T项目或者游戏中的建筑。 3D矢量风格动物 通过改变粗体内容，生成不同的矢量动物形象 kawaii low poly panda character, 3d isometric render, white background, ambient occlusion, unity engi 3D游戏风格房间 可改变粗体内容，生成不同的房间 Tiny cute isometric living room in a cutaway box, soft smooth lighting, soft colors, purple and blue color scheme, soft colors, 100mm lens, 3d blender render 通过以上案例我们可以看到，AIGC 可以在图片设计上辅助甚至取代画师，你可以创造出独一无二的艺术风格、角色，而不需要掌握绘画的技巧，这是生产力的极大进步。 模型训练 以上工作流使用的是开源的 Stable Diffusion 通用模型，它无法生成模型素材中不存在的东西，比如你无法让它生成一只无聊猿，模型本身也不知道什么是无聊猿，所以它存在局限性和时效性。为了解决以上提到的问题，我们可以训练自己的模型，将需要的素材都放进去，从而使模型输出内容符合我们的预期，这在 NFT 二创、扩展，GameFi 辅助设计等方面都有很大的应用潜力。 展示几张我训练的无聊猿模型二创成图效果，从左到右分别是蝙蝠侠风格，黏土风格，毕加索抽象风格和黄金材质： 当然也可以控制生成与原本项目图片相似度极高的图片，下列四张图片有两张原图，两张用无聊猿模型生成的图，几乎很难分辨，你可以猜一下，后面我会揭晓答案。 模型训练原理很简单，用自己提供的图片训练出一个专属模型，但是让普通人从零开始训练一个AIGC模型是很困难的，好在Stable Diffusion 给我们提供了一些比较简单的模型训练方法。 现在常用的技术方案有三种：Fine-Tuning、DreamBooth、Textual-Inversion 特性解释： Fine-Tuning -- 模型训练、原生框架 优点：功能最全，效果最好，prompt 控制精确，是优质精细模型的统一技术方案 缺点：训练复杂，硬件要求高，训练时间长，训练图片需要标记词 DreamBooth -- 模型训练、简易框架、添加特殊标识符 优点：训练简单、速度快、硬件要求相对低、不需要精确的图片标记词，能较好地生成不同风格的图片，开放模型最常用方案 缺点：受限于 [X][类别] 的表示方式，训练SD模型中不存在的类效果会差一些，整体出图质量低于Fine-Tune，模型文件：2-4G Textual-Inversion -- 新定义特征向量，不改变模型本身 优点：需要图片数量少：3-5张，训练文件小：几十KB 缺点：对于原SD中不存在的创新的物体、画风等出图效果不好，暂无商业用例 综合考虑成本与难度，新手推荐使用 DreamBooth 训练自己的模型，这里我给大家找了一个最简单的Colab版本，它可以使用谷歌免费的服务器训练模型并生成图片，前期需要处理的素材也最少。 训练模型之前，你需要训练使用的准备图片，初次尝试最好在10张左右，尺寸512*512，如果图片尺寸不合适可以使用 BIRME 等工具调整。 打开上面的链接，也就是：https://colab.research.google.com/github/TheLastBen/fast-stable-diffusion/blob/main/fast-DreamBooth.ipynb 主页显示如下，这是一个即时更新的页面，它不会保存你的更改，你可以直接在这个页面使用，或者点击“文件”选择“在云端硬盘中保存一份副本”，打开副本页，这个页面会保存你的所有更改。 之后我们开始模型训练，首先点击第一行的运行按钮，连接Google云端硬盘，安装到gdrive。 运行完成后在按钮前面会出现绿色的对勾，右上角RAM/磁盘也出现绿色对勾，后面每段程序运行完成的标志都是这个小对勾。上一段程序运行结束后，点击下一段的按钮继续运行。 接下来安装依赖，下载模型 开始正式训练，首先为你的模型起个名字。 上传图片，点击运行后会出现“选择文件”按钮，选定图片后上传，我这里选择了八张 CloneX 的图片作为训练素材，并为它们命名为 CloneX1-8，这里对图片的命名不要与已有单词相同，它是对你训练素材的特殊标记。图片命名方式可以参考下图。 运行 Captions，并跳过 Concept images 开始训练，训练步数设置为图片数量*100，我是用了八张图片，这里选择 800，其他参数暂时不需要调整，等后面熟练掌握了模型训练方法再进行更精准的训练。 点击运行，出现以下界面表示训练开始，等待训练完成。这里有两个训练过程，一个是训练文字，一个是训练图片。 训练完成后直接运行测试模型，这里不需要调整参数。 程序运行完后会出现一个链接，点击打开到可以作图的 WebUI 界面。 WebUI 的主页如下，1处选择使用的模型，2处输入描述词，也就是你对想要输出图片的内容，3处输入负面描述词，也就是你不想要图片出现什么内容，3可以空着不填。填写完描述词后点击生成图片。 因为我们对图片的标记是CloneX，所以我们生成图片时前部分要指定主体，这里推荐固定句式“a picture of clonex with + ......”，with 后面加对图片的描述，每个描述词（短语）之间用逗号隔开。 简单测试，这里输入提示词“a picture of clonex with beautiful girl, red hair”，结果应该会出现一个红色头发的女生CloneX形象，效果如下图： 测试2，输入提示词：“a picture of clonex with beautiful girl, Long green hair, black coat, yellow eyes”也就是绿色长发、黑色外套、黄色眼镜的女CloneX，生成效果如下 从以上两个简单测试来看，用10张以内的素材图片训练的模型就可以很好的生成想要的图片，而且这些CloneX是原本不存在的，是你创造了它们！以后喂10张图给AI，它可以给你10,000张图，这是生产力质的提升。 我把这个训练的模型上传到了 Huggingface，有兴趣的朋友可以拿去玩，在训练过程中遇到什么问题也可以联系我。链接：https://huggingface.co/wheart/clonexnft 揭晓答案，无聊猿那四张图片，前两张是AI生成的，后面两张是原图。 现有AI+Web3项目简析 随着 AIGC 的兴起、ChatGPT 的爆火、微软对 AI 百亿投资等事件的铺垫，Crypto 很多 AI 项目也得到了更多的关注，诸如 AGIX 之类的 AI 概念 Token 都迎来了一波不错的涨幅。但是就目前这些 AI+Web3 的项目来看，我并没有发现真正有想象力的产品。这段时间受到关注的项目大都是很久之前的老项目，所以只能看作是版块轮动带动了它们，长线来看没有好的标的。如果后面出现基于新 AI 技术做的产品或许可以关注。 目前很多 Crypto 大佬，像 CZ、Vitalik 都对 AI 技术产生了兴趣，所以对于 AI+Web3 之后的发展，我个人认为还是值得期待的。 总结 综合来看，目前 AIGC 在 Web3 的应用还处于非常初级的阶段。现阶段利用好 AI 工具可以对项目的设计、开发、运营工作提供极大的便利，下一阶段肯定会出现更多优秀的产品，我们要做的就是学习、使用、分析、发现，比大部分人多走一步，不错过 AIWeb3 这趟车。 来源：金色财经lg...
北美站
