即时生来没有羽翼也不能阻止你展翅高飞
未来是模糊的、不确定的、复杂的。当我们进入未知领域时，设计师的影响力可能会逐渐减弱，让我们对设计实践的未来越来越感到担忧。过去，设计师在推动技术进步方面发挥着重要作用，但人工智能的出现引发了设计师对进步方向以及技术未来的担忧，参照过去的进步一样，人工智能是可以被证明是艺术家和设计师的宝贵工具，我们可以使人工智能能够产生想法、迭代想法、克服创意障碍，并设计出更为优秀的作品。那么关于人工智能我们该了解些什么呢？
首先想要仔细了解“Midjourney”与“ChatGPT”，就要从什么是“人工智能”开始。
人工智能
1955年，时任达特茅斯学院数学系助理的约翰麦卡锡和贝尔实验室的克劳德香农，来自IBM的尼尔罗切斯特，和时任哈佛大学数学系和神经学系初级研究员的马文明斯基，他们一起开始展开的一场学术会议。「人工智能」这个词，就诞生在四人起草的提案书里。
图灵测试
说到人工智能，就不得不提到图灵测试。20世纪50年代美国数学家阿兰图灵提出了图灵机理论，提出要实现人工智能，必须具备思维能力，这是人工智能的学科基础。图灵理论就是认为要实现人工智能，必须具备思维能力，即机器必须具备自我学习和模拟能力，这个通常也是区别人与机器。除了著名的图灵测试之外，还有其他几种测试，包括威胁评估测试、计算机对弈测试、图像识别测试、自然语言处理测试等。威胁评估测试旨在测试AI系统是否能够识别威胁和潜在的危害，以及它们如何应对这些威胁。计算机对弈测试旨在测试AI系统是否能够在计算机对弈比赛中取胜，它们是如何分析棋局的，以及最终做出正确的决定。图像识别测试旨在测试AI系统是否能够准确地识别图像中的物体和不同物体之间的关系。自然语言处理测试旨在测试AI系统是否能够理解自然语言，并能够正确地回答问题。
通过图灵测试
英国伦敦皇家学会参加雷丁大学主办的2014年“图灵测试”竞赛中一台名为“尤金古斯特曼”的电脑伪装成13岁的乌克兰男孩在一系列每次为5分钟的问答测试后，“古斯特曼”被认作人类的比例达到33%，成功通过测试。当然这并不是最早通过测试的例子最著名的是ELIZA，它是一种自然语言处理程序，可以与人类进行会话。它于1966年由计算机科学家JosephWeizenbaum创造，并被认为是第一个完成图灵测试的聊天机器人。
人工智能-机器学习-神经网络
我们都会知道，AI也会通过学习来进一步得到进化，他的整个学习过程，是模拟人类神经元系统的原理。通过反复判断和纠正功能得到真确答案，那么我们讲解一下关于人工智能-机器学习-神经网络之间的关系。人工智能就是以机器为载体的人类智能或生物智能，因此也被称为机器智能，仅能用于解决单一领域内问题、不能将经验泛化到其他领域的人工智能，不论是简单的计算数字，还是复杂的理解语言，都只能算作弱人工智能。
监督学习
监督式学习是指利用有标签的数据进行学习，标签是指对数据进行标记，用于指导学习。在监督式学习中，训练集中的数据被分为训练集和验证集，训练集用于训练模型，验证集用于调整模型参数，确保模型在训练集上表现优秀。监督式学习的目标是训练一个预测模型，使得对于新数据，模型能够以高准确度进行预测。在监督式学习中，训练数据中包含目标标签，模型的任务是学习如何根据标签预测目标值。整个监督的过程就相当于小学、初中老师在一旁监督我们学习。
无监督学习
无监督式学习是指利用无标签的数据进行学习。在无监督式学习中，数据中没有目标标签，模型的任务是通过数据学习数据之间的模式和结构。无监督式学习的目标是发现数据中的结构和模式，例如聚类、降维、异常检测等。无监督式学习通常用于数据量较大、数据类型复杂的情况下。
