往年回顾 停止寻找的最佳时间(2023 #238) 音乐是反社交(2021 #188) 失业难以避免,重构人生规划(2020 #138) 如果你遇到一条蛇(2019 #88) (完) 文档信息  版权声明:自由转载-非商用-非衍生-保持署名(创意共享3.0许可证) 发表日期: 2024年1月 5日

-- gReader Pro 

2024年1月2日 星期二

虛擬網紅席捲社交媒體,真人網紅生計終於被撼動

虛擬網紅席捲社交媒體,真人網紅生計終於被撼動

https://hk.news.yahoo.com/%E8%99%9B%E6%93%AC%E7%B6%B2%E7%B4%85%E5%B8%AD%E6%8D%B2%E7%A4%BE%E4%BA%A4%E5%AA%92%E9%AB%94-%E7%9C%9F%E4%BA%BA%E7%B6%B2%E7%B4%85%E7%94%9F%E8%A8%88%E7%B5%82%E6%96%BC%E8%A2%AB%E6%92%BC%E5%8B%95-195151207.html

文章來源:Qooah.com Aitana Lopez 在互聯網上擁有了超 20萬的粉絲,她擁有著一頭粉紅色短髮,特別漂亮。並且從護髮產品 Olaplex 到內衣巨頭 Victoria's Secret,坐擁很多的品牌合作。 但令人震驚的是,Aitana 居然是個由人工智能工具創造的「虛擬網紅」,而並非是真人。並且她並不是個例,目前已經擁有了超過百個的虛擬網紅,還已創下了達 210 億美元的內容創作者市場,這數字令人驚訝,他們還向真人網紅發起挑戰。虛擬網紅的出現,讓真人網紅開始擔憂他們的收入會被分走。 最開始,巴塞羅那機構 The Clueless 的聯合創始人 Diana Núñez 被網紅們的「天價」代言費給驚訝掉,由此她們產生了創造虛擬網紅的念頭,而 Aitana 就此被創造出來。Diana Núñez 稱「我們無意中創造了一個怪物,一個美麗的怪物。」 奢侈品牌在近幾年來紛紛跟虛擬網紅合作。從分析數據中可以看出,H&M 跟虛擬網紅 Kuki 合作的廣告中,跟傳統廣告相比,觸達人數增加了11倍,而每人記住廣告的成本更是降低了91%。 前 Meta 創意創新團隊負責人、現任 Billion Dollar Boy 全球首席營銷和創新官 Becky Owen 稱「虛擬網紅無法像真人那樣直接影響購買,但可以提升品牌知名度和好感度。」 各大品牌們之所以這麼喜愛虛擬網紅的主要原因是,他們既可以吸引大家的眼球,又可以降低成本。Mintel 的媒體和科技副總監 Rebecca McGrath 表示,大家經常給真人網紅的標籤是「虛假膚淺」,還很接受 AI 或虛擬網紅取代他們。品牌不僅可以避免真人網紅帶來的潛在爭議和麻煩,還可以擁有完全的控制權。 真人網紅對此表示很不服氣,Danae Mercer 是一位坐擁 200萬粉絲的博主,她表示這些虛擬網紅你其實很難去辨別真偽。而英國廣告標準局稱,他們「密切關注虛擬網紅的崛起」,但沒有硬性規定必須披露 AI 身份。 在 Aitana 的 Instagram 個人簡介中 The Clueless 使用了#aimodel 標籤,明確標明是虛擬的身份,但其實很多虛擬網紅只是使用了 #digitalinfluencer 等模糊的術語,或是什麼都沒有標注。Núñez 覺得,就算她們有標明了 AI 身份,最開始仍舊有很多粉絲希望可以見面合影,並沒有懷疑她們的真實性。 Lil Miquela 是第一批虛擬網紅之一,代言費更是高達每單數十萬美元,還曾跟 Burberry、Prada 和 Givenchy 合作。而 Lil Miquela 是由 Dapper Labs 所創造的,該團隊的副總裁 Ridhima Kahn 稱,雖然 Lil Miquela 是跟據 AI 生成,但是「虛擬創作者背後的故事敘述是無法被完全複製的」。她覺得,有些公司在一天內就可以創造出虛擬網紅來,但是它們並沒有「人性化」的溝通,並不是個長久之計。 很多人覺得 Lil Miquela 是個混血兒,在美國、亞洲和拉丁美洲擁有近 300萬粉絲。目前,The Clueless 正在創造另一個虛擬角色,名為 Laila,是一個「豐滿的墨西哥女孩」。 具有種族模糊特徵的虛擬網紅是卡迪夫大學數字媒體研究高級講師 Francesca Sobande 的研究方向,她覺得賦予這些特徵的目的「純粹是另一種營銷手段」,就是為了可以迎合更多的人群,最要動機是「以盈利為目的」。 不僅是 The Clueless 還有很多其他的的虛擬網紅就因為經常穿著內衣出現,被批評為過度性感化。The Clueless 表示,在真人模特和網紅中這種現象其實也是普遍存在的,他們的作品「只是反映了既定的行業標準」。 但真人網紅 Mercer 卻表示,女性在近幾年來在社交媒體平台上已經開始奪回一些掌控權,控制自己的身體,不再被男性牟利。她表示,AI 生成的虛擬網紅背後的主要動機其實還是為了男性而創造,利用女性的性感化牟利的。   為您推薦更多相關文章: 更多推薦文章在:Qooah.com Like/讚好以獲得全面資訊:Qooah Facebook This article originally appeared on Qooah.com at https://hk.news.yahoo.com/%E8%99%9B%E6%93%AC%E7%B6%B2%E7%B4%85%E5%B8%AD%E6%8D%B2%E7%A4%BE%E4%BA%A4%E5%AA%92%E9%AB%94-%E7%9C%9F%E4%BA%BA%E7%B6%B2%E7%B4%85%E7%94%9F%E8%A8%88%E7%B5%82%E6%96%BC%E8%A2%AB%E6%92%BC%E5%8B%95-195151207.html

