Transcript
Speaker: Give it better data, give it better processors, and we don't really see a limit on where it's going to go as long as those two things increase.
Speaker: That's the fun of going open source on your models is even though we might be creating our own foundation model that we like to share and hopefully people can use as a tool and build off of the data set itself, we have no idea how that's going to be used.
Speaker: They find their picture on have I been trained and they're like, you have my picture, get rid of it.
Speaker: Der Sprecher-Podcast
Speaker: Hallo, everyone, and welcome to a new episode of Mike Rider Deep Talk.
Speaker: Today I have a guest from America, so this episode is going to be in English.
Speaker: Kurt Paulsen from Spawning.ai is my guest.
Speaker: Kurt is a multimedia artist specialized in film and photography, and he is a college and university professor.
Speaker: He's teaching film production at the Minnesota State University and motion graphics at the Minneapolis College of Art and Design.
Speaker: Apart from that, he is the lead animator and media and education consultant for Spawning AI.
Speaker: As an artist, he specialized in the intersection of AI, art and education.
Speaker: Welcome to the show, Kurt.
Speaker: Nice to be here.
Speaker: Thank you.
Speaker: Hey, happy to have you.
Speaker: Thank you for taking your time.
Speaker: Can you tell me a bit more about yourself as an artist, who you are, how you got there?
Speaker: Sure.
Speaker: So my...
Speaker: Das erste round kam in der Form von Filmmakingen, so ich wollte in die Form von Filmmakingen.
Speaker: Ich war ein bisschen in der Broadcast-Industrie und habe ich in After Effects kam, aber ich war ein Aspiring Filmmaker, mit einem schönen Tag für den digitalen und manipulativen Teil der Editinge.
Speaker: So then I became the de facto specialist in all of my productions for that, which was my first teaching job was motion graphics.
Speaker: I started teaching before I even graduated.
Speaker: So now I'm moving into the motion graphics space.
Speaker: That's what I did my graduate work in.
Speaker: So I've always had an interest in stop motion animation.
Speaker: I'm a very crafty guy.
Speaker: So I like puppet making, set building, all of the kind of hands-on crafts.
Speaker: And then I like photography.
Speaker: All of these things meld together.
Speaker: I spent probably a decade of my educational career really focusing students on music videos, because that was a space where all of the different techniques could play and the content could be very flexible.
Speaker: So it was a great place for students to be able to show off.
Speaker: So we would reach out to agencies in Nashville and see if they had artists who were looking for music videos.
Speaker: And then we would partner with outside clients to actually
Speaker: Ich habe mich als Musikvideos gespielt.
Speaker: Ich habe mich als Musikvideos gespielt für die letzten 10 Jahre.
Speaker: Und dann, mehr in die AI-Space, habe ich immer wirklich, wirklich interessiert in Surrealism.
Speaker: Das hat mich
Speaker: Ich habe das ganze Kind des Backend von alles.
Speaker: Ich würde gerne experimentieren, mehr als ich gerne traditional Drama mache.
Speaker: Und ich habe die Schöne und alle verschiedenen Automatik-Prozessen, die Historischen Automatik-Prozessen, Automatik-Drawing, Exquisite Corpse, Fumage, wo sie die Schmutz von der Kanteil zu machen, die Marken auf die Papier schreiten.
Speaker: Things like this, ways to remove your conscious control of the process to see what comes out on the other side.
Speaker: This seemed like the logical progression of that instinct.
Speaker: So maybe five years ago, before Stable Diffusion or Mid Journey or anything like that came out, I was working with a developer friend and we started working on creating our own kind of machine learning paint program.
Speaker: So it's essentially like a clickable
Speaker: region, area of stable diffusion, but you could only work in a small region of the image at a time, and you would prompt it and generate that chunk.
Speaker: So it's still all based on the same kind of clipped technology that we're using today, but it was pre all of that stuff.
Speaker: So I was trying to find the surrealism in this, trying to find the subconscious.
Speaker: So like my computer was my subconscious.
