作者: hiyoho

  • 监控摄像头下的时尚少女

    监控摄像头下的时尚少女

    监控摄像头下的时尚少女



    🤖 ChatGPT

    🇺🇸 English Prompt

    A CCTV-style surveillance footage of a stylish teenage girl walking past a security camera, looking up at the camera with a bright friendly smile, waving her hand casually, candid and natural movement, slightly confident model-like appearance, casual modern outfit, indoor public space (hallway or lobby), high angle security camera perspective, slightly distorted wide-angle lens, low resolution, monochrome or desaturated color, timestamp overlay, subtle scan lines, digital noise, compression artifacts, motion blur, uneven lighting, harsh shadows, grainy texture, authentic security camera aesthetic, unpolished and documentary feel

    🇨🇳 中文提示词

    一段CCTV风格的监控录像,一名时尚的青少年女孩走过安全摄像头,抬头对着镜头灿烂而友好地微笑,随意地挥手,动作坦率自然,略显自信的模特般外表,休闲现代服饰,室内公共场所(走廊或大厅),高角度安全摄像头视角,略微失真的广角镜头,低分辨率,单色或低饱和度色彩,时间戳叠加,细微的扫描线,数字噪点,压缩伪影,运动模糊,不均匀的光照,强烈的阴影,颗粒质感,真实的监控摄像头美学,未经打磨的纪录片感
  • 极繁主义矢量艺术杂志封面海报

    极繁主义矢量艺术杂志封面海报

    极繁主义矢量艺术杂志封面海报



    🤖 ChatGPT

    🇺🇸 English Prompt

    Generate a [Maximalist Vector Art Magazine Cover Poster], with an aspect ratio of [Vertical 3:4 / 9:16 / Horizontal 16:9].
    
    The theme is [Fill in theme, e.g.: Chinese Mythology Future Chronicles / Shanhaijing Urban Legends / Oriental Myth Fashion Week / Cyber Wonderland].
    
    The image fuses [Chinese mythological elements] with [modern visual language]. The main subject can include elements such as [mythical beasts, flying apsaras, dragons, phoenixes, kirins, immortal mountains, palaces, auspicious clouds, stars, moon phases, wave patterns, flame patterns, ribbons, talismans, ancient artifacts], while incorporating [modern magazine layout, trendy posters, technical graphics, grid lines, numbering, borders, info tags, halftone dots, print grain].
    
    The style is maximalist vector illustration: complex lines, layered overlapping, dense details, rich colors, strong decorativeness, overall like a completed high-end art magazine cover. The composition is full but has a clear visual center, with the main visual prominent and a large number of auxiliary graphics and details added around it.
    
    The color direction is [Fill in colors, e.g.: Black Gold Vermilion Cyan / Cream White Gilded Royal Blue / Fluorescent Purple Electric Blue / Vintage Beige Cinnabar Red]. The overall look should be high-end, fashionable, and modern; do not use cheap Guochao style, avoid ordinary illustration feel, and avoid low-quality cartoon textures.
    
    Include complete text typography:
    Clear big title at the top:
    "[Fill in English main title at the top]"
    
    Chinese main title in the middle or bottom:
    "[Fill in Chinese theme title]"
    
    Auxiliary small text can include:
    "[Fill in subtitle / date / number / theme short phrase]"
    
    Text style requirements: The top title can use hazy letters, edge halftone gradients, print grain, and large magazine cover typography; the Chinese title should be clear and readable, with a sense of calligraphy or modern fonts. Add a small number of IDs, dates, column names, vertical small text, borders, and information blocks to form a complete magazine layout.
    
    Prohibited: No real brand logos, no watermarks, no QR codes, no gibberish, no random English characters, no blank themes, no simple tiling of elements.

    🇨🇳 中文提示词

    生成一张【极繁主义矢量艺术杂志封面海报】,画幅为【竖版 3:4 / 9:16 / 横版 16:9】。
    
    主题为【填写主题,例如:中国神话未来志 / 山海经都市传说 / 东方神话时装周 / 赛博仙境】。
    
    画面将【中国神话元素】与【现代视觉语言】融合。主体可以包含【神兽、飞天、龙、凤、麒麟、仙山、宫阙、祥云、星辰、月相、浪纹、火焰纹、丝带、符咒、古代器物】等元素,同时加入【现代杂志排版、潮流海报、科技图形、网格线、编号、边框、信息标签、半调网点、印刷颗粒】。
    
    画面风格为极繁主义矢量插画:复杂线条、层层叠加、细节密集、色彩丰富、装饰性强,整体像一张已经完成设计的高级艺术杂志封面。构图饱满但有清晰视觉中心,主视觉突出,周围加入大量辅助图形和细节。
    