-- gReader Pro 

2024年1月1日 星期一

金管會公布 AI 指引草案!強制一定得有「一鍵銷毀」緊急關閉機制

金管會公布 AI 指引草案!強制一定得有「一鍵銷毀」緊急關閉機制

https://www.inside.com.tw/article/33774-ai-robot-finance

本文來自合作媒體聯合新聞網,INSIDE 授權轉載。金管會今日正式宣布全體金融業在運用AI時最重要的指導方針「AI指引草案」,金管會除了鼓勵金融三業公會將AI指引規範內容,進而訂定自律規範之外,檢查局也將加入監理陣容,初期雖然還不會專案金檢,但會對於未依指引內容運用AI時加強輔導。金管會也首度公布金融三業使用AI的最新統計。金管會綜合規畫處長胡則華說明,今年五月金管會已有初步了解,統計38家銀行中,有63%使用,保險業40家中,58%有使用,證券業(包括期貨投信)97家中,17%有使用,並以客群經營、風險法遵、流程精進、數據分析這四大面向的使用為主,各業別中,以銀行業使用相對較多。胡則華也表示,將鼓勵各業別公會參考指引來訂自律規範。對於業界關注在指引中所要求「風險分散」問題,胡則華說明,對集中度風險的部分,主要提醒金融機構委外時:「不宜過度集中用某一廠商的服務。」目前市場上主要提供AI相關服務的業者,包括IBM、微軟、谷歌、亞馬遜等業者,胡則華則表示,發展AI廠商在家數不多的情況之下,是否有太多金融機構已委託該廠商,或是幾乎所有相關服務都用到同一廠商,是監理機關所關注的「過度集中」的問題,所以特別提醒金融機構注意。至於第三方評測機構對於金融機構使用AI的認證,目前則由數位部發展該評測機構。另一引業者高度矚目的,就是金管會此次採取了緊急關閉機制,亦即Kill swtich機制(一鍵銷毀)。胡則華表示,對重要關鍵系統,例如對民眾權益有重大的影響,但當初留給AI有一定的決策權,倘若最後偏離正軌,對客戶有不利重大影響時,金融機構必須對AI系統預留彈性空間,強制介入來關掉。胡則華表示,該指引已列出很多導入過程時,不同生命周期,例如,設計、搜集數據資料、導入市場時,哪些注意事項都要特別,作一個check list 公會如何參採?AI自律規範,是由銀行業提出,要參考指引,納入其自律規範,其他業別尚未有,我們也倘若沒參考,是否會有懲處?胡則華表示,目前先用鼓勵,但倘若發現未來狀況很多,對民眾影響很大,就會要求特別訂到自律規範之中。至於金檢,胡則華表示,經和檢查局討論之後,決定在AI指引上路之初,暫不會金檢,但檢查局會對於業者「不符合指引要求的使用行為」來加強輔導,且倘若運行之後,認為市場上監理機關不放心之處,就會要求公會訂定自律規範,在銀證保三業的內控放入相關條文。金管會在指引中也要求,必須告訴客戶正在互動的對象是AI,且要有替代方案、補救措施的方式,例如,補償機制、申訴管道等。責任編輯:Chris快加入 INSIDE Google News 按下追蹤,給你最新、最 IN 的科技新聞!延伸閱讀:金管會盯上機器人理財,擬提升法律位階加強管理Fintech 新創阿爾發:明年台灣機器人理財管理總額有望達 100 億元

-- gReader Pro 

Cerabyte 發表陶瓷儲存原型產品,用雷射寫入和讀取的 10,000TB 磁帶有望在 2030 年成為主流

Cerabyte 發表陶瓷儲存原型產品,用雷射寫入和讀取的 10,000TB 磁帶有望在 2030 年成為主流

https://www.techbang.com/posts/112112-cerabyte-ceramic-storage-lase

Cerabyte 想要使用陶瓷材料結合玻璃來儲存巨量的資料。例如,它們希望可以製造出手掌大小的磁帶,一次可以儲存 10,000TB 的資料。Cerabyte 公司發表了一段影片,展示了其備受期陶瓷資料儲存系統的潛力,這系統承諾將改變未來組織在資料中心儲存資料的方式。 和今天普遍儲存資料的機械式硬碟和固態硬碟不同,Cerabyte 想要使用陶瓷材料結合玻璃來儲存巨量的資料。例如,它們希望可以製造出手掌大小的磁帶,一次可以儲存 10,000TB 的資料。 這個展示系統包括一個單一的讀寫機架,用於存取儲存,以及幾個自動化儲存檢索系統。Cerabyte建構這些的讀寫機架和自動化儲存檢索系統是使用市場上現有可以購買到的商用設備。 每盒磁帶有一個資料載體,這個載體有一層玻璃(類似康寧的大猩猩玻璃),上面塗有一層薄薄的黑色陶瓷層作為資料儲存介質。這些磁帶保存在一個自動化儲存檢索系統。當需要寫入資料時,磁帶會從儲存檢索系統架上移動到讀寫架。打開磁帶,放置在平台上的資料載體便會出現。 這時,要寫入的資料會透過二百萬個雷射光束寫入,這些雷射光束會在介質表面穿孔,形成類似 QR 碼的奈米級圖案。雷射脈衝透過數位微鏡裝置被銳化,並透過顯微鏡光學在資料載體的表面成形。這個過程在表面層上打孔(或不打孔)來代表二進位資訊。  延伸閱讀:挑戰最低儲存成本極限,新的光碟技術將讓每TB容量僅需台幣155元   Cerabyte 聲稱這種系統具有許多優勢,包括:  超長的壽命: 陶瓷可以耐受極端溫度(-273°C 至 300°C)和腐蝕性的環境,據稱其使用壽命可達 5,000 年以上。 極高的儲存密度:每個磁帶可以儲存10,000TB 的數據,是目前硬碟容量的100 倍以上。 低功耗: 該系統比傳統磁帶更節能。 高可靠性:陶瓷抗震、抗磁,不易損壞。  然而,這項技術仍處於起步階段,存在一些挑戰需要克服,例如:  寫入速度: 目前寫入速度相對較慢,需要提高存取才能與 SSD 等技術競爭。 成本:這種新技術可能比傳統儲存解決方案更昂貴。 相容性: 該系統需要與現有資料中心基礎設施相容才能廣泛採用。  總體而言,Cerabyte 的陶瓷資料儲存系統是一項引人注目的新技術,它有可能徹底改變我們儲存資料的方式。儘管仍存在一些挑戰,但該技術的潛力不容忽視。值得密切注意其發展,看看它是否能在未來幾年內成為主流。  延伸閱讀:一張圖看遍儲存媒體耐用度,從類比到數位的儲存演進史 延伸閱讀:把資料儲存到DNA裡,是拯救數據激增的的良方? 加入電腦王Facebook粉絲團

-- gReader Pro 

Demo: Standalone Bibliography — citeproc-js 1.1.73 documentation

https://citeproc-js.readthedocs.io/en/latest/deployments.html

能用這個作Zotero的APA 7th中文預覽器嗎?

