Draw Things/Diffusionbee 在 MacBook Air M2上初體驗

　　上過AI 課體驗過 Leooardo.ai 和 Midjourney 的 Stable Diffusion 生成圖片魅力之後，就想到這些要免費的有限制使用點數，或是每月付費對荷包很傷。就開始想起有沒有AI 落地方案？就是直接在筆電上進行AI 運算。最後找到 Draw Things  ，確實可以在我的 MacBook Air M2 上執行。載下來也確實可以執行，我的筆電規格如下：

MacBook Air M2 16GB RAM

8 核心 CPU 配備 4 個效能核心與 4 個節能核心

10 核心 GPU

16 核心神經網路引擎

100GB/s 記憶體頻寬

GPU / CPU 使用比率 ： CPU 10~20% ，GPU 80% ~ 94%

執行生圖中筆電底部溫度，在冷氣房25度C中，溫溫的。這是放在大腿上沒有隔著褲子時的體感。

Draw Things ： 生成一張960x640圖片，只要120秒左右。

Diffusionbee : 

      這也是一款可以下載MacBook Air M2 運用Apple Silicon 晶片的軟體。生成一張512x512圖片，只要50秒左右。

結論：MacBook Air M2 用來落地跑 Stable Diffusion model 生圖是沒問題，也可以善用GPU。重點是速度是差強人意，好處是不用像其它Windows 電競筆電配有Nvidia GPU 重量大到可練重訓。想想，這可是在一台輕薄筆電上就可做到。但是，若你是AI 研究或開發人員，建議使用Mac Studio 配備128GB RAM，或是MacBook Pro 16吋，配置64GB 以上的記憶體。

運用 Draw Things APP 來進行AI 生成圖片，需要先對 Stable Diffusion ControlNet LoRa 三者間有點基本認識：

Stable diffusion、ControlNet 和 LoRa 三者之間的關聯主要體現在以下幾個方面：

技術層面：Stable diffusion 和 ControlNet 都是基於神經網路的圖像生成模型，而 LoRa 是一種低功耗廣域網技術。

應用場景：Stable diffusion 和 ControlNet 可以用於生成各種圖像，而 LoRa 可以用於傳輸圖像數據。

數據傳輸：Stable diffusion 和 ControlNet 生成的圖像數據可以通過 LoRa 進行傳輸。

具體來說，Stable diffusion 和 ControlNet 可以用來生成各種圖像，例如人像、風景、物體等。這些圖像數據可以通過 LoRa 進行傳輸，從而實現圖像的遠距離傳輸。

例如，在智慧城市中，可以使用 Stable diffusion 和 ControlNet 生成城市的實時圖像，然後通過 LoRa 將這些圖像數據傳輸到雲端。雲端可以對圖像數據進行分析，從而為城市管理提供支持。

此外，Stable diffusion 和 ControlNet 也可以用來生成虛擬圖像，例如遊戲中的地圖、場景等。這些虛擬圖像數據也可以通過 LoRa 進行傳輸，從而實現虛擬世界中的遠距離互動。

Stable diffusion、ControlNet 和 LoRa 三者結合應用的示例：

智慧城市：在智慧城市中，可以使用 Stable diffusion 和 ControlNet 生成城市的實時圖像，然後通過 LoRa 將這些圖像數據傳輸到雲端。雲端可以對圖像數據進行分析，從而為城市管理提供支持，例如交通流量監控、環境監測等。

工業物聯網：在工業物聯網中，可以使用 Stable diffusion 和 ControlNet 生成工廠的虛擬模型，然後通過 LoRa 將這些模型數據傳輸到雲端。雲端可以對模型數據進行分析，從而為工廠管理提供支持，例如故障診斷、生產優化等。

娛樂：在娛樂領域，可以使用 Stable diffusion 和 ControlNet 生成虛擬遊戲場景，然後通過 LoRa 將這些場景數據傳輸到用戶的設備。用戶可以通過設備在虛擬世界中進行互動，從而獲得更身臨其境的遊戲體驗。