    色彩方向为【填写色彩,例如:黑金朱红青绿 / 奶白鎏金宝蓝 / 荧光紫电光蓝 / 复古米黄朱砂红】。整体要高级、时尚、现代,不要廉价国潮,不要普通插画感,不要低质感卡通。
    
    加入完整文字排版:
    顶部大标题清晰写:
    「【填写顶部英文主标题】」
    
    中部或下方中文主标题写:
    「【填写中文主题标题】」
    
    辅助小字可以写:
    「【填写副标题 / 日期 / 编号 / 主题短句】」
    
    文字风格要求:顶部标题可以使用朦胧字、边缘网点渐变、印刷颗粒、杂志封面大字排版;中文标题要清楚可读,有书法感或现代字体感。加入少量编号、日期、栏目名、竖排小字、边框和信息块,形成完整杂志版式。
    
    禁止:不要真实品牌 Logo,不要水印,不要二维码,不要乱码,不要英文乱字,不要空白无主题,不要简单平铺元素。
  • Stable Diffusion WebUI:最流行的AI图像生成工具,163K+ Stars让你在浏览器里玩转Stable Diffusion

    Stable Diffusion WebUI:最流行的AI图像生成工具,163K+ Stars让你在浏览器里玩转Stable Diffusion

    Stable Diffusion WebUI 界面截图

    🎨 项目简介

    Stable Diffusion WebUI 是由 AUTOMATIC1111 开发的基于 Gradio 框架的 Stable Diffusion 浏览器交互界面,是 AI 图像生成领域最流行、功能最完整的开源工具。只需简单部署,即可在浏览器中完成文生图、图生图、模型训练、参数微调等全流程 AI 绘画操作。

    🟣 163K+ Stars
    📦 最流行 AI 绘画工具
    🔧 丰富扩展生态
    💻 本地私有部署

    ⚙️ 安装要求和过程

    环境要求

    • Python 3.10.6(更高版本可能不兼容 torch)
    • Git
    • NVIDIA 显卡(推荐 4GB+ 显存,2GB 也可运行)
    • 或 AMD 显卡 / Intel 核显 / Apple Silicon(需参考对应安装指南)

    Windows 快速安装(推荐方式)

    # 方式1:一键包(最简单)
    下载 v1.0.0-pre 版本的 sd.webui.zip
    解压后依次运行 update.bat 和 run.bat 即可

    # 方式2:源码安装
    1. 安装 Python 3.10.6(勾选 “Add Python to PATH”)
    2. 安装 Git
    3. 克隆仓库:
    git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
    4. 双击运行 webui-user.bat

    Linux 安装

    # Debian/Ubuntu
    sudo apt install wget git python3 python3-venv libgl1 libglib2.0-0
    git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
    cd stable-diffusion-webui
    ./webui.sh

    🚀 核心功能

    🖼️ 文生图 / 图生图
    支持 txt2img 和 img2img 核心模式,内置参数调节、分辨率控制、批处理

    🎭 Inpainting / Outpainting
    支持局部重绘(内绘)和扩展画布(外绘),智能补全图像内容

    🔧 模型与扩展
    支持 Textual Inversion、LoRA、Hypernetworks,兼容数千个社区扩展插件

    🎨 后期处理与超分
    集成 GFPGAN、CodeFormer 人脸修复,RealESRGAN 超分辨率,批处理工具

    🎯 Attention 精准控制
    支持 ((keyword)) 和 (keyword:weight) 语法精确控制模型对提示词的关注度

    💡 典型使用场景

    🎬 场景一:AI 艺术创作

    输入自然语言提示词(如 “a fantasy castle on a floating island, digital art, trending on ArtStation”),即可生成高质量 AI 艺术作品。通过 Negative Prompt 排除不想要的元素,使用 X/Y/Z plot 批量测试不同参数组合,快速找到最佳生成配置。

    🔄 场景二:图生图风格转换

    上传参考图片,配合提示词进行风格转换(如将照片转为动漫风格、油画风格)。支持 Denoising strength 控制与原图的相似度,配合 Inpainting 可精确重绘指定区域(如更换人物服装、修改背景)。

    🏋️ 场景三:LoRA 模型微调与训练

    使用 Training 标签页训练自己的 Textual Inversion 嵌入或 LoRA 模型,只需几十张样本图片即可学习特定人物、风格或物品特征。训练完成后一键加载,在生成中调用自定义概念,实现个性化 AI 绘画。

    🌟 推荐理由

    Stable Diffusion WebUI 是 AI 绘画领域毫无争议的标杆工具。作为 GitHub 上 Star 数最多的 Stable Diffusion 界面(163K+),它不仅功能全面,更重要的是拥有最活跃的社区和扩展生态——目前已有数千个自定义脚本和扩展插件,覆盖从人脸修复、批量处理到 ComfyUI 工作流集成的各类需求。