每日一博 | 混合专家模型 (MoE) 详解

每日一博 | 混合专家模型 (MoE) 详解

https://my.oschina.net/HuggingFace/blog/10444582

随着 Mixtral 8x7B (announcement, model card) 的推出,一种称为混合专家模型 (Mixed Expert Models,简称 MoEs) 的 Transformer 模型在开源人工智能社区引起了广泛关注。在本篇博文中,我们将深入探讨 MoEs 的核心组件、训练方法,以及在推理过程中需要考量的各种因素。 让我们开始吧! 简短总结 混合专家模型 (MoEs):    与稠密模型相比, 预训练速度更快    与具有相同参数数量的模型相比,具有更快的 推理速度    需要 大量显存,因为所有专家系统都需要加载到内存中    在 微调方面存在诸多挑战,但 近期的研究 表明,对混合专家模型进行 指令调优具有很大的潜力。   让我们开始吧! 什么是混合专家模型? 模型规模是提升模型性能的关键因素之一。在有限的计算资源预算下,用更少的训练步数训练一个更大的模型,往往比用更多的步数训练一个较小的模型效果更佳。 混合专家模型 (MoE) 的一个显著优势是它们能够在远少于稠密模型所需的计算资源下进行有效的预训练。这意味着在相同的计算预算条件下,您可以显著扩大模型或数据集的规模。特别是在预训练阶段,与稠密模型相比,混合专家模型通常能够更快地达到相同的质量水平。 那么,究竟什么是一个混合专家模型 (MoE) 呢?作为一种基于 Transformer 架构的模型,混合专家模型主要由两个关键部分组成:    稀疏 MoE 层: 这些层代替了传统 Transformer 模型中的前馈网络 (FFN) 层。MoE 层包含若干"专家"(例如 8 个),每个专家本身是一个独立的神经网络。在实际应用中,这些专家通常是前馈网络 (FFN),但它们也可以是更复杂的网络结构,甚至可以是 MoE 层本身,从而形成层级式的 MoE 结构。    门控网络或路由: 这个部分用于决定哪些令牌 (token) 被发送到哪个专家。例如,在下图中,"More"这个令牌可能被发送到第二个专家,而"Parameters"这个令牌被发送到第一个专家。有时,一个令牌甚至可以被发送到多个专家。令牌的路由方式是 MoE 使用中的一个关键点,因为路由器由学习的参数组成,并且与网络的其他部分一同进行预训练。    Switch Transformers paper 论文中的 MoE layer  总结来说,在混合专家模型 (MoE) 中,我们将传统 Transformer 模型中的每个前馈网络 (FFN) 层替换为 MoE 层,其中 MoE 层由两个核心部分组成: 一个门控网络和若干数量的专家。 尽管混合专家模型 (MoE) 提供了若干显著优势,例如更高效的预训练和与稠密模型相比更快的推理速度,但它们也伴随着一些挑战:    训练挑战: 虽然 MoE 能够实现更高效的计算预训练,但它们在微调阶段往往面临泛化能力不足的问题,长期以来易于引发过拟合现象。    推理挑战: MoE 模型虽然可能拥有大量参数,但在推理过程中只使用其中的一部分,这使得它们的推理速度快于具有相同数量参数的稠密模型。然而,这种模型需要将所有参数加载到内存中,因此对内存的需求非常高。以 Mixtral 8x7B 这样的 MoE 为例,需要足够的 VRAM 来容纳一个 47B 参数的稠密模型。之所以是 47B 而不是 8 x 7B = 56B,是因为在 MoE 模型中,只有 FFN 层被视为独立的专家,而模型的其他参数是共享的。此外,假设每个令牌只使用两个专家,那么推理速度 (以 FLOPs 计算) 类似于使用 12B 模型 (而不是 14B 模型),因为虽然它进行了 2x7B 的矩阵乘法计算,但某些层是共享的。   了解了 MoE 的基本概念后,让我们进一步探索推动这类模型发展的研究。 混合专家模型简史 混合专家模型 (MoE) 的理念起源于 1991 年的论文 Adaptive Mixture of Local Experts。这个概念与集成学习方法相似,旨在为由多个单独网络组成的系统建立一个监管机制。在这种系统中,每个网络 (被称为"专家") 处理训练样本的不同子集,专注于输入空间的特定区域。那么,如何选择哪个专家来处理特定的输入呢?这就是门控网络发挥作用的地方,它决定了分配给每个专家的权重。在训练过程中,这些专家和门控网络都同时接受训练,以优化它们的性能和决策能力。 在 2010 至 2015 年间,两个独立的研究领域为混合专家模型 (MoE) 的后续发展做出了显著贡献:    组件专家: 在传统的 MoE 设置中,整个系统由一个门控网络和多个专家组成。在支持向量机 (SVMs) 、高斯过程和其他方法的研究中,MoE 通常被视为整个模型的一部分。然而,Eigen、Ranzato 和 Ilya 的研究 探索了将 MoE 作为更深层网络的一个组件。这种方法允许将 MoE 嵌入到多层网络中的某一层,使得模型既大又高效。    条件计算: 传统的神经网络通过每一层处理所有输入数据。在这一时期,Yoshua Bengio 等研究人员开始探索基于输入令牌动态激活或停用网络组件的方法。   这些研究的融合促进了在自然语言处理 (NLP) 领域对混合专家模型的探索。特别是在 2017 年,Shazeer 等人 (团队包括 Geoffrey Hinton 和 Jeff Dean,后者有时被戏称为 "谷歌的 Chuck Norris") 将这一概念应用于 137B 的 LSTM (当时被广泛应用于 NLP 的架构,由 Schmidhuber 提出)。通过引入稀疏性,这项工作在保持极高规模的同时实现了快速的推理速度。这项工作主要集中在翻译领域,但面临着如高通信成本和训练不稳定性等多种挑战。  Outrageously Large Neural Network 论文中的 MoE layer  混合专家模型 (MoE) 的引入使得训练具有数千亿甚至万亿参数的模型成为可能,如开源的 1.6 万亿参数的 Switch Transformers 等。这种技术不仅在自然语言处理 (NLP) 领域得到了广泛应用,也开始在计算机视觉领域进行探索。然而,本篇博客文章将主要聚焦于自然语言处理领域的应用和探讨。 什么是稀疏性? 稀疏性的概念采用了条件计算的思想。在传统的稠密模型中,所有的参数都会对所有输入数据进行处理。相比之下,稀疏性允许我们仅针对整个系统的某些特定部分执行计算。这意味着并非所有参数都会在处理每个输入时被激活或使用,而是根据输入的特定特征或需求,只有部分参数集合被调用和运行。 让我们深入分析 Shazeer 对混合专家模型 (MoE) 在翻译应用中的贡献。条件计算的概念 (即仅在每个样本的基础上激活网络的不同部分) 使得在不增加额外计算负担的情况下扩展模型规模成为可能。这一策略在每个 MoE 层中实现了数以千计甚至更多的专家的有效利用。 这种稀疏性设置确实带来了一些挑战。例如,在混合专家模型 (MoE) 中,尽管较大的批量大小通常有利于提高性能,但当数据通过激活的专家时,实际的批量大小可能会减少。比如,假设我们的输入批量包含 10 个令牌, 可能会有五个令牌被路由到同一个专家,而剩下的五个令牌分别被路由到不同的专家。这导致了批量大小的不均匀分配和资源利用效率不高的问题。在接下来的部分中,将会讨论让 MoE 高效运行的其他挑战以及相应的解决方案。 那我们应该如何解决这个问题呢?一个可学习的门控网络 (G) 决定将输入的哪一部分发送给哪些专家 (E):  <section data-formula-type="block-equation" data-formula="y = sum_{i=1}^{n} G(x)_i E_i(x) ">   在这种设置下,虽然所有专家都会对所有输入进行运算,但通过门控网络的输出进行加权乘法操作。