總體而言，Stable diffusion、ControlNet 和 LoRa 三者結合可以為不同領域的應用提供新的解決方案。

以下是一些具體的應用場景：

智慧城市：

    使用 Stable diffusion 和 ControlNet 生成城市的實時圖像，然後通過 LoRa 將這些圖像數據傳輸到雲端，從而實現城市管理中的交通流量監控、環境監測等。

    使用 Stable diffusion 和 ControlNet 生成城市的虛擬模型，然後通過 LoRa 將這些模型數據傳輸到雲端，從而實現城市管理中的故障診斷、生產優化等。

工業物聯網：

    使用 Stable diffusion 和 ControlNet 生成工廠的虛擬模型，然後通過 LoRa 將這些模型數據傳輸到雲端，從而實現工業物聯網中的故障診斷、生產優化等。

    使用 Stable diffusion 和 ControlNet 生成工廠的實時圖像，然後通過 LoRa 將這些圖像數據傳輸到雲端，從而實現工業物聯網中的質量檢測、安全監控等。

娛樂：

    使用 Stable diffusion 和 ControlNet 生成虛擬遊戲場景，然後通過 LoRa 將這些場景數據傳輸到用戶的設備，從而實現虛擬遊戲中的遠距離互動。

    使用 Stable diffusion 和 ControlNet 生成虛擬人物，然後通過 LoRa 將這些人物數據傳輸到用戶的設備，從而實現虛擬交互中的更身臨其境的體驗。

以上只是一些示例，Stable diffusion、ControlNet 和 LoRa 三者結合的應用場景還可以有很多。隨著技術的發展，我們可以期待看到更多創新的應用出現。

Google 25 年了！

　　Google 25週年了！　也沒什麼大事，只是平時依賴它搜尋，看到它自己將Google 換成G25gle，來聊聊而已。點下去G25gle會撒花，有點宅男工程師的小創意！

      身為一個搜尋引擎覇主，25年來還是找不到對手，但因為OpenAI ChatGPT的出現，微軟將Bing 搜尋引擎加入ChatGPT ，似乎有那麼一點想挑戰老大哥地位的味道，但大哥仍有其優勢，AI 方面Google 也是經營及研究的很深。Bard 雖仍在BETA 階段，但和ChatGPT 相比仍然有一些強項。至於後面發展會怎麼樣，我們身為使用者的，都能兩邊受益。畢竟，科技在進步，有競爭有比較才會活絡，跟上就對了。

macOS Sonoma 更新正式釋出及使用心得

　　從Beta版時一堆YouTuber就已經在使用了，有那些功能早就知道了。

Apple Music : 不再是 Intel 轉譯了，這是我最在意的，功能上看不出什麼明顯變化。但原生支持Apple Silicon ，不用再轉譯Intel 指令集是多麼地重要。

輸入法： 輸入時會顯示，特別是在切換時。在輸入游標會一個藍色小圖，很清楚知道切到什麼輸入法，另外，輸入文字時聯想字詞也在一旁顯示的更清楚。這個改變我喜歡，實用。

提醒事項：「雜貨列表」會自動將商品分類，使購物更加輕鬆。你也可更改商品的分類方式，列表就會記住你的偏好。全新的「直欄顯示方式」將不同部分的內容整理成橫跨螢幕的直欄顯示，讓你輕鬆一覽大小事。

動態桌布：是很炫，但個人覺得不實用。

Safari : 網片變成APP，這有意思。常用的網站值得這樣用。

AirPods : 多了"適應性模式"可以說，切換模式也有可愛的提示音。自動切換」功能更新後，現在 AirPods 在 Apple 裝置間切換的速度顯著加快7。此外，通話時，按下 AirPods 的耳機柄還可快速將自己靜音或取消靜音。