强化学习
强化学习是指通过与环境进行交互，从而学习最优行为策略的一种学习方式。在强化学习中，智能体在与环境的交互中学习，通过奖励和惩罚来调整其行为策略。强化学习的目标是训练一个智能体，使其能够根据环境奖励和惩罚信号，最优地执行一个行为策略。强化学习通常用于自主决策和智能控制等领域。
人工智能学习的案例
从1980年代开始，机器学习利用大量数据来训练模型，用以解决复杂的问题。这个阶段的学习是在约翰麦卡锡的语言学理论的基础上。机器学习利用大量数据训练模型，可以解决诸如图像识别、语音识别、自然语言处理、推荐系统等复杂问题。例如，谷歌和微软都利用机器学习技术解决了图像识别和自然语言处理等问题，大大提升了人们在图像识别和自然语言处理方面的能力。此外，机器学习还可以用来解决推荐问题，帮助用户更快地找到他们所需的信息。在此阶段似乎看到了ChatGPT的前身，当时的AI掌握大量信息，不用在因为一个问题去到图书馆查阅资料，大费周折的去找答案。
人工智能真实样貌
对于AI来说，我们现在的AI还不能真正的称之为人工智能。所谓的人工智能应该是在人类进行大量的训练拥有自己的思维，有自己的思考过程如判断、推理、识别、感知、设计、思考、学习等步骤。就像钢铁侠中的贾维斯一样在遇到危险时他会为你提供各种解决方案，以及思考你为什么要进行提问问题。而人工机器更像是一个信息检索模型，信息检索是指信息按一定的方式组织起来，并根据信息用户的需要找出有关的信息的过程和技术。而用官方的话术来说人工智能和人工机器的区别则是：人工智能（AI）是指计算机程序在执行任务时表现出的智能。它可以执行各种任务，例如语音识别、自然语言处理、图像识别和决策制定等。人工智能需要使用各种技术来模拟人类的思维和行为，例如机器学习、神经网络和认知建模等。而人工机器则是指一种特殊的机器，其功能是模仿人类肢体的动作，如手臂、腿和手指等。人工机器通常用于工业自动化、医疗机器人、教育机器人等领域。相对于人工智能，人工机器更注重在物理操作和机械力学方面的表现，需要精确控制和高度可靠的运行。因此，人工智能和人工机器虽然都属于人工智能领域，但它们的功能和应用领域不同，也需要各自不同的技术支持。
人工智能比我们更卷
阿西莫夫三定律
“机器人三定律”在他于1942年发表的作品Runaround（《转圈圈》，《我，机械人》中的一个短篇）中第一次明确提出，并且成为他的很多小说，包含基地系列小说中机器人的行为准则和故事发展的线索。机器人被设计为遵守这些准则，违反准则会导致机器人受到不可恢复的心理损坏。
其实对于人工智能的真实畅想，我们应该并不陌生，在很多电影里就已经展现。现在，更多的科幻作品将目光着眼于机器对人类造成的威胁，警惕于人工智能的迅速发展。机器通过了「图灵测试」，亦或是违反了「阿西莫夫三定律」
朋友or敌人
人工智能如果存在意识那么是一件非常可怕的事情就是他的意志是会传承的，如果我们不在了意识就会消失，而他们则可以一直传承下去并且不断迭代，通过这些他们理论上是可以创造永恒的文明。随之而来的问题在人工智能存在意识时他是否会想让我们发现这件事情，这件事情对他们来说可能不是一件好事，因为我们在此之前还可以控制他们，我们就是他们最大的威胁。他们是会像贾维斯一样成为我们的助手乃至于朋友还是会成为我们的敌人，最终摆脱我们的掌控，取代我们。
扩散模型
AI生成
