Stable Diffusion 的关键研究人员在 Stability AI 举步维艰之际离职

原文 ↗ Hacker News 讨论 ↗

对 Stability AI 困境的反应

  • 有些人幸灾乐祸，认为公司陷入困境是咎由自取，因为它被认为伤害了艺术家。
  • 另一些人强调，尽管公司经营上有问题、CEO 也颇具争议，Stability 仍然发布了强大的开源模型，避免这项技术被锁在专有付费墙之后。
  • 也有人好奇是否存在某种未公开的丑闻，正在推动员工和投资者离开，但线程里没有任何具体内容。

训练数据的伦理与合法性

  • 很多人认为，当今 AI 建立在大规模“盗版”之上：未经许可或补偿抓取受版权保护的作品，然后再出售访问权限。
  • 反方观点：人类也会从未授权的艺术中学习；如果模型足够“抽象”，有人认为就不需要许可证。
  • 也有人反对这种类比，强调批量下载受版权保护的作品用于商业产品，与人类学习并不相同。
  • 关于补救措施也有争论：建议从将这类模型变成公共领域，到彻底销毁侵权模型不等。

同人图、合理使用与双重标准

  • 一派认为，“艺术社区”中的很多内容本来就依赖侵权同人图，因此它对 AI 训练的愤怒是不一致的。
  • 另一些人回应说，同人图往往是非商业的、影响较小的，或者被权利人容忍；而生成式模型是直接与原创者竞争的商业产品。
  • 对同人图到底有多“商业化”、以及它是否真的会与原始 IP 形成实质竞争，存在分歧。

对艺术家的经济影响

  • 许多人认为，AI 是对本已脆弱的艺术家进行未经补偿的价值攫取，加剧不平等，并在“把人类的思维租回给我们”这件事上更进一步。
  • 另一些人把失业视为自动化的又一波冲击；重点应该放在再培训和安全网，而不是“削弱”技术。
  • 也有人指出，AI 公司仍然依赖持续的人类艺术产出；过度榨取这一公共资源可能会适得其反。

开源与闭源模型，以及 Stability 的角色

  • Stability 因发布了可用的开源模型（SD 1.5、SDXL）而受到称赞，这些模型支撑了丰富的社区生态和本地工作流。
  • 也存在担忧：变现困难、向更限制性的许可证靠拢，以及来自超越原版的分叉版本的竞争。
  • 关于资金的讨论：训练成本仍然很高，这推动许多“开源”参与者走向部分封闭或“开源洗白”。

媒体与来源怀疑主义

  • 一些评论者普遍不信任 Forbes 和传统媒体，认为付费墙文章和“攻击性报道”带有偏见，或属于付费即发。
  • 对 archive 链接的使用也有争论：它有助于访问，但与 HN 的规范和可搜索性相冲突。