    与云端 AI 绘画服务(如 Midjourney)相比,WebUI 的最大优势是完全本地运行,无需付费订阅,数据隐私有保障,且支持任意开源 Stable Diffusion 模型(SD1.5/SD2.0/SDXL/SD3 等)。对显存的要求也相当亲民——4GB 显存即可流畅运行,甚至 2GB 也有成功案例。

    无论你是 AI 艺术创作者、游戏美术设计师,还是仅仅对 AI 绘画感兴趣的爱好者,Stable Diffusion WebUI 都是最好的起点。一键安装脚本让部署变得异常简单,丰富的教程资源和社区支持也能帮助你快速上手。

    AI绘画
    Stable Diffusion
    图像生成
    本地部署
    开源
  • Cate Blanchett联手好莱坞巨星,建了个对抗AI深伪的人类登记处

    AI换脸、AI配音这几年越来越猖獗,普通人防不胜防。今天,一个由Cate Blanchett联合创立的非营利组织RSL Media正式上线了一个新工具——”人类同意登记处”(Human Consent Registry),让每个人可以自己设定:AI能不能用我的脸、我的声音、我的作品。

    人类同意登记处概念图
    “人类同意登记处”上线,对抗AI未经授权使用个人肖像(图源:RSL Media)

    好莱坞集体出手了

    这个登记处的背景很硬。除了Cate Blanchett,支持者还包括George Clooney、Tom Hanks、Meryl Streep、Viola Davis、Kristen Stewart、Steven Soderbergh等一众好莱坞重量级人物。创意艺术家 agency(CAA)和音乐艺术家联盟也都在背后支持。

    它的运作逻辑其实不复杂:每个人可以在登记处注册自己的身份信息,设定AI使用自己肖像、声音、姓名等属性的条款——可以允许、可以有条件允许(比如要求付费授权)、也可以直接禁止。AI公司在抓取和使用这些数据之前,先查登记处,就知道能不能用了。

    RSL Media联合创始人Eckart Walther说,AI系统可以通过网站的robots.txt页面发现这个登记处,就像现在网站告诉搜索引擎能不能抓取内容一样。但这个标准不是针对某个URL的内容,而是针对”作品、身份、角色或标识本身”,无论它出现在哪里。

    技术上怎么落地

    这个想法其实去年就已经有雏形了。当时推出的是”Really Simple Licensing(RSL)标准”,主要面向网站内容,告诉AI爬虫能不能抓取。这次的”人类同意标准”(Human Consent Standard)是把类似逻辑扩展到了个人身份和创作作品层面。

    技术实现上,AI系统需要主动去查询登记处的数据。这依赖的是行业的自愿遵守——就像robots.txt依赖搜索引擎的自愿遵守一样。如果AI公司选择无视,这个登记处也没有法律强制力。

    但好莱坞的背书让这件事有了不一样的分量。当George Clooney和Tom Hanks这样的明星公开支持,AI公司要无视这个标准,面临的舆论压力会相当大。

    普通人能用吗

    登记处今天正式上线,理论上任何人都可以去注册。设定自己肖像和作品的使用条款,不需要是好莱坞明星。这对普通人来说,至少是多了一层保护——哪怕没有法律强制力,但有了明确的”我不同意”的记录。

    当然,这个工具能不能真正起作用,关键还是看AI公司买不买账。目前还没有看到主要的AI公司(OpenAI、Google、Meta等)公开表态支持这个标准。但好莱坞的集体行动,至少让这件事进入了公众视野。


  • Midjourney搞了个身体扫描仪,专家们看完直摇头

    做AI图像生成的Midjourney,上周突然抛出一则让人摸不着头脑的消息:它要造医疗身体扫描仪了。不是软件,不是AI滤镜,是一台你要站进去、被水浸没的硬件设备。公司CEO David Holz说这东西最终效果可以媲美MRI,体验像去水疗中心一样轻松。

    Midjourney AI医疗扫描仪概念图
    Midjourney宣称的AI医疗扫描仪概念图(图源:Midjourney Medical)

    从AI绘画到身体扫描,这跨度是不是太大了

    Midjourney在AI图像生成领域算是明星公司,旗下模型生成的图质量高、创意强,很多设计师都在用。但这次转向医疗成像,让很多人都懵了。公司说这台扫描仪用超声波+AI处理,单次扫描不超过60秒,未来可以做到”媲美MRI的精度”。

    概念图展示的是一个金色奢华房间,中间放着一个水槽,人站进去,水下的传感器环绕身体发射声波,生成内部3D图像。公司说未来要把这种设备部署在水疗中心,扫描作为附加服务推出。

    Midjourney医疗部门负责人Tom Calloway说,扫描仪使用AI和专用芯片处理”难以想象的海量数据和算力”,同时AI还用于实现无损压缩,大幅提升处理速度。

