AI生成藝術(shù)
關(guān)注創(chuàng)建者：匿名 創(chuàng)建時(shí)間：2026-01-05
AI生成藝術(shù)的實(shí)例教程
</p><p><br></p><p>在圖像生成方面，即便能生成部分細(xì)節(jié)正確的圖片，但需要微調(diào)的細(xì)節(jié)也很難達(dá)到理想效果。</p><p><br></p><p><strong>? 易產(chǎn)生幻覺：</strong></p><p><br></p><p>LLM 看似知識(shí)淵博，實(shí)則不然。其知識(shí)源于訓(xùn)練數(shù)據(jù)、字母組合概率等，<strong>響應(yīng)是基于訓(xùn)練學(xué)習(xí)路徑和相似概念生成</strong>，并非來(lái)自結(jié)構(gòu)化知識(shí)庫(kù)或數(shù)據(jù)庫(kù)。</p><p><br></p><p>而且，<strong>在沒有使用新數(shù)據(jù)訓(xùn)練時(shí)，LLM 也無(wú)法提供最新信息</strong>，信息局限于訓(xùn)練截止日期。這使得 LLM 容易產(chǎn)生看似可信但實(shí)際錯(cuò)誤的 “幻覺” 信息，誤導(dǎo)對(duì)相關(guān)領(lǐng)域了解不足的用戶。</p><p><br></p><p><strong>? 存在偏見：</strong></p><p><br></p><p>LLM 依據(jù)數(shù)據(jù)模式生成響應(yīng)，缺乏真正的理解，這導(dǎo)致其訓(xùn)練數(shù)據(jù)易受偏見和限制影響，進(jìn)而使輸出響應(yīng)也帶有同樣的問(wèn)題，而不會(huì)考慮用戶感受。</p><p><br></p><p>不過(guò)，也有應(yīng)對(duì)這些局限的方法。例如，當(dāng)在提示中包含上下文基礎(chǔ)時(shí)，GenAI 的表現(xiàn)會(huì)有所提升。將 <strong>LLM 生成的響應(yīng)限制在給定上下文信息內(nèi)，若上下文準(zhǔn)確，響應(yīng)也可能更準(zhǔn)確，這種技術(shù)被稱為檢索增強(qiáng)生成（RAG）技術(shù)。</strong></p><p><br></p><p>很多主流搜索引擎已開始將 RAG 技術(shù)與現(xiàn)有搜索索引結(jié)合，以有效生成對(duì)搜索問(wèn)題的答案，通常還會(huì)提供用于為L(zhǎng)LM提供上下文的網(wǎng)頁(yè)參考URL。<strong>知識(shí)圖譜作為 RAG 的重要新形式，為生成或利用上下文基礎(chǔ)的技術(shù)提供支持。
展開 尤其在數(shù)據(jù)閉環(huán)迭代、長(zhǎng)尾場(chǎng)景驗(yàn)證及安全冗余驗(yàn)證等關(guān)鍵環(huán)節(jié)中，高保真、高復(fù)雜度的場(chǎng)景生成能力正在成為測(cè)試體系的核心支撐。
傳統(tǒng)場(chǎng)景生成方式面臨效率低、人工成本高、行為多樣性不足等問(wèn)題，難以滿足當(dāng)前智能駕駛系統(tǒng)對(duì)大規(guī)模、多模態(tài)、真實(shí)物理驅(qū)動(dòng)場(chǎng)景的需求。為應(yīng)對(duì)這一挑戰(zhàn)，基于生成式AI的4D場(chǎng)景生成技術(shù)迅速興起，構(gòu)建了從環(huán)境建模、行為重建到視覺渲染的完整鏈條，正在重塑自動(dòng)駕駛仿真驗(yàn)證的技術(shù)基礎(chǔ)。
本文將從技術(shù)背景、系統(tǒng)能力、核心技術(shù)和實(shí)際應(yīng)用四個(gè)方面，系統(tǒng)梳理AI驅(qū)動(dòng)的4D場(chǎng)景生成體系及其在自動(dòng)駕駛仿真中的實(shí)踐價(jià)值。
一、測(cè)試覆蓋率瓶頸與生成式AI切入點(diǎn)
自動(dòng)駕駛測(cè)試需要應(yīng)對(duì)極其復(fù)雜的交通場(chǎng)景，包括非結(jié)構(gòu)化路口、弱交通規(guī)則區(qū)域、極端天氣、低照度場(chǎng)景，以及多主體交互引發(fā)的不確定性行為等。當(dāng)前基于真實(shí)數(shù)據(jù)采集或手工建模的方式存在如下限制：