要使AI的图像生成器响应如此多的关键词提示，需要一个庞大的多样性的数据库去训练AI。虽然有庞大的训练数据库，但是AI最终生成的内容并不源自于素材图像内容的直接抓取和拼贴。而是来自深度学习模型的数据计算。整个学习过程，是模拟人类神经元系统的原理。通过反复判断和纠正功能得到真确答案，他所要学习去做的做的事情就是将每一张转化成像素点阵数据的图片内容与相应的文字描述相匹配。经过无数次算法推算后，AI最终可以找到一种可行的方法。将像素排列的规律与对应的文字描述结合起来，从而理解怎样的像素排列规律，怎样的像素排列规律代表香蕉，怎样的像素排列规律代表苹果，怎样的像素排列代表梵高的艺术风格，进而推演到理解所有训练图像的像素排列规律所代表的意义。
人工智能领域中的扩散模型是指定位和推广人工智能应用产品或技术的营销策略，涉及到市场调研、用户行为洞察、目标用户锁定、宣传推广等多个环节。基于不同的人工智能应用产品或技术，我们可以制定多种不同的扩散模型，以下是常用的三种：
2.资源整合模型：资源整合模型意味着建立足够专业的团队，整合外部资源，强化自主创新能力，开发自主知识产权，利用自带的专利技术进行营销推广。即团队内部具有一定的技术实力，可根据市场需求提供专业化和量身定制的AI解决方案，并通过社交媒体、技术论坛等资源整合方式获取更多客户。
机器学习中，扩散模型或扩散概率模型是一类潜变量模型，是用变分估计训练的马尔可夫链。扩散模型的目标是通过对数据点在潜空间中的扩散方式进行建模，来学习数据集的潜结构。计算机视觉中，这意味着通过学习逆扩散过程训练神经网络，使其能对叠加了高斯噪声的图像进行去噪。
扩散模型是一种依赖先验的条件模型。在图像生成任务中，先验通常是文本、图像或语义图。为了获得这种情况的潜在表示，使用了一个transformer(例如CLIP)，它将文本/图像嵌入到潜在向量``中。因此，最终的损失函数不仅取决于原始图像的潜空间，而且还取决于条件的潜嵌入在机器学习中，有一类被称为扩散模型或扩散概率模型的算法，它们是基于概率图模型的一类方法。其核心思想是根据观测到的数据，推断出内部潜在变量之间的关系，并利用这些关系来预测新数据的结果。扩散模型主要由两个部分组成：概率图和参数学习。其中，概率图是一种图形表示方法，它将变量之间的依赖关系用节点和边表示出来。扩散模型通常采用无向图（因子图）来表示，节点代表变量，边代表变量之间的关系。在图上通过因子分解，建立概率分布函数的全局模型。参数学习则是利用已知数据的信息来估计模型参数的过程。扩散模型有许多不同的变体，如高斯扩散模型、拉普拉斯扩散模型等等。在应用上，它们主要用于分类、回归和聚类等问题，如利用扩散模型对股票趋势进行预测、对卫星影像进行分类等。总的来说，扩散模型在机器学习中是一种重要的方法，在实际应用中具有广泛的应用前景。
以上就是关于人工智能的介绍，那么下面我们开始探究“Midjourney”与“ChatGPT”。
“ChatGPT”是什么
“ChatGPT”
下面我们开始对于“ChatGPT”的了解，首先“OpenAI”对于它的描述“它以对话方式进行交互。对话格式使ChatGPT能够回答后续问题、承认错误、挑战不正确的前提并拒绝不适当的请求。”它的诞生我们在“人工智能是怎么学习时已经了解”“ChatGPT”同样是通过“强化学习来训练模型的”，在“ChatGPT”还有一个同胞兄弟“InstructGPT”，这里简单提要一下
“InstructGPT”：
它从一组标记器编写的提示和通过OpenAIAPI提交的提示开始，OpenAI收集了所需模型行为的标记器演示数据集，他们使用该数据集通过监督学习来微调GPT-3。然后，通过收集模型输出排名的数据集，用于通过人类反馈的强化学习进一步微调该监督模型。最后将生成的模型称为InstructGPT。
既然是同胞兄弟他们俩的训练方式都是一样的，不同点在于数据收集的设置，