Speaker: And then I was kind of collaborating with the computer, bouncing back and forth.
Speaker: And for me, that was very rewarding.
Speaker: I didn't feel like I was taking any shortcuts because it actually took a lot longer.
Speaker: But I was discovering things that I've never discovered otherwise because of that.
Speaker: So now I've moved more into spawning because that's the ethical side of things.
Speaker: Again, knew some people on development team and what they're trying to do makes a lot of sense for what I'm trying to do, which is connected to education, connected into a way that students can feel like they're doing things without plagiarizing.
Speaker: In the educational world, there's
Speaker: A large concern for authenticity, for creating content that is not infringing on anything, not breaking any laws.
Speaker: So what Spawning is working on with respect to rights owners made a lot of sense for me.
Speaker: So now here I am.
Speaker: Wow, I mean, that's really fascinating because I have many questions.
Speaker: Sorry.
Speaker: No, no worries.
Speaker: I really appreciate it because we know each other from a different context and I didn't know, that's why I asked you this first question, where you're coming from arts-wise.
Speaker: But what did become of that program where obviously Stable Diffusion and the other guys beat you to it?
Speaker: Ja, sie hat es und mit den ersten Jahren.
Speaker: Und in den ersten Jahren, all das was passiert, in Discord Chats.
Speaker: Und einige der founders von Midjourney, bevor das das launch war, waren eigentlich einfach nur in die
Speaker: und auf die Dinge zu sehen.
Speaker: Es war ein sehr interessanter Raum, weil alle alle versucht es zu finden.
Speaker: Es war etwas, dass niemand wirklich ein fix auf war.
Speaker: Es war ein smalles Grupp von Leuten, das ist wo wir, Matt und Holly, die wir uns von Spawning haben, die wir in der gleichen Zeit, die wir in der Zeit, die wir in der Zeit, die wir in der Zeit, die wir in der Zeit, die wir in der Zeit, die wir in der Zeit, die wir in der Zeit, die wir in der Zeit,
Speaker: Es gibt es, wir können es um und runen.
Speaker: Es war ein locally-running Maschine.
Speaker: Und es war interessant, weil es hat eine sehr andere Art von der anderen Art von uns.
Speaker: Es war lange Zeit, aber ich habe alle die Fotos, die ich dann manipulierte.
Speaker: Ich hatte ein paar verschiedene Models, und ich hatte sie in alle verschiedenen verschiedenen Fällen.
Speaker: Then I arranged all of those models, so separated them in Photoshop, arranged them into a much larger composition, 30, 40 figures, and then I created a kind of a Hieronymus Bosch Landscape.
Speaker: all of these figures as my surrealist piece.
Speaker: Anyway, then I turned that into a big 30-inch canvas Giclee print.
Speaker: I always forget how to pronounce that Giclee.
Speaker: But it looks like an oil painting, it looks great.
Speaker: And that's one of my pieces in the past where I can say I can pluck that out of the timeline before AI
Speaker: After Photoshop, it's just kind of like this very narrow window of about a year where that thing was really interesting and relevant.
Speaker: So I still love it.
Speaker: Yeah, in German, we call that kind of a Brückentier, so an evolutionary step in between two major technologies in this case.
Speaker: So it feels like that, what you're describing.
Speaker: Very interesting.
Speaker: Ja, we actually, full disclosure, we know each other from my work with UVA and your work with Spawning AI on Opt-Out and in this case data protection from your copyrighted works.
Speaker: Can you tell us a bit more about Spawning?
Speaker: Because in Europe it's not that well known, Spawning AI.
Speaker: What are you guys?
Speaker: Who are you?
Speaker: What are you doing?
Speaker: Ich denke, die Leute kennen die Name Have I Been Trained mehr als sie kennen die Name Spawning.
Speaker: Spawning ist die Start-up, das ist ein kleines Team von developers, Leute wie ich, die, die mit einem Produkt haben, die versuchen, zu retten, um, zu retten, um, zu retten, um, und zu retten, um, die Leute zu retten, um, zu retten, um, die Recht haben.