    专家们的问题很直接:证据呢

    The Verge采访了多位医学成像专家,几乎没有人买账。密歇根大学医学院放射学教授Matthew Davenport说得更直接:这是他见过”最夸张的宣传”,完全没有证据支撑。

    问题出在几个基础上。超声波成像是个很老的技术,物理限制一直存在:声波很难穿透足够深的人体组织,会被空气和骨骼阻挡、扭曲。脂肪也会快速衰减超声信号,这意味着大体重人群用这套设备,图像质量会明显下降——而Midjourney展示的示例图像里的人都非常瘦。

    还有水的问题。要让超声波成像质量好,水必须完全纯净,没有气泡和杂质。这意味着每次使用之间可能都要换水,维护成本不低。Midjourney说水槽下方有大型脱气装置可以去除气泡,但这个解释并没有完全打消专家的疑虑。

    为什么不直接做医疗设备

    这里有一个很巧妙的规避策略。医疗设备要上市,需要通过FDA许可,完成大量临床试验,门槛极高。Midjourney现在的做法是把扫描仪定位为”健康 Wellness 产品”,不是诊断设备,只是给你提供”身体成分地图”,不涉及医疗诊断。

    这样做的好处是上市快、监管松,但也带来了风险:如果用户因为相信这台设备的扫描结果,就跳过了真正有医学证据的筛查(比如乳腺X线摄影、结肠镜检查),反而可能害了自己。

    密歇根大学医学院教授Venkatesh Murthy说:”Midjourney很多关于分辨率的宣传显然是理论层面的,’效果媲美MRI’的说法完全没有支撑。公司目前展示的图像分辨率明显很低。”

    这让人想起Theranos

    专家们的怀疑不是没有道理。通过成像提升健康的想法听起来很美好,但这正是Theranos当年讲的故事——最终被证明是一场骗局。Midjourney这次转向,到底是一场真正的科技创新,还是另一场”基于氛围的发布”,时间会给出答案。

    有意思的是,Midjourney在介绍这个计划的博客里几乎没提AI——尽管CEO说AI是关键技术。这种低调处理也许是因为,在医疗领域,AI这个词的分量跟在消费级产品里不太一样。


  • 英伟达说它的AI数据中心可以不用水了

    英伟达说它的AI数据中心可以不用水了

    AI数据中心耗水这件事,过去一年里被翻来覆去地骂过了。从美国中西部 farmers 抱怨地下水被抽干,到环保组织把数据中心称为”数字吸血鬼”,舆论的压力终于让产业链里最有话语权的人坐不住了。

    英伟达在本周的一篇博客里给出了自己的答案:把数据中心的设计改成100%液冷,同时让服务器运行在更高的温度——最高到45摄氏度(113华氏度)。两套组合拳打下来,英伟达说,传统冷却塔系统每兆瓦每年要耗掉约260万加仑水,而新设计可以”把用水量降到接近零”,最高减少100%。

    热一点,反而省水

    这套设计的核心逻辑其实不难理解。传统数据中心用冷却塔把热量排到水里,水被加热后蒸发,带走热量——但这也意味着大量的水就这么没了。英伟达的Rubin代参考设计改用了全液冷:热量在芯片上就被”抓住”,通过液体回路传递出去,而且液体本身可以跑很高的温度。

    温度越高,室外的干式冷却器就越容易把热量排出去——因为温差大了。结果是,一年里有大部分时间,根本不需要用水来冷却。英伟达的可持续发展负责人乔什·帕克说,从传统冷却塔系统的约260万加仑/兆瓦/年,可以降到”接近零”。

    “热量在芯片上被直接捕获,通过液体回路以高得多的温度传输,让室外干式冷却器在一年中的大部分时间里都能高效排热。”——英伟达官方博客

    不是所有人都买账

    当然,英伟达的这篇博客出来之后,质疑的声音也不少。Gizmodo的文章就指出了一个很现实的问题:英伟达没有提这套液冷数据中心的建设成本比传统风冷贵多少。如果贵到大部分公司不愿意改,那”参考设计”再好也就是个参考。

    另一个更根本的问题是,数据中心耗水只是它环境足迹的一部分。建设过程中混凝土和钢材的碳排放、运行时的耗电量(哪怕水冷更有效率,AI训练本身还是要吃大量电力)、还有为这些数据中心配套的新增发电能力——这些都没有因为液冷而消失。

    换句话说,英伟达解决了一个真实但局部的问题。至于整个AI基础设施是不是在一条不可持续的发展路径上狂奔,那是另一篇文章的话题了。


    亚马逊也在做类似的事

    英伟达不是唯一一个在这个方向上发力的人。亚马逊最近也高调宣传了自己数据中心的”更高耐热 tolerance”设计,通过让服务器允许运行在更高温度,减少冷却所需的能量和水。只不过亚马逊的数据中心大部分还是风冷的,改进幅度没有英伟达的100%液冷那么激进。