但是,如果 G (门控网络的输出) 为 0 会发生什么呢?如果是这种情况,就没有必要计算相应的专家操作,因此我们可以节省计算资源。那么一个典型的门控函数是什么呢?一个典型的门控函数通常是一个带有 softmax 函数的简单的网络。这个网络将学习将输入发送给哪个专家。  <section data-formula-type="block-equation" data-formula="G_sigma(x) = text{Softmax}(x cdot W_g) ">   Shazeer 等人的工作还探索了其他的门控机制,其中包括带噪声的 TopK 门控 (Noisy Top-K Gating)。这种门控方法引入了一些可调整的噪声,然后保留前 k 个值。具体来说:    添加一些噪声    <section data-formula-type="block-equation" data-formula="H(x)_i = (x cdot W_{text{g}})_i + text{StandardNormal()} cdot text{Softplus}((x cdot W_{text{noise}})_i) ">      选择保留前 K 个值    <section data-formula-type="block-equation" data-formula="text{KeepTopK}(v, k)_i = begin{cases} v_i & text{if } v_i text{ is in the top } k text{ elements of } v, \ -infty & text{otherwise.} end{cases} ">      应用 Softmax 函数    <section data-formula-type="block-equation" data-formula="G(x) = text{Softmax}(text{KeepTopK}(H(x), k)) ">   这种稀疏性引入了一些有趣的特性。通过使用较低的 k 值 (例如 1 或 2),我们可以比激活多个专家时更快地进行训练和推理。为什么不仅选择最顶尖的专家呢?最初的假设是,需要将输入路由到不止一个专家,以便门控学会如何进行有效的路由选择,因此至少需要选择两个专家。Switch Transformers 就这点进行了更多的研究。 我们为什么要添加噪声呢?这是为了专家间的负载均衡! 混合专家模型中令牌的负载均衡 正如之前讨论的,如果所有的令牌都被发送到只有少数几个受欢迎的专家,那么训练效率将会降低。在通常的混合专家模型 (MoE) 训练中,门控网络往往倾向于主要激活相同的几个专家。这种情况可能会自我加强,因为受欢迎的专家训练得更快,因此它们更容易被选择。为了缓解这个问题,引入了一个 辅助损失,旨在鼓励给予所有专家相同的重要性。这个损失确保所有专家接收到大致相等数量的训练样本,从而平衡了专家之间的选择。接下来的部分还将探讨专家容量的概念,它引入了一个关于专家可以处理多少令牌的阈值。在 transformers 库中,可以通过 aux_loss 参数来控制辅助损失。 MoEs and Transformers Transformer 类模型明确表明,增加参数数量可以提高性能,因此谷歌使用 GShard 尝试将 Transformer 模型的参数量扩展到超过 6000 亿并不令人惊讶。 GShard 将在编码器和解码器中的每个前馈网络 (FFN) 层中的替换为使用 Top-2 门控的混合专家模型 (MoE) 层。下图展示了编码器部分的结构。这种架构对于大规模计算非常有效: 当扩展到多个设备时,MoE 层在不同设备间共享,而其他所有层则在每个设备上复制。我们将在 "让 MoE 起飞"部分对这一点进行更详细的讨论。  GShard 论文中的 MoE Transformer Encoder  为了保持负载平衡和训练效率,GShard 的作者除了引入了上一节中讨论的类似辅助损失外,还引入了一些关键变化:    随机路由: 在 Top-2 设置中,我们始终选择排名最高的专家,但第二个专家是根据其权重比例随机选择的。    专家容量: 我们可以设定一个阈值,定义一个专家能处理多少令牌。如果两个专家的容量都达到上限,令牌就会溢出,并通过残差连接传递到下一层,或在某些情况下被完全丢弃。专家容量是 MoE 中最重要的概念之一。为什么需要专家容量呢?因为所有张量的形状在编译时是静态确定的,我们无法提前知道多少令牌会分配给每个专家,因此需要一个固定的容量因子。   GShard 的工作对适用于 MoE 的并行计算模式也做出了重要贡献,但这些内容的讨论超出了这篇博客的范围。 注意: 在推理过程中,只有部分专家被激活。同时,有些计算过程是共享的,例如自注意力 (self-attention) 机制,它适用于所有令牌。这就解释了为什么我们可以使用相当于 12B 稠密模型的计算资源来运行一个包含 8 个专家的 47B 模型。如果我们采用 Top-2 门控,模型会使用高达 14B 的参数。但是,由于自注意力操作 (专家间共享) 的存在,实际上模型运行时使用的参数数量是 12B。 Switch Transformers 尽管混合专家模型 (MoE) 显示出了很大的潜力,但它们在训练和微调过程中存在稳定性问题。Switch Transformers 是一项非常激动人心的工作,它深入研究了这些话题。作者甚至在 Hugging Face 上发布了一个 1.6 万亿参数的 MoE,拥有 2048 个专家,你可以使用 transformers 库来运行它。Switch Transformers 实现了与 T5-XXL 相比 4 倍的预训练速度提升。  Switch Transformer 论文中的 Switch Transformer Layer  就像在 GShard 中一样,作者用混合专家模型 (MoE) 层替换了前馈网络 (FFN) 层。Switch Transformers 提出了一个 Switch Transformer 层,它接收两个输入 (两个不同的令牌) 并拥有四个专家。 与最初使用至少两个专家的想法相反,Switch Transformers 采用了简化的单专家策略。这种方法的效果包括:    减少门控网络 (路由) 计算负担    每个专家的批量大小至少可以减半    降低通信成本    保持模型质量   Switch Transformers 也对 专家容量 这个概念进行了研究。  <section data-formula-type="block-equation" data-formula="text{Expert Capacity} = left(frac{text{tokens per batch}}{text{number of experts}}right) times text{capacity factor} ">   上述建议的容量是将批次中的令牌数量均匀分配到各个专家。如果我们使用大于 1 的容量因子,我们为令牌分配不完全平衡时提供了一个缓冲。增加容量因子会导致更高的设备间通信成本,因此这是一个需要考虑的权衡。特别值得注意的是,Switch Transformers 在低容量因子 (例如 1 至 1.25) 下表现出色。 Switch Transformer 的作者还重新审视并简化了前面章节中提到的负载均衡损失。在训练期间,对于每个 Switch 层的辅助损失被添加到总模型损失中。这种损失鼓励均匀路由,并可以使用超参数进行加权。 作者还尝试了混合精度的方法,例如用 bfloat16 精度训练专家,同时对其余计算使用全精度进行。较低的精度可以减少处理器间的通信成本、计算成本以及存储张量的内存。然而,在最初的实验中,当专家和门控网络都使用 bfloat16 精度训练时,出现了不稳定的训练现象。这种不稳定性特别是由路由计算引起的,因为路由涉及指数函数等操作,这些操作对精度要求较高。