Speaker: So Have I Been Trained war die erste Produkt launch, das war eine Free Service.
Speaker: Und das war die erste Push by Spawning zu bringen, zu bringen, zu bringen, zu den Publikum über was Machine Learning bedeutet, was Datasets sind.
Speaker: People hatten keine Ahnung was, die Leute hatten keine Ahnung, wo diese AI-Tool wurde von der Materialien.
Speaker: Und so es war ein bisschen ein, ein bisschen nach dem Curtin, ein bisschen.
Speaker: und was in der Lion 5B Dataset, was in der großen Dataset.
Speaker: Aber weil es so groß ist, war das was das was was informiert Stable Diffusion und andere.
Speaker: Und so, sie haben wir Stable Diffusion und gesagt, wenn wir Menschen finden, die nicht wollen in die nächste Generationen wollen, würde ihr das?
Speaker: Und sie sagten, ja.
Speaker: Okay, we will respect that.
Speaker: If you don't want to be in our next pass, when we train our next round, we will respect those opt-outs.
Speaker: So we already, we have millions of opt-outs right now.
Speaker: The latest round of stable diffusion, I want to say was 7 million images that were not included.
Speaker: So that's a large chunk.
Speaker: I mean, it's a small piece of 5 billion, but it's still a large chunk that people were able to extract from the dataset that they didn't want in the next round.
Speaker: So Spawning's mission has always been that to kind of advocate for the artists, advocate for the common creative who wants to have some kind of control without being swept up into larger AI models.
Speaker: So that was our initial round.
Speaker: And then we came up with other tools that basically support that.
Speaker: AI.Text was one of those tools.
Speaker: And that is just simply a script that you can use as a plugin in your WordPress site.
Speaker: Wir haben eine WordPress-Plegin für das, aber man kann es auch auf anderen Seiten, wenn man es manually hat.
Speaker: Und das war einfach, wenn man weiß, ob Robots.txt, was das versucht, die zu verhindern, die Robots.txt zu vermeiden, die Robots.txt zu vermeiden, die Robots.txt zu vermeiden, die Robots.txt zu vermeiden, die das einfachen, das heißt, wenn man an Ethical AI-Trainern und man weiß, dass AI.txt das ist, dann will man das und nicht überlebt, das und nicht überlebt.
Speaker: So going from that now we wanted to create, so those were kind of what I call the stick, but then we also needed to create the carrot.
Speaker: Trying to regulate the industry by putting in lots of limits and guardrails, we should still be trying to do that, but ultimately that's not going to change the overall trajectory of things.
Speaker: Wir sehen vieles Innovation.
Speaker: Die recenten Verlangen der Chinese Model DeepSeek ist, die ist cheaper und hat eine komplett andere Learning Methoden.
Speaker: Its Logik ist komplett anders als ChatGPT.
Speaker: Das Kind der Innovation ist, die nicht zu beherrschte,
Speaker: by a lot of regulation, because people are finding loopholes.
Speaker: The new products redefine themselves and then it becomes difficult for legislation to pin it down.
Speaker: So the idea is with our latest product Source Plus is to try to create an alternative to using a model that was trained on content that was included without consent to create a way to use generative AI while also respecting rights.
Speaker: So you know that the entire model has only been trained
Speaker: auf Copyright-Free Content.
Speaker: So, das wäre Public Domain oder CC0, Creative Commons 0.
Speaker: Okay, wow.
Speaker: Again, many questions.
Speaker: First of all, because you mentioned it last, can you explain what CCO content means?
Speaker: So the public domain would be typically anything that goes back, and I think it changes per jurisdiction.
Speaker: I think in the US it's 70 years or 75 years.
Speaker: I'm not exactly sure on that.
Speaker: Essentially, if your work gets old enough,
Speaker: Es geht in die öffentliche domain.
Speaker: Wenn es keine E-State oder Trust gibt, oder etwas, das ist eine neue Rechte, dann geht es in die öffentliche domain.
Speaker: Es ist so alt, dass es niemanden mehr zu haben, so jemanden kann es.