    有意思的是,英伟达在博客里说”每一个为Rubin代建设云服务和数据中心的运营商都在做这个转型”。如果这是真的,那意味着从2026年开始,新建的大型AI数据中心会大规模转向液冷——这对那些还在用老设计的公司来说,可能会面临越来越大的舆论和客户压力。

    Nvidia液冷AI数据中心设计
    英伟达Rubin代参考设计,100%液冷方案 | 图源:Nvidia

    这件事的真正意义

    把这件事放在更大的背景里看,它其实标志着AI基础设施竞争的一个新阶段。过去大家比的是谁的芯片快、谁的模型准,现在开始有人比谁的数据中心更”干净”了。

    这对消费者来说可能是无感的——你不会因为你用的AI服务跑在液冷数据中心里就觉得它更好用。但对那些正在被数据中心”围困”的社区来说,这是一个实实在在的差异。如果英伟达的说法经得起独立验证,那它至少给行业指出了一条路——AI不一定非要以耗尽当地水资源为代价。

    当然,路有了和大家都走,是两回事。成本、标准、监管,这些才是决定液冷能不能真正普及的关键。英伟达开了口,接下来要看云服务商们跟不跟了。

  • 2026年科技大裁员:AI成了最好的借口

    2026年科技大裁员:AI成了最好的借口

    甲骨文(Oracle)本周一披露的文件让很多人倒吸一口凉气——过去12个月里,这家软件巨头悄无声息地裁掉了2.1万名员工,占其总劳动力的13%。而在同一份年报里,公司清楚地写着:”AI技术的采用和部署已经导致、并可能继续导致我们的劳动力减少。”

    这句话把2026年科技行业最刺眼的一层遮羞布给扯了下来。公司们一边报告着创纪录的营收,一边把”AI”三个字当成裁员通知书上最体面的理由。

    数字比故事更荒诞

    根据裁员追踪网站Layoffs.fyi的数据,今年以来已经有196家科技公司裁掉了超过11.98万名员工。而5月单月,美国科技行业的裁员规模达到了数年来的最高峰——促成这一波裁员的最常被提及的理由,就是AI。

    Cloudflare的CEO马修·普林斯在裁掉1100人(约占员工总数20%)之后,写了一篇博客文章解释原因。他说,被裁掉的”绝大多数人是测量者”——中层管理、财务、法务、内部审计、收入确认岗位。言下之意,AI把这些活儿接了,人不需要那么多了。那一个季度Cloudflare的营收是6.398亿美元,同比增长34%,是公司历史上最好的单季表现。

    营收在涨,人头在减。AI既是增长的引擎,也是砍人的理由。这套叙事在2026年的科技公司里,已经快变成标准模板了。

    一份不断变长的名单

    把今年这波”AI裁员潮”里的名字捋一遍,会发现一个有趣的模式——越赚钱的公司,砍人砍得越理直气壮。

    • Block(前Square):杰克·多西把将近一半的员工送走了——4000人,从1万多人砍到不到6000人。他在X上写,AI工具让”一种全新的工作方式成为可能”。
    • 亚马逊:1月砍掉1.6万个企业岗位,紧接着2025年10月已经砍过1.4万个。CEO安迪·贾西的理由是”减少层级、增加 ownership、去掉官僚作风”,顺带提了一句生成式AI会让公司需要”更少的人来做今天在做的一些工作”。
    • 谷歌:没有宣布一个总数,但过去一年里悄悄裁掉了超过三分之一管理小团队的管理者。云业务季度营收增长63%,首次突破200亿美元,网络安全团队却被悄无声息地削了一刀。
    • Meta:5月裁掉约8000人(约占劳动力10%),同时把约7000人转进了AI岗位——据说是”他们讨厌的那些岗位”。
    • 英特尔:2025年Q4到2026年4月,估算累计裁掉3000到9000个美国岗位,累计自2024年9月以来超过1.5万个职位消失。

    这份名单还可以继续列下去:Intuit裁3000人(17%劳动力)、Cisco裁4000人、Coinbase裁700人、PayPal计划未来两三年内裁20%员工(超4500人)……

    AI是真话,还是漂亮的借口?

    科技公司把裁员归因于AI,外界的反应从”果然如此”到”分明是借口”都有。有一点是真的:疫情期间科技公司大举招人,如今这些膨胀的编制本来就需要消化。把AI搬出来,至少让裁员听起来像是面向未来的主动选择,而不是管理失误的后遗症。

    但数据是另一回事。Coinbase的CEO布莱恩·阿姆斯特朗说,AI让工程师”用几天时间完成了过去一个团队要花几周才能做完的事”。如果这是普遍事实,那被裁掉的人里,有多少是真正被AI替代的,又有多少只是恰好在编制缩减的名单上?