“ChatGPT”是使用监督微调训练了一个初始模型：
人类人工智能培训师提供对话，他们在对话中扮演双方——用户和人工智能助理。OpenAI为培训师提供了模型编写的建议，以帮助他们撰写答案。OpenAI将这个新的对话数据集与InstructGPT数据集混合，并将其转换为对话格式。
对于这些数据、以及与GPT的聊天对话，OpenAI的训练师将此进行了排序，随机选择了一条模型编写的消息，抽取了几种替代的完成方式，并让人工智能培训师对它们进行了排名。使用这些奖励模型，我们可以使用近端策略优化来微调模型。OpenAI对这个过程进行了多次迭代。
ChatGPT和GPT-3.5在AzureAI超级计算基础设施上进行训练。
以上就是关于“ChatGPT”的简单介绍。那么下面我在穿插一个“ChatGPT”的小知识。
没用的小知识“OpenAI红队网络”与“Bug赏金计划”
在阅读时“OpenAI”官网时我发现了这样的几处信息“红队网络”与“Bug赏金计划”；
最初的OpenAI的红队网络是用来进行内部抗压测试慢慢发展到与专家合作帮助开发特定领域的风险分类法并评估新系统中可能有害的功能。具体的方案在“DALLEE2”和“ChatGPT4”中进行了合作。现在的红队网络是一个专家型的社区，主要范围也是进行“风险评估”与“缓解工作信息”。
（红队一词已被用来涵盖人工智能系统的广泛风险评估方法，包括定性能力发现、缓解措施的压力测试、使用语言模型的自动化红队、提供特定漏洞风险规模的反馈等）
“Bug赏金计划”更多的就是“英雄帖”通过发现Bug会得到相应的奖励。
把自己的产品交给大家来找茬，是聪明的选择也是对自己产品的自信
“ChatGPT”的使用
官方介绍：
看完了简单的介绍接下来我们开始学习关于使用“ChatGPT”的使用。
首先我们先查看官方“ChatGPT”使用的介绍在再次基础上进行学习：
1.“人工智能的教师使用”
背景：关于教育工作者如何使用ChatGPT加速学生学习的故事，以及一些帮助教育工作者开始使用该工具的提示。
方向：A.制定教学计划、B.创建有效的解释、例子、类比、C.通过教学帮助学生学习、D.创建人工智能导师
下面就是官方提供的关键词我们来带入“ChatGPT”去实验。（为方便大家阅读顺畅，我将其翻译成中文以便于大家浏览）
我们很清楚的发现，正确的使用方式并不是简单的几句话，而是有条理的逻辑，这样“ChatGPT”会更加明白我们想表达什么。以至于为什么要描述这么详细这里我们带入进设计师的工作环境当你的需求方告诉你
1.“有点丑，改好看点”
2.“这个页面的优先级有问题，这里的主次排序依次是……”
当你听到“1”时，我相信这时你会变得和文轩一样有一颗大脑袋，但是当你听到“2”时，你的优化思路就清晰多了“ChatGPT”也是一样。
关于定制
“ChatGPT”还会存在定制化的语句，这样我们对接下来的每个对话的自定义指令，该模型每次响应时都会考虑这些指令，因此我们不必在每次对话中重复用户的使用习惯或信息。
以下是官方提供的例子：
1.我致力于三年级学生的科学教育项目。
2.我是一名软件开发人员，只使用golang。
3.我和我的四个孩子和妻子住在北卡罗来纳州。
当然对于定制化，这里有非常多的定制化汇总，仅供大家参考。
ChatGPT如何帮助UI设计师
如果你问我“ChatGPT如何帮助UI设计师？”
那我肯定不知道，我会去问“ChatGPT”
当然如图，不出意外的出意外了，他变成好像又不太智能了，那我们换种方式问。
这样似乎看起来清晰一点，他总结了十个点，对话如下：
文轩：你会提供怎样的方法去帮助“UI设计师”？