因此,为了保持计算的稳定性和精确性,保持更高的精度是重要的。为了减轻不稳定性,路由过程也使用了全精度。  使用混合精度不会降低模型质量并可实现更快的训练  这个 Jupyter Notebook 展示了如何对 Switch Transformers 进行微调以进行摘要生成的详细指南。然而,在开始微调 Switch Transformers 之前,强烈建议您先阅读关于微调混合专家模型部分的内容。 Switch Transformers 采用了编码器 - 解码器的架构,实现了与 T5 类似的混合专家模型 (MoE) 版本。GLaM 这篇工作探索了如何使用仅为原来 1/3 的计算资源 (因为 MoE 模型在训练时需要的计算量较少,从而能够显著降低碳足迹) 来训练与 GPT-3 质量相匹配的模型来提高这些模型的规模。作者专注于仅解码器 (decoder-only) 的模型以及少样本和单样本评估,而不是微调。他们使用了 Top-2 路由和更大的容量因子。此外,他们探讨了将容量因子作为一个动态度量,根据训练和评估期间所使用的计算量进行调整。 用 Router z-loss 稳定模型训练 之前讨论的平衡损失可能会导致稳定性问题。我们可以使用许多方法来稳定稀疏模型的训练,但这可能会牺牲模型质量。例如,引入 dropout 可以提高稳定性,但会导致模型质量下降。另一方面,增加更多的乘法分量可以提高质量,但会降低模型稳定性。 ST-MoE 引入的 Router z-loss 在保持了模型性能的同时显著提升了训练的稳定性。这种损失机制通过惩罚门控网络输入的较大 logits 来起作用,目的是促使数值的绝对大小保持较小,这样可以有效减少计算中的舍入误差。这一点对于那些依赖指数函数进行计算的门控网络尤其重要。为了深入了解这一机制,建议参考原始论文以获得更全面的细节。 专家如何学习? ST-MoE 的研究者们发现,编码器中不同的专家倾向于专注于特定类型的令牌或浅层概念。例如,某些专家可能专门处理标点符号,而其他专家则专注于专有名词等。与此相反,解码器中的专家通常具有较低的专业化程度。此外,研究者们还对这一模型进行了多语言训练。尽管人们可能会预期每个专家处理一种特定语言,但实际上并非如此。由于令牌路由和负载均衡的机制,没有任何专家被特定配置以专门处理某一特定语言。  ST-MoE 论文中显示了哪些令牌组被发送给了哪个专家的表格  专家的数量对预训练有何影响? 增加更多专家可以提升处理样本的效率和加速模型的运算速度,但这些优势随着专家数量的增加而递减 (尤其是当专家数量达到 256 或 512 之后更为明显)。同时,这也意味着在推理过程中,需要更多的显存来加载整个模型。值得注意的是,Switch Transformers 的研究表明,其在大规模模型中的特性在小规模模型下也同样适用,即便是每层仅包含 2、4 或 8 个专家。 微调混合专家模型  4.36.0 版本的 transformers 库支持 Mixtral 模型。你可以用以下命令进行安装: pip install "transformers==4.36.0 --upgrade  稠密模型和稀疏模型在过拟合的动态表现上存在显著差异。稀疏模型更易于出现过拟合现象,因此在处理这些模型时,尝试更强的内部正则化措施是有益的,比如使用更高比例的 dropout。例如,我们可以为稠密层设定一个较低的 dropout 率,而为稀疏层设置一个更高的 dropout 率,以此来优化模型性能。 在微调过程中是否使用辅助损失是一个需要决策的问题。ST-MoE 的作者尝试关闭辅助损失,发现即使高达 11% 的令牌被丢弃,模型的质量也没有显著受到影响。令牌丢弃可能是一种正则化形式,有助于防止过拟合。 Switch Transformers 的作者观察到,在相同的预训练困惑度下,稀疏模型在下游任务中的表现不如对应的稠密模型,特别是在重理解任务 (如 SuperGLUE) 上。另一方面,对于知识密集型任务 (如 TriviaQA),稀疏模型的表现异常出色。作者还观察到,在微调过程中,较少的专家的数量有助于改善性能。另一个关于泛化问题确认的发现是,模型在小型任务上表现较差,但在大型任务上表现良好。  在小任务 (左图) 中,我们可以看到明显的过拟合,因为稀疏模型在验证集中的表现要差得多。在较大的任务 (右图) 中,MoE 则表现良好。该图来自 ST-MoE 论文  一种可行的微调策略是尝试冻结所有非专家层的权重。实践中,这会导致性能大幅下降,但这符合我们的预期,因为混合专家模型 (MoE) 层占据了网络的主要部分。我们可以尝试相反的方法: 仅冻结 MoE 层的参数。实验结果显示,这种方法几乎与更新所有参数的效果相当。这种做法可以加速微调过程,并降低显存需求。  通过仅冻结 MoE 层,我们可以在保持质量的同时加快训练速度。该图来自 ST-MoE 论文  在微调稀疏混合专家模型 (MoE) 时需要考虑的最后一个问题是,它们有特别的微调超参数设置——例如,稀疏模型往往更适合使用较小的批量大小和较高的学习率,这样可以获得更好的训练效果。  降低学习率和调大批量可以提升稀疏模型微调质量。该图来自 ST-MoE 论文  此时,您可能会对人们微调 MoE 中遇到的这些挑战而感到沮丧,但最近的一篇论文 《MoEs Meets Instruction Tuning》 (2023 年 7 月) 带来了令人兴奋的发现。这篇论文进行了以下实验:    单任务微调    多任务指令微调    多任务指令微调后接单任务微调   当研究者们对 MoE 和对应性能相当的 T5 模型进行微调时,他们发现 T5 的对应模型表现更为出色。然而,当研究者们对 Flan T5 (一种 T5 的指令优化版本) 的 MoE 版本进行微调时,MoE 的性能显著提升。更值得注意的是,Flan-MoE 相比原始 MoE 的性能提升幅度超过了 Flan T5 相对于原始 T5 的提升,这意味着 MoE 模型可能从指令式微调中获益更多,甚至超过了稠密模型。此外,MoE 在多任务学习中表现更佳。与之前关闭 辅助损失 函数的做法相反,实际上这种损失函数可以帮助防止过拟合。  与稠密模型相比,稀疏模型从指令微调中受益更多。该图来自 MoEs Meets instructions Tuning 论文  稀疏 VS 稠密,如何选择? 稀疏混合专家模型 (MoE) 适用于拥有多台机器且要求高吞吐量的场景。在固定的预训练计算资源下,稀疏模型往往能够实现更优的效果。相反,在显存较少且吞吐量要求不高的场景,稠密模型则是更合适的选择。 注意: 直接比较稀疏模型和稠密模型的参数数量是不恰当的,因为这两类模型基于的概念和参数量的计算方法完全不同。 让 MoE 起飞 最初的混合专家模型 (MoE) 设计采用了分支结构,这导致了计算效率低下。这种低效主要是因为 GPU 并不是为处理这种结构而设计的,而且由于设备间需要传递数据,网络带宽常常成为性能瓶颈。在接下来的讨论中,我们会讨论一些现有的研究成果,旨在使这些模型在预训练和推理阶段更加高效和实用。我们来看看如何优化 MoE 模型,让 MoE 起飞。 并行计算 让我们简要回顾一下并行计算的几种形式:    数据并行: 相同的权重在所有节点上复制,数据在节点之间分割。    模型并行: 模型在节点之间分割,相同的数据在所有节点上复制。    模型和数据并行: 我们可以在节点之间同时分割模型和数据。注意,不同的节点处理不同批次的数据。    专家并行: 专家被放置在不同的节点上。如果与数据并行结合,每个节点拥有不同的专家,数据在所有节点之间分割。   在专家并行中,专家被放置在不同的节点上,每个节点处理不同批次的训练样本。对于非 MoE 层,专家并行的行为与数据并行相同。对于 MoE 层,序列中的令牌被发送到拥有所需专家的节点。  Switch Transformers 论文中展示如何使用不同的并行技术在节点上分割数据和模型的插图  容量因子和通信开销 提高容量因子 (Capacity Factor, CF) 可以增强模型的性能,但这也意味着更高的通信成本和对保存激活值的显存的需求。