Speaker: Wenn du über Renaissance Masters bist, die Päintings sind in die öffentliche domain.
Speaker: Da Vinci kann jemanden zu tun.
Speaker: So all of that kind of content goes into the public domain.
Speaker: And a lot of that is actually released by museums who have them in their collections.
Speaker: So some of that is public domain, but the photo of the artwork isn't.
Speaker: So we had to work with specific museums because if I went and took a picture of the Mona Lisa,
Speaker: The Mona Lisa is in the public domain, but my particular photograph of it is my photograph.
Speaker: So if you're trying to train on these images, you have to find publicly released content from museums.
Speaker: So the museum takes high quality images of various artworks, historical artifacts, all of those types of things.
Speaker: And then they will release it as CC0.
Speaker: Creative Commons 0 is essentially saying, I am waiving my rights.
Speaker: I am voluntarily putting this out there.
Speaker: So I'm labeling my license on this object as free for any use, commercial or otherwise.
Speaker: Anybody can do anything they want with this.
Speaker: And I am...
Speaker: consciously, willingly putting it there.
Speaker: So that's on the owner to put it into CC0, whereas public domain kind of happens by default.
Speaker: Okay, so CC0 would be the equivalent of a conscious opt-in, so to speak.
Speaker: Like, I want, please have at it, do what you like.
Speaker: A good example is Wikimedia.
Speaker: So in Wikimedia, people can upload photos.
Speaker: And as soon as they upload photos to that site, they are waiving their rights.
Speaker: They're trying to create a kind of community collective of images that people can use for whatever they want.
Speaker: So there's some very passionate people about those type of communities, and they go out and take their photos and willingly upload them so that there is this kind of open resource for people to use.
Speaker: So Creative Commons has a range of different licenses that you can use.
Speaker: Some are, you can use it, but you can't use it for commercial purposes or things like that.
Speaker: There's a wide variable on there with all kinds of conditions.
Speaker: But CC0 is just the blank slate.
Speaker: I'm giving up my rights to it.
Speaker: Do what you will.
Speaker: Okay, cool.
Speaker: And you trained a foundation model on that, basically?
Speaker: We are training right now a foundation model on that.
Speaker: So you created a dataset that is fair trade, so to speak, ethical, and as you said, public domain and CC0, and are training a foundation model with that.
Speaker: Right, so the first thing we released was the PD-12M.
Speaker: So that was a dataset we released on Hugging Face.
Speaker: So that would be the 12 million images with all of the captions.
Speaker: So when you're training a new image model, you have to have the text and the picture.
Speaker: You can't have a generative AI system without having that linked information of text and image.
Speaker: So that, that, because it, it needs to know what am I looking at?
Speaker: The caption, the description is telling
Speaker: Wir scoren, wir was called an Aesthetics Score, so we can rank as far as what makes a good-looking image, so we don't have the random shots of the floor that somebody accidentally took, you know, things like that.
Speaker: So that creates a very high-quality dataset.
Speaker: And in AI, it is very much garbage in, garbage out.
Speaker: So you want to make sure that you have as high-quality of content going into it as you can.
Speaker: Und das Dataset kann dann werden und dann benutzt und dann benutzt und von jemandem anderen zu trainieren.
Speaker: Wir arbeiten auf eine unserer eigenen, aber weil das Dataset wurde, und die Leute können jetzt aus dem Dataset und benutzen das Dataset, um alle 12 Millionen Bilder und dann trainieren ihre eigene Model, wir sind wirklich wirklich interessiert, wie es sich weiter zu spielen, wie es sich weiter zu spielen, wie es sich weiter innovatieren,
Speaker: Das ist das, was wir auf der Öffentlichkeit von Open Source auf den Modellen ist, dass wir vielleicht auch unsere eigene Foundation-Modelle haben, und wir können uns das auch anstellen, und wir können uns das auch anstellen, wie wir das auch anstellen, wie das wird.