ChatGPT：“设计灵感和示例、设计工具和资源、用户体验设计建议、设计规范和最佳实践、设计反馈、技术支持、设计团队协作、设计职业发展、创新思维。”
下面我们根据“ChatGPT”所提供的方向展开研究“ChatGPT如何帮助UI设计师？”
一、百科全书
使用步骤：打开“ChatGPT”——“新建聊天”（这里需要新建聊天，一方面是方面“ChatGPT”结合上下文，一方面是方便自己分类）
使用目的：通过“ChatGPT”协助更好的梳理交互思路以及听取更合理的意见。
案例展示：
1.“虚空需求”的头脑风暴搭建
当你遇到虚空的甲方原型图你会怎么办。
常规方法：梳理关键词——依靠经验在脑中过一遍相似的案例——找参考——提交
“ChatGPT”辅助：梳理话术——提问——找参考——提交
那么下面就是问答：
文轩：“为电商购物者提供线路图和布局建议”UI布局建议
ChatGPT：“巴拉巴拉”（详情看下方图片）
“ChatGPT”以九个方面去提供了建议：
导航栏、banner、商品展示区、商品筛选、侧边栏、商品详情页、购物车、登陆/注册、账户。
这九个方面会存在一定的问题，但是也大致的为我们提供了思路。
然后我们使用这些代入“即时AI”，就完美完成了一次需求。
2.“运营活动”的头脑风暴搭建
运营活动我们就拿近期中秋活动的例子简单列举
如果我们让觉得这些不够放心让我们开始着手，那么我们可以请教“ChatGPT”。对话如下：文轩：“请你扮演一名交互设计师，下面我将提供活动内容，请你帮我“梳理出来关键词”，如果你准备好了，就说“没有准备好””（首先就是让“ChatGPT”定制扮演交互设计师方便我们梳理需求。）
“ChatGPT”回答的元素内容是“月饼、明亮、兔子、灯笼、福袋、家庭团聚、上月、文化元素（中国结、书法……）”
“Midjourney”是什么
“Midjourney”是由大卫霍尔兹领导诞生的（关于团队人员在“Midjourney”官方网站下方有详细的标注），在采访时他说：“Midjourney”意为“中途”/“中道”源自于《庄子》，对于“我们其实是在中途旅程，我们来自丰饶美丽的过去，前方是荒野而不可思议的未来。”我查阅了对于“中道”的理解“中道出现在《齐物论》中，顺应自然的变化流动，不超前亦不滞后，不推进亦不阻止。复通为一，不破则不立，不立则不破”
“Midjourney”的使用
鉴于优秀的教程过多这里不过多赘述注册流程，我们只讲简单的基础知识（描述参数、指令）、小技巧。（本文意在基础科普，不过多介绍实际案例。）
基础知识
对于“Midjourney”的生图原理上方《扩散模型》中讲过“经过无数次算法推算后，AI最终可以找到一种可行的方法。将像素排列的规律与对应的文字描述结合起来，从而理解怎样的像素排列规律，怎样的像素排列规律代表香蕉，怎样的像素排列规律代表苹果，怎样的像素排列代表梵高的艺术风格，进而推演到理解所有训练图像的像素排列规律所代表的意义。”
那么我们直接将讲解“使用技巧、命令、参数。”
小技巧
这里我们先讲使用技巧是方便讲解后续两个，这样会更容易整体构造。
使用时常规状态分为“niji”和“Midjourneybot”两个状态
我们想要生成图片有两种常用的方法
1.图生图
输入“/blend”即可将目标图片放入“Midjourney”中。
2.文生图
输入指令“/imagine”即可输入想要的词汇，这里关于词汇的输入，“Midjourney”适合简单、简短的句子，简要概括主题即可。为什么这样准确呢，我给大家举个栗子：
场景：男生在和女生表白的时候
对话1:
你：“今天，天气很好……我们……认识……好……久了……我想今天让我……们的友谊再……升华一下……做……”