在设备通信带宽有限的情况下,选择较小的容量因子可能是更佳的策略。一个合理的初始设置是采用 Top-2 路由、1.25 的容量因子,同时每个节点配置一个专家。在评估性能时,应根据需要调整容量因子,以在设备间的通信成本和计算成本之间找到一个平衡点。 部署技术  您可以在 Inference Endpoints 部署 mistralai/Mixtral-8x7B-Instruct-v0.1。  部署混合专家模型 (MoE) 的一个关键挑战是其庞大的参数规模。对于本地使用情况,我们可能希望使用更小的模型。为了使模型更适合部署,下面是几种有用的技术:    预先蒸馏实验: Switch Transformers 的研究者们进行了预先蒸馏的实验。他们通过将 MoE 模型蒸馏回其对应的稠密模型,成功保留了 30-40%的由稀疏性带来的性能提升。预先蒸馏不仅加快了预训练速度,还使得在推理中使用更小型的模型成为可能。    任务级别路由: 最新的方法中,路由器被修改为将整个句子或任务直接路由到一个专家。这样做可以提取出一个用于服务的子网络,有助于简化模型的结构。    专家网络聚合: 这项技术通过合并各个专家的权重,在推理时减少了所需的参数数量。这样可以在不显著牺牲性能的情况下降低模型的复杂度。   高效训练 FasterMoE (2022 年 3 月) 深入分析了 MoE 在不同并行策略下的理论性能极限,并且探索了一系列创新技术,包括用于专家权重调整的方法、减少延迟的细粒度通信调度技术,以及一个基于最低延迟进行专家选择的拓扑感知门控机制。这些技术的结合使得 MoE 运行速度提升高达 17 倍。 Megablocks (2022 年 11 月) 则专注于通过开发新的 GPU kernel 来处理 MoE 模型中的动态性,以实现更高效的稀疏预训练。其核心优势在于,它不会丢弃任何令牌,并能高效地适应现代硬件架构 (支持块稀疏矩阵乘),从而达到显著的加速效果。Megablocks 的创新之处在于,它不像传统 MoE 那样使用批量矩阵乘法 (这通常假设所有专家形状相同且处理相同数量的令牌),而是将 MoE 层表示为块稀疏操作,可以灵活适应不均衡的令牌分配。  针对不同规模的专家和令牌数量的块稀疏矩阵乘法。该图来自 MegaBlocks 论文  开源混合专家模型 目前,下面这些开源项目可以用于训练混合专家模型 (MoE):    Megablocks: https://github.com/stanford-futuredata/megablocks    Fairseq: https://github.com/facebookresearch/fairseq/tree/main/examples/moe_lm    OpenMoE: https://github.com/XueFuzhao/OpenMoE   对于开源的混合专家模型 (MoE),你可以关注下面这些:    Switch Transformers (Google): 基于 T5 的 MoE 集合,专家数量从 8 名到 2048 名。最大的模型有 1.6 万亿个参数。    NLLB MoE (Meta): NLLB 翻译模型的一个 MoE 变体。    OpenMoE: 社区对基于 Llama 的模型的 MoE 尝试。    Mixtral 8x7B (Mistral): 一个性能超越了 Llama 2 70B 的高质量混合专家模型,并且具有更快的推理速度。此外,还发布了一个经过指令微调的模型。有关更多信息,可以在 Mistral 的 公告博客文章 中了解。   一些有趣的研究方向 首先是尝试将稀疏混合专家模型 (SMoE) 蒸馏 回到具有更少实际参数但相似等价参数量的稠密模型。 MoE 的 量化 也是一个有趣的研究领域。例如,QMoE (2023 年 10 月) 通过将 MoE 量化到每个参数不到 1 位,将 1.6 万亿参数的 Switch Transformer 所需的存储从 3.2TB 压缩到仅 160GB。 简而言之,一些值得探索的有趣领域包括:    将 Mixtral 蒸馏成一个稠密模型。    探索合并专家模型的技术及其对推理时间的影响。    尝试对 Mixtral 进行极端量化的实验。   相关资源    Adaptive Mixture of Local Experts (1991)    Learning Factored Representations in a Deep Mixture of Experts (2013)    Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer (2017)    GShard: Scaling Giant Models with Conditional Computation and Automatic Sharding (Jun 2020)    GLaM: Efficient Scaling of Language Models with Mixture-of-Experts (Dec 2021)    Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity (Jan 2022)    ST-MoE: Designing Stable and Transferable Sparse Expert Models (Feb 2022)    FasterMoE: modeling and optimizing training of large-scale dynamic pre-trained models(April 2022)    MegaBlocks: Efficient Sparse Training with Mixture-of-Experts (Nov 2022)    Mixture-of-Experts Meets Instruction Tuning:A Winning Combination for Large Language Models (May 2023)    Mixtral-8x7B-v0.1, Mixtral-8x7B-Instruct-v0.1.   Citation @misc {sanseviero2023moe, author = { Omar Sanseviero and Lewis Tunstall and Philipp Schmid and Sourab Mangrulkar and Younes Belkada and Pedro Cuenca }, title = { Mixture of Experts Explained }, year = 2023, url = { https://huggingface.co/blog/moe }, publisher = { Hugging Face Blog }} Sanseviero, et al., "Mixture of Experts Explained", Hugging Face Blog, 2023.  🤗 宝子们可以戳 阅读原文 查看文中所有的外部链接哟!       英文原文: https://hf.co/blog/moe 原文作者: Omar Sanseviero, Lewis Tunstall, Philipp Schmid, Sourab Mangrulkar, Younes Belkada, Pedro Cuenca 译者: xinyu66 (Xinyu Yang)         本文分享自微信公众号 - Hugging Face(gh_504339124f0f)。如有侵权,请联系 support@oschina.cn 删除。本文参与"OSC源创计划",欢迎正在阅读的你也加入,一起分享。

