Adobe(Nasdaq:ADBE)推出全新的创意生成式人工智能(AI)模型集 Firefly,将首先聚焦于图像生成和文本效果。Firefly将让Creative Cloud、Document Cloud和Experience Cloud工作流程中的内容创作和修改变得更精准、更强大、更快速和更轻松。Firefly将成为跨Adobe 云端产品的全新Adobe Sensei生成式AI服务的一部分。
Adobe在 AI 创新方面拥有超过十年的历史,通过Adobe Sensei 将数百种智能功通过应用程序提供给数以亿计的客户。得益于Photoshop中的神经网络滤镜(Neural Filters)、After Effects 中的内容感知填充 (Content Aware Fill)、Adobe Experience Platform 的Attribution AI(人工智能归因),以及Acrobat 的Liquid Mode等功能,Adobe的客户可以以更强大、更精准、更快速和更轻松的方式,创作、编辑、衡量、优化和审阅数十亿条内容。这些创新功能的开发和部署均符合Adobe负责任、有承担和高度透明的 AI 道德原则。
Adobe 数字媒体业务总裁 David Wadhwani表示:“生成式人工智能是由AI主导的创造力和生产力的下一个演变,让创作者和计算机之间的对话变得更自然、更易用和更强大。借助 Firefly,Adobe 将把AI 驱动生成的‘创意成分’直接引入客户的工作流程,提高所有创作者的生产力和表达力,从顶端的创意专业人士到大范围的创作者经济均能受益。”
Adobe Firefly:赋予创作者新的超能力
Adobe 正在设计的Firefly为所有创造者都赋予了“超能力”,让他们的工作速度如想象一般快速。在Firefly的支持下,无论是何种经验和技能水平的内容创作者,都能按自己的语言生成理想的内容,从图像、音频、矢量图、视频和3D到诸如画笔、色彩渐变和视频转换等创意成分,都比以往任何时候更快捷、更轻松。有了Firefly,创作者可以不受限制地制作多样化的内容,并基于品牌形象快捷、简单地进行多次修改。Adobe还将Firefly直接整合至其行业领先的工具和服务中,确保用户可以毫不费力地在其现有的工作流程中应用生成式人工智能所带来的强大力量。
Adobe 今天还推出了Firefly的测试版,展示拥有不同经验和技能水平的创作者如何生成高质量的图像和一流的文案效果。Adobe 认为,如果没有强大的想象力来推动,技术就无法发挥其威力。通过测试,Adobe将与创意社区和客户沟通,在发展这个颠覆性技术的同时,开始将之整合至旗下的应用程序中。首批与Firefly整合的应用程序将会是Adobe Experience Manager, Adobe Photoshop 和 Adobe Illustrator。
专为商业用途安全使用的高质量图像
Firefly 将由多个模型组成,为具有广泛技能和技术背景的客户提供服务,适用于不同的应用场景。Adobe的第一个模型是基于Adobe Stock素材库、公开许可内容和版权已过期的公共领域内容训练的,将专注于图像和文案效果,旨在生成可安全用于商业用途的内容。Adobe Stock 拥有数以亿计的专业级且获许可的图像,是市场上具备高质量素材的图像库之一,有助于确保 Firefly 不会根据其他人或品牌的 IP 生成内容。未来的 Firefly模型将运用来自 Adobe 和其他公司的各种资产、技术和培训数据。在发展其他模型时,Adobe 将继续将应对潜在的有危害性的偏见作为优先考虑事项。
以客户为本方针
Adobe 正在设计生成式人工智能,以助力创作者从他们的技能和创造力中获益:
好文章,需要你的鼓励
清华大学团队突破性开发"零样本量化"技术,让AI模型在不接触真实数据的情况下完成高效压缩,性能反超传统方法1.7%,为隐私保护时代的AI部署开辟新路径。
普林斯顿大学研究团队开发出"LLM经济学家"框架,首次让AI学会为虚拟社会制定税收政策。系统包含基于真实人口数据的工人AI和规划者AI两层,通过自然语言交互找到最优经济政策,甚至能模拟民主投票。实验显示AI制定的税收方案接近理论最优解,为AI参与社会治理提供了新路径。
K Prize是由Databricks和Perplexity联合创始人推出的AI编程挑战赛,首轮比赛结果显示,获胜者巴西工程师Eduardo Rocha de Andrade仅答对7.5%的题目就获得5万美元奖金。该测试基于GitHub真实问题,采用定时提交系统防止针对性训练,与SWE-Bench 75%的最高得分形成鲜明对比。创始人承诺向首个在该测试中得分超过90%的开源模型提供100万美元奖励。
南开大学研究团队提出了一种新的3D高斯泼溅重光照方法,通过在高斯原语上直接编码离散化SDF值,避免了传统方法需要额外SDF网络的问题。该方法设计了投影一致性损失来约束离散SDF样本,并采用球形初始化避免局部最优。实验表明,新方法在保持高质量重光照效果的同时,仅需现有方法20%的显存,显著提升了训练和渲染效率。