（1）采集成本高：依賴實(shí)車、實(shí)景、多模態(tài)同步設(shè)備，周期長(zhǎng)、數(shù)據(jù)稀疏；
（2）稀有場(chǎng)景不足：事故場(chǎng)景、異常行為等真實(shí)比例極低，難以高質(zhì)量復(fù)現(xiàn)；
（3）組合爆炸問(wèn)題：參數(shù)空間（如天氣、時(shí)間、交通密度）指數(shù)級(jí)增長(zhǎng)，難以人工覆蓋；
（4）場(chǎng)景可控性弱：缺乏可調(diào)控的語(yǔ)義接口，測(cè)試粒度不足。
生成式AI具備從數(shù)據(jù)中學(xué)習(xí)潛在分布、生成新組合樣本的能力。其引入使得場(chǎng)景構(gòu)建從“手工定義”轉(zhuǎn)向“自動(dòng)生成”，具備如下優(yōu)勢(shì)：
（1）能構(gòu)造真實(shí)但未見過(guò)的長(zhǎng)尾組合；
（2）能對(duì)目標(biāo)測(cè)試策略進(jìn)行定向增強(qiáng)（如遮擋率、交通密度等指標(biāo)）；
（3）可支持大規(guī)模仿真測(cè)試平臺(tái)的持續(xù)供場(chǎng)；
（4）支持動(dòng)態(tài)交互與時(shí)間演進(jìn)建模，構(gòu)建完整4D語(yǔ)義閉環(huán)。
二、4D場(chǎng)景生成的核心能力
所謂4D場(chǎng)景生成，核心在于“空間 + 時(shí)間”的聯(lián)合建模能力，既要對(duì)物理環(huán)境建模，也要對(duì)場(chǎng)景中各類參與者的行為軌跡進(jìn)行動(dòng)態(tài)建模與演化。
展開 識(shí)別生成式AI解決方案的商業(yè)價(jià)值 課程時(shí)長(zhǎng)：1小時(shí) 課程大?。?40.0MB 發(fā)布年份：2026 課程內(nèi)容：許多機(jī)構(gòu)在引入生成式AI時(shí)，缺乏評(píng)估其價(jià)值與展示實(shí)際回報(bào)的清晰框架。本課程將幫助你掌握評(píng)估生成式AI應(yīng)用場(chǎng)景的能力，使其與實(shí)際業(yè)務(wù)成果相匹配。你將學(xué)習(xí)生成式AI基礎(chǔ)理念、成
本文翻譯自：Smarter API Reviews With Gen AI
原文作者：Qt Group軟件工程師Daniel Smith
隨著生成式AI的興起，各企業(yè)正試圖探索如何在其環(huán)境中實(shí)施，以提升流程的效率?；蛟S最佳切入點(diǎn)是尋找流程中的現(xiàn)有痛點(diǎn)，然后思考AI如何應(yīng)對(duì)這些問(wèn)題。（本篇博文由真人撰寫）
Dall-E 3圖像生成提示語(yǔ)：一臺(tái)設(shè)計(jì)時(shí)尚的未來(lái)智能機(jī)器人坐在電腦前，分析屏幕上代碼的差異。機(jī)器人外觀友好、平易近人，屏幕展示了帶有高亮部分的復(fù)雜代碼。周圍環(huán)境暗示這是一個(gè)現(xiàn)代化的高科技辦公空間。
歷史背景
Qt Project的一個(gè)主要痛點(diǎn)歷來(lái)是在版本發(fā)布前按時(shí)完成API審查。API的增加和改動(dòng)對(duì)Qt框架的使用方式有重大影響，并且對(duì)已有API的改動(dòng)經(jīng)常會(huì)破壞用戶的系統(tǒng)兼容性，所以這些變更必須在加入最終發(fā)布版本之前仔細(xì)審查。為Qt添加新功能通常意味著引入新的API，我們希望未來(lái)這些新API能夠?yàn)橛脩籼峁┝己玫脑O(shè)計(jì)和穩(wěn)定的使用體驗(yàn)。然而有時(shí)現(xiàn)有的API免不了發(fā)生變更，我們也需要確保這些變更是經(jīng)過(guò)深思熟慮的，而且除了變更外，沒有其他替代方案能夠避免破壞兼容性。
這種做法雖然多年來(lái)行之有效，但在一些重要API更改初步合并后，卻因?yàn)樵诎l(fā)布審查時(shí)需要撤回或在最終發(fā)布前進(jìn)行重大修改，而導(dǎo)致發(fā)布日期多次延誤。為了縮短API變更實(shí)施與最終發(fā)布準(zhǔn)備之間的時(shí)間差，我們希望在周期的早期階段進(jìn)行API變更審查。但該如何實(shí)現(xiàn)呢？