    更有意思的是,这些公司一边裁人,一边还在招AI相关岗位。IBM说要三倍增加美国AI和混合云方向的校招名额;通用汽车裁掉500-600个IT岗位的同时,还有约80个AI相关职位挂着。AI没有消灭工作,它只是重新分配了——往哪个方向,就看你站在哪一边了。

    2026年科技行业AI裁员潮
    2026年,AI成为科技公司裁员公告里的常客 | 图源:TechCrunch

    普通的打工人该怎么办

    这场”AI裁员潮”最让人不安的地方,不是某一家公司裁了多少人,而是它正在变成一种预期——每当你听到一家科技公司报告了好业绩,下一个新闻可能就是它要”优化组织结构以拥抱AI”了。

    对普通人来说,这个信号其实挺清楚的:如果你的工作主要是”测量”——做报表、走流程、把A数据搬到B表格里——那AI确实已经在敲门了。但不是所有人都没机会,那些能跟AI协作、懂得用工具放大自己产出的人,反而在这一轮里变得更值钱了。

    只是,这个过程里有多少人是被抛在后面的,就没有人愿意仔细算了。

  • AI把租房广告变成了”卖家秀”:虚拟staging正在坑租客

    看房前,先学会识别AI生成的”假房子”

    Joyce在纽约找房子,在网上看到一间曼哈顿的Studio公寓,照片里空间宽敞、装修精致,还有个壁炉。她立马约了看房。到了现场才发现:房间比照片小了快一半,水槽不一样,灶台少了几个旋钮,壁炉根本不存在。她的朋友后来开玩笑说:”其实应该早点看出来是AI的——你看照片里燃气灶上还放了一盆植物。”

    这种事在纽约、旧金山、洛杉矶这样租房紧张的城市越来越常见。房产经纪人历来擅长把破房子拍出”能住人”的感觉,但生成式AI把这件事变成了点几下鼠标就能完成的任务——而且效果比传统修图夸张得多。

    AI虚拟staging租房陷阱
    AI虚拟staging让租房广告中的房子看起来比实际好太多|插图

    “虚拟布置”不是新东西,但AI让它失控了

    Virtual staging(虚拟布置)本身不是新鲜事。早在这波AI热潮之前,房产经纪人就会用软件把空房间”摆”上家具,让租客更容易想象自己住进去的样子。那时候的虚拟布置还算克制——家具尺寸大致合理,房间布局基本符合物理规律。

    生成式AI进来之后,情况变了。现在的AI工具可以在几秒钟内生成一套”完美”的房间效果图,而且不需要任何真实性约束——六人餐桌可以塞进10平米的Studio,不存在的壁炉可以放在不存在的客厅里。更关键的是,这些图片看起来”足够真实”,如果不是细心的人,很难一眼看出来。

    问题在于:租房市场上的信息不对称本来就严重,AI让这种不对称变得更极端了。租客花了时间、通勤成本去看房,结果发现房子和照片完全两样——这种浪费对整个市场的效率是一种损耗。

    监管在哪?

    目前美国各州对AI生成内容在房屋租赁广告中的使用,基本处于”没人管”的状态。联邦贸易委员会(FTC)有关于广告真实性的规定,但那些规定是针对”虚假宣传”的,执行起来需要有人举报、调查、取证,周期很长。

    纽约市正在考虑一项法案,要求房屋租赁广告必须披露是否使用了AI生成的图片。这个思路是对的——就像食品包装上要标注成分一样,租房广告如果用了AI修图,也应该让租客知道。但法案能不能通过、通过了怎么执行,都是未知数。

    租客能做什么?

    眼下的现实是:租客只能靠自己。几个实用的建议:

    • 看房前用Google街景确认一下楼的外观,如果广告里的楼和街景对不上,基本可以确定照片有问题
    • 注意照片里的细节——家具比例、光线方向、窗外景色是否一致
    • 要求看”原始照片”或视频看房,很多经纪人其实手里有没修过的照片
    • 如果条件允许,优先选择提供实地看房的房源

    说到底,AI虚拟staging本身不是坏事——它可以帮助租客更好地理解空间可能性。问题在于当它为虚假宣传服务的时候,没有人来约束。这个灰色地带还会存在多久,取决于监管什么时候跟上。


    Joyce后来找到了另一间公寓,没用AI照片的那间。她说:”以后看房前,我都会先假设照片是假的。”这句话挺悲哀的,但在2026年,这可能是最实用的生存策略。

  • OpenAI给ChatGPT买了一张”合法身份证”:和Getty Images的合作,不止是几张图片的事

    一张照片的授权费,OpenAI替AI行业交了

    上周OpenAI和Getty Images悄无声息地签了一纸协议,内容是:ChatGPT以后在回答问题和搜索结果里,可以直接展示Getty Images的授权图片。这不是一句公关废话,背后是AI公司和版权方长达三年的对峙终于换了一种玩法。