Speaker: Ich bin sehr gespannt, wie es wird, aber wir nicht noch wissen, wie es wird, wie es wird, aber es wird noch nicht mehr, wie es wird, aber es wird noch nicht mehr, weil es wird noch viel, weil es ein viel mehr, weil es ein viel mehr, viel mehr als die anderen.
Speaker: Ja, das ist das, was ich auch daran lieb, ist es, auf der einen Seite, die Transparenz, die wir, die mit Open Cards spielen spielen, es gibt keine blacken Boxen oder keine secreten über wie du kamen zu spielen.
Speaker: und zu processen.
Speaker: Und auf der anderen Seite, der Open Source factor ist, dass es, ja, es ist, dass es, es, es ist, ich liebe die Idee,
Speaker: Das ist die Möglichkeit, wie AI in den letzten zwei Jahren hat, wie ich es erlebt habe.
Speaker: Oder wie es geht.
Speaker: Und das ist das, was ich von dem Spawning Mission zu sagen.
Speaker: Wir versuchen, die Incentive zu tun, um es zu machen.
Speaker: Wenn wir die Tools geben, dann ist das ein viel Arbeit.
Speaker: Es hat viel Zeit, viel Zeit, viel Zeit, viel Zeit, viel Zeit, viel Zeit, viel Zeit, viel Zeit.
Speaker: Die Daten sind sehr viel kosten.
Speaker: Es ist nicht einfach, wenn man einen Jump Drive oder eine USB Drive hat.
Speaker: Das ist ein vieles Werteilung.
Speaker: Es muss sich um die Daten zu beherrschten, es muss sich um die Daten zu verraten, es muss sich um die Daten zu verraten.
Speaker: All of it is accessible through Source Plus.
Speaker: Source Plus is the tool that we're using as the direct image access point.
Speaker: The PD-12M dataset is pulled from the collection that is Source Plus.
Speaker: But in Source Plus, that is a place where you can go in, search for different types of images.
Speaker: It's a very robust search engine.
Speaker: You can do a semantic search on it, or you can search the metadata.
Speaker: Because the images that we pull in all have metadata from the museums, where they come from.
Speaker: Each image that you click on has a right there on the side where its license is.
Speaker: You can click on the original source.
Speaker: Where did we pull that image from?
Speaker: Man kann es auch auf das.
Speaker: So all of that ist sehr, sehr transparent.
Speaker: Und dann, wenn du in das Raum bist, die reale goal ist, dass Leute auf der Finde-Tune.
Speaker: Wenn du auf Voice-Tunen auf Deutsch bist, Leute würden zu Finde-Tune auf Voice-Model.
Speaker: Ich meine, das ist was Eleven Labs ist.
Speaker: Hier, speak für ein Minute und wir machen eine Model auf dich.
Speaker: Der BASE-Model auf das ist immer ein Big Lift.
Speaker: Ja, genau.
Speaker: Das ist nicht die Minute of Input, sondern die Millionen und Millionen von Hours der Daten sie haben als eine Basis zu referenceieren und zu stellen, unter die Minute of Input.
Speaker: Genau.
Speaker: Das ist das, was wir versuchen, den Foundation Model zu machen.
Speaker: So if we have our own foundation model, that doesn't mean, because we've been able to fine tune, I've been fine tuning on my own artwork style to create my new AI art.
Speaker: I make all my own sketches, do my own drawings, take my own photos, and then train my own Laura's
Speaker: Das ist ein guter Modell, also ein Plugin, mit Stable Diffusion, um es zu narrowen, auf eine bestimmte Space in der Latenten-Space und geben Sie consistentes Resulten von der Sache, die du trainierst.
Speaker: Das ist cool, es sieht wie mein Stuff, aber es ist noch auf die Backbone des Lion 5B Trainingsmodell.
Speaker: So, what we're trying to do with Source Plus and Public Diffusion is create a base model so from beginning to end you know that this wasn't trained on non-consenting data.
Speaker: I mean, that sounds great.
Speaker: So, Public Diffusion is the name of the foundation model you're training, right?
Speaker: Yes.
Speaker: Was ist für Sie für Sie als Spawning?