最初的討論主要集中在簡(jiǎn)單地為任何頭文件變動(dòng)打上標(biāo)簽以供人工審查，但這樣的解決方案太過(guò)繁縟。反而會(huì)導(dǎo)致工作量增加。但是，如果我們可以讓AI承擔(dān)一部分初步的代碼分析任務(wù)，至少可以用它來(lái)判斷某個(gè)改動(dòng)是否“重大”，這樣會(huì)不會(huì)更好呢？
什么是GPT？
展開 “努力贏得自己的幸福和世界”
“what we would end create, creates the ground and you are the one to warm it”
“我們想要結(jié)束的創(chuàng)造卻造就了大地，唯你抱以溫情”
“l(fā)ook and give up in miracles”
“仰望奇跡，放棄幻想”
但其實(shí)上面這些雞湯句子全都是電腦生成的，而且其生成雞湯文所用的程序還不到 20 行 Python 代碼。
一提到自然語(yǔ)言生成，人們通常會(huì)覺得這一定是很先進(jìn)的 AI 系統(tǒng)，使用了很高級(jí)的數(shù)學(xué)知識(shí)。但是，事實(shí)并非如此。在本文我（作者 Ramtin Alami——譯者注）會(huì)用馬爾科夫鏈（Markov chains）和一個(gè)很小的雞湯文數(shù)據(jù)集生成新的雞湯文。
馬爾科夫鏈
馬爾科夫鏈?zhǔn)且环N隨機(jī)模型，能根據(jù)先前的事件單獨(dú)預(yù)測(cè)一個(gè)事件。舉個(gè)簡(jiǎn)單的例子，就用我家喵主子的生活狀態(tài)轉(zhuǎn)換解釋一下吧。我家喵主子總是要么吃、要么睡、要么玩玩具。她大部分時(shí)間都是在睡覺，但是偶爾會(huì)睡醒起來(lái)用膳。通常，用膳過(guò)后她會(huì)倍兒精神，開始玩玩具，玩夠了就回去睡，然后再睡醒去吃。
用馬爾科夫鏈就能很容易地模擬出我家喵主人的生活狀態(tài)，因?yàn)樗龝?huì)根據(jù)之前的狀態(tài)決定下一步去干嘛。她一般不會(huì)醒來(lái)后直接去玩玩具，但是吃完?yáng)|西后，有很大概率去玩一會(huì)。這些生活狀態(tài)轉(zhuǎn)換也可以用圖表的形式表現(xiàn)出來(lái)：
每個(gè)橢圓代表一種生活狀態(tài)，箭頭所指的是下一個(gè)生活狀態(tài)，箭頭旁邊的數(shù)字是指她從一種狀態(tài)轉(zhuǎn)到另一種狀態(tài)的概率。我們可以看到，狀態(tài)轉(zhuǎn)換的概率基本上只根據(jù)上一種生活狀態(tài)。
展開 
AI生成藝術(shù)的相關(guān)專題、標(biāo)簽、搜索
AI生成藝術(shù)的最新內(nèi)容
識(shí)別生成式AI解決方案的商業(yè)價(jià)值 課程時(shí)長(zhǎng)：1小時(shí) 課程大?。?40.0MB 發(fā)布年份：2026 課程內(nèi)容：許多機(jī)構(gòu)在引入生成式AI時(shí)，缺乏評(píng)估其價(jià)值與展示實(shí)際回報(bào)的清晰框架。本課程將幫助你掌握評(píng)估生成式AI應(yīng)用場(chǎng)景的能力，使其與實(shí)際業(yè)務(wù)成果相匹配。你將學(xué)習(xí)生成式AI基礎(chǔ)理念、成
高級(jí)RAG：構(gòu)建與部署生產(chǎn)級(jí)生成式AI應(yīng)用 發(fā)布于2026年，視頻格式MP4，視頻編碼h264，分辨率1920×1080，音頻編碼AAC，采樣率44.1kHz，雙聲道。課程共114講，時(shí)長(zhǎng)11小時(shí)，文件大小10.1GB。 你將學(xué)到：使用BM25混合搜索、RRF融合與Qdr
新思科技與 AMD 合作的項(xiàng)目入選世界經(jīng)濟(jì)論壇（World Economic Forum）的 MINDS（Meaningful, Intelligent, Novel, Deployable Solutions，即“有意義、智能化、創(chuàng)新性、可部署的解決方案”）人工智能項(xiàng)目。該項(xiàng)認(rèn)可意味著，兩家公司躋身全球在人工智能領(lǐng)域具有領(lǐng)先實(shí)踐的創(chuàng)新組織之列——這些組織不僅在技術(shù)上實(shí)現(xiàn)突破，更以落地應(yīng)用產(chǎn)生了可衡量的實(shí)際成效