聽寫：簡單測試一下，說話內容夾雜中文和英文也辨識得不錯。

還有一堆，桌面加入小工具/郵件/輔助使用/螢幕共享/備忘錄.... 等等等的改進。Sonoma 這版真的值得更新！用了兩天，還沒試完這一大堆新更功能。

iPhone 15 Pro MAX 來了，初體驗心得

　　昨天為了去買個256GB USB來備份自己的MacBook Air，跑了一燦坤3C。等待他人結帳時，先去Apple 展區玩了一下MacBook Air 15吋及iPhone 15 Pro MAX。比較好奇的是，9/22才開始交機，9/23我在店面就可以把玩試用，真的是動作很快。

      自己手上的iPhone 8 Plus還很好用，完全沒有要換機，重點是想了解一下，iPhone 15 Pro MAX 有什麼大差異。再來評估明年是否要換iPhone 16.

所以接下來都是以老用戶差了很多代的舊機使用者來看待新機

• 螢幕：真的是有夠亮，又夠順滑，畫質好是一定的，但畫面變換及內容上下滑動真的有夠絲滑。畫面夠大。讓我有下次要換更大螢幕的念頭。
• 拍照：對一個目前只有兩個拍照鏡頭的用戶來說，多了一個鏡頭，可以拍更遠，這真的實用。
• 動態島：有趣，個人看法是可以掩飾螢幕挖孔的缺點，真絕！
• 音量：相比我的舊機，真的有夠大聲，音質又較好。這很實用。
• 自訂按鍵：彈性，實用。

其實，自己希望在電力續航上有多個2到3小時的長度，對一個工作上重度使用手機的人來說，不想要常充電，只要回家充一次，隔日放心上班使用。

價格上實在難以入手，不是沒錢，而是花這樣一筆前都可以買一台Windows 筆電了，沒有功能性及需求上的重大吸引力出現，舊手機可以繼續撐，不必要像那些YouTuber一樣每年換手機，他們可是有廣告收入及業配收入的。一般小老百姓，物價上漲，收入沒有明顯增加，錢還省著點花，寧可拿去投資，用來打敗通膨，也不要花在這種CP值很低的消費性3C產品上，這是個人的花錢思維，提供大家參考。

      

Google逐步蒸餾AI技術，小資料小模型也能打敗LLM的個人看法

　　Google發展了一種AI新技術，名為「逐步蒸餾」，以更少的資料訓練專用的小型模型，但效能卻能優於其他方法。

- 發展背景

  - 部署大型語言模型需要大量GPU記憶體。

  - 小型專用模型通常有兩種訓練方法：微調和蒸餾。

  - 蒸餾是將大型模型的知識轉移至小型模型，效能可接近或超越大型模型。

- 逐步蒸餾

  - 是一種簡單機制，使用較少的訓練資料訓練小型模型。

  - 小型模型的效能可能優於少樣本提示語言模型。

  - 主要從大型語言模型擷取自然語言解釋，用於更有效地訓練小型模型。

- 實驗結果

  - 使用逐步蒸餾法的T5模型在多個NLP任務中均超越了其他方法。

  - 2.2億參數的T5模型在e-SNLI資料集上甚至超越了5,400億參數的PaLM模型。

  - 7.7億參數的T5模型在ANLI資料集使用80%資料就超越了PaLM模型。

看來，若可以有小模型，很多人想要落地運用模型就很方便，特別是那些想訓練出專用模型，但訓練資料不方便放到雲端，屬於機密性質的機構。這也可能導致OpenAI 及微軟的AI收入沒有那麼樂觀，反而是落地所需的AI GPU TPU 等硬體需求大增。

另外，語言模型的發展看來是要每幾個月就有大進展，也不用急著去導入，只要先觀察及使用後再來評估對自己企業是否有幫助即可，因為光是一邊評估當紅的技術，就發現又有另一個新技術冒出來！它們只是工具，怎麼運用工具對企業產生效益才是重點。