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
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。