    Getty Images不是小角色。它手里握着近6亿张图片的版权,是全球最大的专业图库之一。2023年,Getty以”未经授权使用版权图片训练模型”为由,把Stability AI告上了法庭,索赔金额高达1.8万亿美元。那场官司到现在还没打完,但整个AI行业都看清了一件事:训练数据从哪儿来,以后会越来越是个问题。

    ChatGPT与Getty Images合作
    OpenAI与Getty Images达成多年授权合作,ChatGPT将展示正版图片|插图

    Perplexity先走了一步,OpenAI跟上了

    其实在这之前,Getty Images已经和另一家AI公司做过类似的事。今年早些时候,Perplexity宣布在搜索结果里嵌入Getty Images的授权图片,用户搜到的每一张图都是”干净”的,有授权、有来源。当时不少人觉得Perplexity是在借Getty的品牌背书,让自己和那些”随便抓图训练”的AI公司区别开来。

    现在OpenAI也跟进了。ChatGPT的搜索功能每天都在和Google、Perplexity抢用户,如果搜出来的图片一半是侵权风险、一半是来历不明,用户迟早会用脚投票。与其等法院判,不如先自己把路铺好。

    这次合作的核心逻辑很简单:AI公司付钱买授权,版权方拿到一笔稳定的”AI时代版税”,用户用到的图片有来源可查。三方各退一步,换一个都能接受的局面。

    AI训练数据的”原罪”,正在被悄悄洗掉

    过去两年,AI公司和版权方的关系基本是”你告我、我继续用”。Stable Diffusion、Midjourney、ChatGPT的图像生成能力,很大程度上建立在”互联网上所有图片我都能用”的假设上。这个假设现在越来越站不住脚了。

    欧盟的《AI法案》已经要求AI公司披露训练数据来源。美国法院的判决也在往版权方倾斜。上个月,一名联邦法官裁定AI公司使用版权内容进行训练不一定属于”合理使用”(fair use),这个判决对整个行业都是一记警钟。

    OpenAI选择和Getty Images合作,某种程度上是在给整个行业探路。如果这条路走得通,其他AI公司大概率也会跟进——毕竟,没人想成为那个”坚持不付钱然后被告到破产”的典型。

    用户感知不强,但影响深远

    对普通ChatGPT用户来说,这个变化可能不太明显。以前搜”埃菲尔铁塔”出来的图片是哪儿来的,大多数人不会去点开看。以后这些图片会带上Getty Images的水印或来源标注,仅此而已。

    但往大了说,这是AI行业从”野蛮生长”向”合规化”转型的一个缩影。训练数据、生成内容、版权归属——这些问题在过去是可以”先做了再说”的灰色地带,现在正在一个个被摆到台面上来解决。

    Getty Images首席执行官Craig Peters在公告里说了一句话,挺值得玩味的:”我们要确保AI的发展不会以牺牲创作者的权益为代价。”这话听起来像公关辞令,但仔细想想,如果创作者真的从AI的每一张生成图片里都拿不到一分钱,谁还愿意往互联网上传原创内容?那样的话,AI训练数据枯竭也不是不可能。


    OpenAI和Getty Images的这笔交易,金额没披露,期限说是”多年”。可以预见的是,接下来会有更多类似的授权协议冒出来。AI公司掏钱买安心,版权方拿到新的收入来源,这大概是眼下能想到的、最不坏的一种结局。

  • LangGraph:Build Resilient Agents,LangChain 团队出品的 AI 智能体编排框架,循环计算图让智能体真正「会思考」(35.5K Stars)

    LangGraph:Build Resilient Agents,LangChain 团队出品的 AI 智能体编排框架,循环计算图让智能体真正「会思考」(35.5K Stars)

    🔄

    LangGraph

    Build Resilient Agents —— LangChain 团队出品的 AI 智能体编排框架

    35.5K+ Stars
    MIT 许可
    Python
    LangChain 官方

    LangGraph 是由 LangChain 团队开发的 AI 智能体编排框架,专为构建有状态、可循环、鲁棒的 AI 智能体而设计。与传统的 DAG(有向无环图)工作流不同,LangGraph 支持循环计算图,让智能体能够真正”思考-行动-反思”,实现接近人类的问题解决过程。

    LangGraph 架构设计

    LangGraph 循环计算图设计(支持状态循环与条件分支)

    ⚙️
    安装要求和过程

    环境要求

    • Python >= 3.9
    • pip 或 poetry 包管理器
    • (可选)LangChain 生态集成
    • (可选)LangSmith 用于调试追踪

