LimeWire 是 21 世纪初流行的点对点音乐分享服务,曾因盗版问题引起音乐行业的愤怒,去年在新所有者的带领下,LimeWire作为一个以音乐为中心的 NFT 平台重新推出。近日,为了扩大业务范围,LimeWire 宣布收购 BlueWillow,这是一个与 Midjourney 和 Stable Diffusion 等竞争的 AI 图像生成平台。
BlueWillow 是在今年早些时候创立的,随着人们对生成式 AI 的关注度越来越高,Discord成为创作者使用这些 AI 工具的首选平台,并且免费使用,因而迅速崛起。BlueWillow称其是 Discord 上第二大 AI 图像生成社区(第一是 Midjourney),自今年 1 月推出以来,已经拥有 250 万用户,创建了超过 5 亿张图片。
该公司计划保留 BlueWillow 在 Discord 上的业务,同时将功能整合到 LimeWire 网站上,成为 LimeWire 为创作者提供的一部分服务,并将成为 LiveWire 未来开发更多媒体服务的基础。
此次交易的财务条款尚未披露,但收购不涉及 BlueWillow 的任何人才。BlueWillow 的创始人兼负责人 Ritankar Das 在接受采访时表示,创建 BlueWillow 的团队正在为 LimeWire 提供平台过渡期的建议,但他们计划最终集体离开,去从事一个仍处于隐秘状态的新AI项目。
对 LimeWire 而言,这笔交易突显出该公司不断努力扩大其用户群和收入。当初重新启动时,它的计划是为音乐创作者建立一个 NFT 市场,为此它通过代币销售筹集了大约 1750 万美元。有消息称,今年早些时候它的估值约为 6000 万美元。
但随着 NFT 的热度消退,LiveWire 的创始人 Paul 和 Julian Zehetmayr 转向构建一个更多元的创建和分发内容的平台,而 NFT,根据 Julian 的说法,“现在更多的是一个副业”,而不是 LimeWire 的核心业务。
在核心业务方面,公司已经聘请了一支工程师团队来为创作者构建订阅和其他功能,但在基于AI的图像生成方面,它依赖于第三方集成。收购BlueWillow使LimeWire能够提供自己的图像生成工具,并对其进行扩展:它的计划是最终加入视频和音频生成。
BlueWillow与Midjourney类似,是作为一个自筹资金的项目启动和开发的,资金来自创始人。Das表示,他建立BlueWillow的初衷是,并不是为了打造一个AI赚钱机器,而是想更好地理解生成式AI工具的工作原理和构建方式。
他说,“我们看到很多人都在为图像开发生成式AI模型”,他想参与到科技界所说的“寒武纪大爆炸”中。尽管很多人都关注到少数几家建立了自己的大型语言模型来驱动服务的公司,但是Das和他的团队看到的是,市场上实际上有数十种LLM,如果同时使用其中的几种,那么就会加快构建基本服务的时间,让工程师专注于构建更好的用户界面和前端等其他部分,让使用BlueWillow变得更简单。
他说,“让用户使用起来真正容易”是他们的主要目标,这涉及到BlueWillow建立自己的“权重”和定制来改进图像制作,具体取决于BlueWillow被用来做什么以及为谁使用。“例如,建筑师和广告商对外观和感觉的要求非常不同,因此我们专注于为每个人构建最适合的产品。”
但从长远来看,Das及其团队并没有真正考虑到扩展和建设BlueWillow所带来的压力和成本——计算能力并不是免费的。他们没有立即筹集资金的计划,所以当LimeWire来敲门时,决定卖掉似乎并不是一个艰难的选择。
好文章,需要你的鼓励
Adobe 周二宣布推出适用于 Android 系统的 Photoshop 应用测试版,提供与桌面版相似的图像编辑工具和 AI 功能,初期免费使用,旨在吸引更多偏好手机创作的年轻用户。
弗吉尼亚大学研究团队开发了TruthHypo基准和KnowHD框架,用于评估大语言模型生成生物医学假设的真实性及检测幻觉。研究发现大多数模型在生成真实假设方面存在困难,只有GPT-4o达到60%以上的准确率。通过分析推理步骤中的幻觉,研究证明KnowHD提供的基础依据分数可有效筛选真实假设。人类评估进一步验证了KnowHD在识别真实假设和加速科学发现方面的价值,为AI辅助科学研究提供了重要工具。
文章详细介绍了Character.AI这款主要面向娱乐、角色扮演和互动叙事的AI聊天工具的原理、用户群体、特色功能以及面临的法律与伦理争议,同时揭示了其新推出的视频和游戏互动体验。
亚马逊Nova责任AI团队与亚利桑那州立大学共同开发了AIDSAFE,这是一种创新的多代理协作框架,用于生成高质量的安全策略推理数据。不同于传统方法,AIDSAFE通过让多个AI代理进行迭代讨论和精炼,产生全面且准确的安全推理链,无需依赖昂贵的高级推理模型。实验证明,使用此方法生成的数据训练的语言模型在安全泛化和抵抗"越狱"攻击方面表现卓越,同时保持了实用性。研究还提出了"耳语者"代理技术,解决了偏好数据创建中的困难,为直接策略优化提供了更有效的训练材料。