-- gReader Pro 

Bruce Perens 谈后开源运动

Bruce Perens 谈后开源运动

https://www.solidot.org/story?sid=77016

开源运动创始人之一的 Bruce Perens 接受采访谈论了后开源运动。他表示开源社区需要解决几个紧迫的问题:首先是开源许可证不再有效工作,企业发现了漏洞,GPL 许可证不再按照最初设计的意图那样运作,Red Hat 正以绕过 GPL 许可证的方式出售其企业发行版 RHEL。Red Hat 现在是 IBM 旗下公司,它在今年 6 月宣布停止按照 GPL 要求公开 RHEL 源代码。Perens 称,Red Hat 不再是以前的 Red Hat,而是 IBM 了。IBM 不再允许 RHEL 客户披露其制作的安全补丁源代码,如果披露,它会拒绝你继续成为 RHEL 客户。Perens 表示,压垮开源骆驼的另一根稻草是开源无法服务于普罗大众,普通用户是通过私有软件公司的系统如苹果 iOS 或 Google Android 使用上开源软件。iOS 或 Android 都是基于开源基础设施,但大部分应用都是私有的。开源运动所倡导的软件自由是有益于普通用户的,然而今天的开源软件却被用于监视甚至压迫用户。自由软件已有 50 年历史,开源运动也有 30 年历史,我们是时候应该反思下了,这就是他所谓的后开源运动。  https://www.theregister.com/2023/12/27/bruce_perens_post_open/ https://news.slashdot.org/story/23/12/27/2126224/what-comes-after-open-source-bruce-perens-is-working-on-it