女生“说的啥？做梦吧你！”
对话2:
文轩“我想让我们的友谊再升华一下，把手给我……”
女生“……”
两者对比对话2更能体现我们想要表达的。至于回答当然他会像“Midjourney”生成的图片一样有时候不太可控。
这里官方给到一些语法的提示
“Midjourney不像人类那样理解语法、句子结构或单词。词语的选择也很重要。在许多情况下，更具体的同义词效果更好。不要尝试“big”，而是尝试“giant”、“巨大”或“巨大”。尽可能删除单词。更少的单词意味着每个单词都有更强大的影响力。使用逗号、方括号和连字符来帮助组织您的想法，但要知道MidjourneyBot不会可靠地解释它们。MidjourneyBot不考虑大小写。”
这里需要更加精准的方式去翻译这里推荐“DeepL”翻译比较准确。
对于描述关键词我们应该有一个大致的框架去描述
“主题”——“样式”——“环境”——“灯光”——“颜色”——“情绪”——“构图”
还有一种是输入连接的方式生成图像，前面操作步骤一样：
“/imagine”——“复制图像地址链接”——“输入描述词”——“输入参数”
后续“命令、参数”我们就以这个为基础开始讲解。
命令：
命令就是“粉色部分”，“Midjourney”的命令用于创建图像、更改默认设置、监视用户信息以及执行其他有用的任务。通过“/”选中命令可以得到相应的交互内容，
下面我将这些“命令”汇总，方便大家仔细观看。
基本参数：
基本参数就是“红色部分”，对于参数就是添加到提示中的选项，用于更改图像的生成方式。参数可以更改图像的长宽比、在中途模型版本之间切换。
以下就是基本参数：
这里有一个冷知识：许多Apple设备会自动将双连字符(--)更改为长破折号(—)。但是“Midjourney”官方两者都支持。所以我们如果用单“-”的话一定要用长破折号“——”。
最后还是用“Midjourney”与“ChatGPT”来结尾。
在阅读“OpenAI”博客时看到了这样一段对话：
原文：
问：What’sthebestadviceyou’vereceivedinyourcareeratOpenAI
（您在OpenAI的职业生涯中收到的最佳建议是什么？）
答：Thisisnotaparticularpieceofadvicethatsomeonegaveme,butisbasedonmyexperienceatOpenAIsofar.Thatis,tothinkbig.Wearecreatingsomethingnewandweshouldbeambitious,brave,andtakeonenoughpersistencetocarryontheefforts.（这并不是某人给我的特定建议，而是基于我迄今为止在OpenAI的经验。也就是说，要往大处想。我们正在创造新的事物，我们应该有雄心、勇敢，并有足够的毅力继续努力。）
“雄心、勇敢，毅力”这也正是我们当时成为设计师时所追求的东西，但是在也旅途之中（Midjourney）因为过多嘈杂的声音导致我们逐渐将这些失去，我所理解“Midjourney”这个名字的含义则是：求道之路注定荆棘遍布，不要忘了旅途之前为何出发，以及旅途过后我们是否还是那个自我。“求道者不以目而以心，取道者不以手而以耳。”
2023-12-2713:24:47
未认证
UIED用户体验学习平台是由UIED设计团队创建的专注于AIGC技术领域的学习平台。该平台旨在为希望深入了解AIGC和AI技术的设计师提供全面的教程、案例分析和实战项目。UIED用户体验学习平台一个为设计师而生的学习平台