    快速安装

    # 安装 LangGraph 核心库
    pip install langgraph
    
    # 安装 LangGraph CLI(用于本地开发)
    pip install langgraph-cli
    
    # 安装 LangChain(如需使用 LangChain 集成)
    pip install langchain langchain-openai
    
    # 使用 poetry
    poetry add langgraph

    最新版本:langgraph==1.2.6(2026-06-18 发布)


    核心功能

    01

    🔄 循环计算图支持

    与传统 DAG 框架不同,LangGraph 支持循环(cycles)条件分支,让智能体能够迭代优化输出、进行多轮对话、实现复杂的决策逻辑。这是构建真正”会思考”的智能体的关键能力。

    02

    💾 持久化状态管理

    内置 Checkpointer 机制,支持将智能体状态持久化到内存、SQLite、PostgreSQL 等存储后端。支持人机协作(Human-in-the-Loop):可以在智能体执行过程中暂停、审核、修改状态,然后继续执行。

    03

    🎯 细粒度控制与调试

    支持 时间旅行(Time Travel) 调试:可以回到智能体执行的任意步骤,检查状态、修改输入、重新运行。完美集成 LangSmith 进行追踪和评估。支持断点、单步执行、状态快照等高级调试功能。

    04

    🏗️ LangGraph Studio 可视化 IDE

    提供 LangGraph Studio 桌面应用,可视化编辑智能体工作流、实时预览执行状态、交互式调试。支持一键部署为 API 服务,或导出为 Python 代码。让智能体开发从”写代码”升级为”画流程”。

    05

    🚀 生产级部署方案

    提供 LangGraph Cloud(托管服务)和 自托管(Docker + LangGraph Server)两种部署方式。支持水平扩展、异步执行、长时运行任务、Webhook 回调等企业级特性。已有数千家公司在生产环境使用。

    💡
    典型使用场景

    场景一:多轮对话智能客服

    利用 LangGraph 的循环计算图,构建能够”理解上下文→查询知识库→生成回复→等待用户反馈→迭代优化”的智能客服。通过持久化状态,即使会话中断数小时,智能体仍能记住之前的对话内容。配合 LangSmith 可以持续优化回复质量。

    场景二:AI 研究智能体

    构建能够”分解问题→搜索资料→阅读内容→综合答案→验证准确性→补充细节”的自主研究智能体。LangGraph 的循环机制让智能体可以在发现信息不足时自动回溯、重新搜索,直到找到满意答案。这是 LangGraph 官方示例中的经典案例。

    场景三:代码审查智能体

    构建代码审查工作流:智能体 A 负责读取 PR diff,智能体 B 负责检查代码规范,智能体 C 负责生成审查意见,协调器(supervisor)负责整合结果。LangGraph 的多智能体协调能力让这种复杂协作变得简单。支持人工审核节点,关键决策需人工确认后才执行。

    ❤️
    推荐理由

    作为 LangChain 生态的核心框架,LangGraph 解决了 AI 智能体开发中最棘手的问题:如何让智能体”有记忆、能循环、可调试”。如果你用过 LangChain 的 LCEL(LangChain Expression Language),可能会觉得”链式调用”很方便,但遇到需要循环、条件分支、状态管理的复杂场景就力不从心了。LangGraph 正是为这些场景而生。

    我最欣赏 LangGraph 的 「时间旅行调试」功能。传统智能体开发是”黑盒”——你输入一个问题,等半天得到一个答案,中间发生了什么完全不知道。LangGraph 让你可以”回到过去”:查看某一步的状态、修改输入、重新运行。这简直是 AI 智能体开发的”时光机”,大幅提升了调试效率。

    另外,LangGraph Studio 是我见过最实用的 AI 智能体可视化工具。它不仅能”看”到智能体的执行流程,还能”改”——直接在某一步修改状态,然后继续运行。对于复杂智能体的开发和演示,这是无敌的工具。

    当然,LangGraph 也有学习曲线。如果你是完全的新手,建议先从 官方教程开始,跟着示例做一遍”聊天机器人”和”研究智能体”两个案例,就能掌握核心概念。MIT 许可 + LangChain 团队维护 + 35K+ Stars,这是目前最值得学习的 AI 智能体框架之一。

    📊 项目信息

    GitHub Stars: 35,504+
    Forks: 5,956+
    开源许可: MIT
    主要语言: Python
    最新版本: langgraph==1.2.6
    最后更新: 2026-06-23
    维护团队: LangChain 团队
    Issues 开放: 591

    🔄 如果你正在构建需要”记忆、循环、反思”能力的 AI 智能体,

    LangGraph 是目前最成熟、最完整的解决方案。

    LangChain 生态官方框架 · MIT 许可 · 35K+ Stars · 生产环境验证