-- gReader Pro 

大眾字型學:理想的排版強調法

大眾字型學:理想的排版強調法

https://www.inside.com.tw/article/3584-popular-typography

本文轉載自 Justfont 〈 大眾字型學 (4): 理想的排版強調法 〉,作者為 justfont blog 作者 WINSTON。電腦輔助的設計中,一般人可以輕易的凸顯任何內文。只要透過 word 等基本文書編輯軟體內的 i, B, U 等按鈕,或任意改變文字顏色,就可以達到基本的強調。但是,這些設定對讀者而言,究竟是干擾還是助益?過去數百年的排版慣例又可以告訴我們哪些實用而合理的規則?寫在前面:如果‧‧‧‧‧‧如果什麼都強調了,就等於什麼都沒有強調。強調最好是一個字、一組詞就好,非必要請勿使用。過多的強調法使用,其實等於沒有強調。認識到這個最基本的前提我們再談談不理想的強調法。不理想的強調法:底線、假粗體與假斜體除了要特別討論的上色之外,最常用的強調法不外乎「加粗」、「變斜」或是「加底線」。加粗、變斜是透過墨色濃度或形狀變化與正文對比,這發源自西方數百年的排版規則;加底線則是打字機盛行之後留下的遺產。避免用底線強調在中西方的排版規則裡,從來沒有發生過加底線來強調的情況。底線是打字機留下的遺產。打字機上並沒有其他變化,只能裝正文,無法變化成斜體、粗體。所以就產生了底線設計,補足沒有強調法的缺陷。但是我們可以來看一下,底線真的是有效的強調法嗎?底線加上去到底比較接近干擾還是強調呢?相信大家可以透過這段文字看出來,底線強調法會讓底線搶走字本身的風采,讓我們注意線多過於文字。不論對中英文而言,底線都並非理想的強調法。專業的設計師或排版工匠還是會告訴你,最好使用正統的強調法:粗體 (bold)、斜體 (italic) 等等。(這裡特別是就西文而言)補充:但是就網頁而言,底線變成了標示超連結的一種慣例,是可以接受的。相較於底線,以西方字母裡的粗體、斜體強調,更能配合正文字體的設計。他們有相同的家族基因,例如相似的骨架、比例與風格,只是加粗了或變斜了。這樣的特徵讓他們可以達到強調效果,但又不會太突兀,與正文不協調。但其實多數人使用的粗體、斜體,其實都是「假」的。避免用假粗體、假斜體在 office 軟體的設定中,i, B 兩個按鈕可以把任意字體變成斜體或粗體。如果一套字體裡真的有粗體、斜體那倒不會有問題(例如微軟正黑體有粗體);但是如果缺乏粗體、斜體,就會用程式演算出來一個替代的版本。這其實不是一個字體最天然的設計。假的粗體都糊在一起;假的斜體則破壞了字體的結構與美感這些假的斜體、粗體,看上去極不自然。因為人眼有許多細微的錯視,每個字的形狀也不同,若字的比例、粗細、曲線沒有經過特殊調整,只是依照數學公式統一變形,看起來就會很不協調,甚至糊成一團,難以辨認。電腦的方便常讓人以為加粗或變斜只是一種特效。但在西文排版的歷史中,斜體與粗體並不是特效,而是一種特殊字體。理想強調法:粗體字型與斜體字型在活版印刷時代,粗體(bold)、斜體(italic),與正文字體(romans)其實是三種不同的字型(fonts)。這些不同的字型,其實都是基於不同的需求而設計出來的形態,而不是「加上去的特殊效果」。而且,這些概念都是西方來的,傳統中文排版沒有這三種字體的區別。正確的粗體、斜體使用法(搞不清楚 字型跟字體的差別 嗎?)一點歷史:為什麼粗體、斜體不是一種特效在西方的印刷中,一開始是古騰堡的 blackletter,視覺樣貌很粗,跟現在的正文不一樣。(現在 blackletter 變成一種裝飾字體)後來到文藝復興時期,才基於當時文人的手書字跡創造正文字體,也就是學名為羅馬體(roman)的字體,目前存留最早的羅馬印刷體是 1530 年在巴黎刻的 garamond。Garamond 羅馬體。原圖出自 這裡(Garamond 是什麼樣的字體?有什麼故事?)西文排版一開始只有羅馬正文字體,而沒有斜體。斜體是後來才發明的。斜體的英文學名是 italic,顧名思義,就是一個在義大利誕生的字體。比起正文羅馬體,italic 比較接近草寫、手書。手書所帶來的天然歪斜是斜體的來源。italic 是基於西方書法基礎的字體,原圖來自 wikimedia commons一開始,斜體其實也當作正文字體。它不僅比羅馬體更有人文氣息,也更省印刷空間。只是久了以後人們開始發現斜體沒有比羅馬體好讀,到了文藝復興晚期,斜體就被用來與羅馬體混搭,做特殊用途排版,例如強調。這個規則一直延續使用到現在。而粗體出現的時間更晚,是十九世紀的發明,也是設計來與正文對比的。回到主題,拆開歷史脈絡後我們就可以了解,粗體與斜體也是一種字體樣貌,不是按鈕產生的的特效。補充:在麥金塔電腦的 iWork 系列中,若電腦裡缺乏字體的粗體字型或斜體字型,按 i 與 B 都不會產生任何效果。亦即,我們很難在用 iWork 生產的文件中看到斜體中文與幾何加粗的中文內文。附註:其實,西文排版裡還有其他強調法的細節與歷史,包含使用全部大寫(allcaps)的強調法;italics、oblique 在中文都翻成斜體,但是有什麼不一樣呢?這些會寫在稍後刊出的 進階版 。如果你想強調的是一整段使用了真正的斜體、粗體,但是卻沒有善用它,那也是很可惜的。因為過度的強調等於沒有強調,還會變成一種干擾。我們可以試舉以下例子:太多強調,其實就是沒有強調以上圖片就是一個太多強調,等於沒有強調的好例子。但也看得出來,想這麼做的原因是希望告訴讀者「這一段很重要喔」。傳統的西文排版會用以下這種方式凸顯一個重要的段落:怎麼強調一整個段落:借由底色、邊框與不同字體的變化,告訴讀者這一段很重要,也幫助快速瀏覽掌握重點。若使用顏色強調,對文字上顏色在活版印刷時代成本很高,因為要套兩個顏色下去印。但是這個限制在噴墨印表機、雷射印表機,甚至螢幕閱讀大行其道的現代就消失了,上色變成一種非常容易的事情。但是就傳統的排版規則來看,或是以正式文件的性質考量,上顏色是一件比較不合乎慣例的事情。不過除了正式的紙本文件以外,舉凡網頁、名片、賀卡或書籍,都可以合理地使用顏色強調。中文部分:強調法稀少接下來我們要談一些中文排版的強調問題。其實翻開古書刊本就可以發現,中文裡沒有顯著的強調方式。最傳統的,而且幾乎能確定是唯一一種強調方式,是在文句旁邊加上小圈圈。這個被稱為「強調點」。也就是說,目前也常用的粗體、斜體設計,其實從是西方學來的排版規則。但是就使用上而言,並沒有確立一套規矩。傳統的中文強調點(當然,中文強調點是直排的產物)中文部分可行方案:使用不同字體強調使用不同字體強調似乎是目前比較常見的方案。例如:但是這種做法很奇怪,黑體與明體其實很難搭配在內文,最好還是使用同一種樣式的粗體。目前中文字體越來越注重字體家族,就是基於這種需要。例如 信黑體 、冬青黑體、蘭亭黑,都有不同粗細可以用作內文、註解與強調使用。上一篇我們提到日本 typeproject 公司研發的 adjustable font,則讓字體可以合理的調整粗細,用在適合的地方;而且不僅黑體,也包含了明朝體。越來越多同一風格、不同字重的「字體家族」是中日韓漢字圈未來數年發展的重要方向。另外,中文也缺乏斜體造型。Word 或 HTML 程式生成的中文斜體其實完全破壞了中文的結構。除了建議大家儘量避免使用假斜體以外,我們也發現其實在中文歷史脈絡中,有跟斜體很相近的使用法。依照歷史脈絡來看,在中文古書上,正文與註解使用的就是兩種不同樣貌的字體。用在註解的字體比較瘦長、纖細,樣貌上接近仿宋體。中文古籍排版:正文與註解是兩種不同字體。圖片來自 wikimedia commons而且仿宋、楷體體因為筆畫走勢關係,在視覺上與明體相較,會有差異顯著的歪斜感,如此則可能產生區隔效果。最後,目前也有人著手研究開發真正的中文斜體。上次我們在 傑出華文漢字設計作品展 中看到了香港理工大學郭家榮所實驗的中文斜體,可以供大家參考。從傳統中文書法理汲取靈感所創造的中文斜體參考資料:bold or italic–butterick's practical typographyrules & borders–butterick's practical typographycolor–butterick's practical typographyunderlining–butterick's practical typographyRober Bringhurst(2008) Historical Interlude, Elements of typographic style p 123–124本系列其他文章:大眾字型學 (1): 英文履歷表要用哪套字型?大眾字型學 (2): 怎麼製作美觀的文件版面?大眾字型學 (3):Word 預設中英搭配,有什麼問題?本文重點避免使用底線強調。(除了超連結)避免使用假粗體、假斜體強調。斜體、粗體是另一種字體,而不是特效。顏色除了正式文件,在許多狀況下都可以用在強調。想強調一個段落可以用區塊式強調。中文沒有斜體,但可以利用有字體家族的字體豐富排版。快加入 INSIDE Google News 按下追蹤,給你最新、最 IN 的科技新聞!延伸閱讀:「字型入門」為何 Futura Medium 不適合標題字?視覺化資訊圖表(Infographics)設計教學:字型篇二十五年研磨台灣字體之美 —專訪文鼎科技文字怎麼搭配才吸睛? 10 個排版秘訣搞定你的設計魔鬼藏在寬度裡募爆了!台灣自製字體「金萱」募資半天突破 800 萬台幣!

-- gReader Pro 

不想讓創作變AI飼料?全新開源字型「ShieldFont」登場,靠這招讓爬蟲抓到滿頭包 | T客邦

https://www.techbang.com/posts/131901-shieldfont-anti-ai-crawler-glyph-substitution