軟件平臺(tái)，包括云計(jì)算平臺(tái)，分布式計(jì)算框架
人工智能數(shù)字媒體：集中展示人工智能技術(shù)與數(shù)字媒體藝術(shù)的創(chuàng)新融合成果，包括AI生成的藝術(shù)作品、視頻制作、圖像處理、音頻處理等。同時(shí)，設(shè)置互動(dòng)體驗(yàn)環(huán)節(jié)，通過(guò)智能算法驅(qū)動(dòng)的3D模型與虛擬現(xiàn)實(shí)技術(shù)，并結(jié)合智能問(wèn)答與語(yǔ)音交互系統(tǒng)，為參觀者帶來(lái)沉浸式互動(dòng)體。
近年來(lái)，伴隨自動(dòng)駕駛技術(shù)的快速發(fā)展，行業(yè)對(duì)于仿真測(cè)試平臺(tái)的精度、覆蓋率和可擴(kuò)展性提出了更高要求。尤其在數(shù)據(jù)閉環(huán)迭代、長(zhǎng)尾場(chǎng)景驗(yàn)證及安全冗余驗(yàn)證等關(guān)鍵環(huán)節(jié)中，高保真、高復(fù)雜度的場(chǎng)景生成能力正在成為測(cè)試體系的核心支撐。
傳統(tǒng)場(chǎng)景生成方式面臨效率低、人工成本高、行為多樣性不足等問(wèn)題，難以滿足當(dāng)前智能駕駛系統(tǒng)對(duì)大規(guī)模、多模態(tài)、真實(shí)物理驅(qū)動(dòng)場(chǎng)景的需求。為應(yīng)對(duì)這一挑戰(zhàn)，基于生成式AI的4D場(chǎng)景生成技術(shù)迅速興起
<p><br></p><p>如今，各行各業(yè)對(duì)生成式人工智能（GenAI）的參與度遠(yuǎn)超以往。GenAI 發(fā)展迅猛，不斷帶來(lái)新的機(jī)遇與價(jià)值。然而，對(duì)企業(yè)而言，實(shí)施 GenAI 常面臨諸多挑戰(zhàn)，或覺其難以駕馭，或擔(dān)憂風(fēng)險(xiǎn)過(guò)高。</p><p><br></p><p>盡管存在一定局限，但<strong>技術(shù)的進(jìn)步以及知識(shí)圖譜等工具的出現(xiàn)，正不斷強(qiáng)化 GenAI 的數(shù)據(jù)分析能力。</strong>在用戶 AI 環(huán)境中引入知識(shí)圖譜
在前面的幾章節(jié)中探討了aiSim仿真合成數(shù)據(jù)的置信度，此外在場(chǎng)景重建和測(cè)試流程閉環(huán)的過(guò)程中，難免會(huì)面臨3D場(chǎng)景制作重建耗時(shí)長(zhǎng)、成本高、擴(kuò)展性低以及交通狀況復(fù)雜程度難以滿意等問(wèn)題，當(dāng)前的主要挑戰(zhàn)在于如何自動(dòng)化生成3D靜態(tài)場(chǎng)景并添加動(dòng)態(tài)實(shí)例編輯，從而有效縮短測(cè)試流程，擴(kuò)大仿真測(cè)試范圍。
編輯
圖1：實(shí)際圖像
圖2：NeRF
本文翻譯自：Smarter API Reviews With Gen AI
原文作者：Qt Group軟件工程師Daniel Smith
隨著生成式AI的興起，各企業(yè)正試圖探索如何在其環(huán)境中實(shí)施，以提升流程的效率。或許最佳切入點(diǎn)是尋找流程中的現(xiàn)有痛點(diǎn)，然后思考AI如何應(yīng)對(duì)這些問(wèn)題。（本篇博文由真人撰寫）
Dall-E 3圖像生成提示語(yǔ)：一臺(tái)設(shè)計(jì)時(shí)尚的未來(lái)智能機(jī)器人坐在電腦前
先給大家分享點(diǎn)雞湯：
“Don’t think of the overwhelming majority of the impossible.”
“不要去想不可能之事”
“Grew up your bliss and the world.”
“努力贏得自己的幸福和世界”
“what we would end create, creates