Speaker: Weil Sie sind nicht die Good Samaritans.
Speaker: Sie sind, als opposed zu großen, commercial-orientierten tech-companien.
Speaker: Aber Sie müssen das finanzieren.
Speaker: Sie müssen in Tausend-Hausen und...
Speaker: Sweat and serve up space and whatever into that.
Speaker: So, I mean, is that just a toy for you or how does that finance itself?
Speaker: So Source Plus is really the kind of the commercial arm that we're building right now because it is a subscription-based tool.
Speaker: So it's not very expensive.
Speaker: It's $10 a month right now for an individual user.
Speaker: So, once you get into Source Plus, and again, this is why I love it for education, because it's essentially going into an image database.
Speaker: When you're in college, you have to go and you find journal entries to write your papers, and you usually go to the library and use one of their special databases to get your journal articles.
Speaker: So this is like that, very similar in fact that, hey, I need to go and get images to train a model to use for my AI art class.
Speaker: So this becomes a safe place.
Speaker: You can go into it and you know that all of the images there are safe and ready to go.
Speaker: And they're very, very sortable, curatable and collectible.
Speaker: So the idea of going into Source Plus, finding all of the different images that you might want to use for a fine tune,
Speaker: Und dann, die man in den Collections kann dann werden.
Speaker: So es creates eine eigene Datasette für dich zu trainieren.
Speaker: Und dann, die Publik Diffusion kommt in, wenn das Online geht, dann wird das, dass du dann auf den Seite auf den Seite kannst.
Speaker: So, du kannst du auch deine eigenen Werk.
Speaker: You can add to it from work that you found in the past.
Speaker: Like how do my photos and DaVinci drawings merge?
Speaker: What would that look like?
Speaker: And so you can build those two things together, still knowing where all of the content came from, fine tune a model, and then use the generative tool on site.
Speaker: So just how you would go into mid journey and you hit
Speaker: und es kommt ein Bild in Browser, es wäre das gleiche type, wo man dann kann und eigentlich generieren Ihre Images durch die Web-Portal.
Speaker: Aber mit einem guten Conscience, mit einem mit einem Geist, so zu sprechen.
Speaker: Und es ist wichtig, dass es nicht ein komplett Replacement zu diesen anderen Modeln ist.
Speaker: Es ist nicht so großartig, es ist nicht so großartig, es ist nicht so großartig, es ist nicht so großartig, es ist nicht so großartig, es ist nicht so großartig, es ist nicht so großartig, es ist nicht so großartig, es ist nicht so großartig, es ist gut, dass es das Ergebnis von dem Modeln ist.
Speaker: Aber es ist was es, was es hat sich nicht trainiert.
Speaker: Es hat sich nicht trainiert, auf ein Celebritys Faces zu geben.
Speaker: Wenn du es an einen Film von einem Film ausfüllen, wird es nicht wissen, was das ist.
Speaker: Wir haben von Wikimedia-Einigen, und da werden einige Bilder ausfüllen.
Speaker: Aber für den meisten Teil, es kann nicht das machen.
Speaker: Es ist nicht möglich, was es nicht trainiert.
Speaker: Aber da ist vieles Content, das ich kann.
Speaker: Und was wir sehen, ist, dass die Results sehr tactile sind, sehr smooth und Organizabel.
Speaker: Denn es ist all die High-Quality-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-Werke-
Speaker: Well, but what I'm hearing is actually interesting even more because there's little stuff more boring than this overly polished, like first glance at the picture, you know it's AI because it's just too much, it's too bright, too perfect, too whatever.
Speaker: And this sounds more like organic handcraft or
Speaker: Und eigentlich, von einem personality-rights-sichtigen Punkt, ich denke, das ist gut, dass du, wie es heißt, deepfakest, wenn du es in der Zeit nicht mehr so gut bist, und du misst es in in thinkable und unthinkable ways hast, wie wir in den letzten Zeiten sehen.
Speaker: So, ich denke, das ist ein plus.
Speaker: Ja, es kann wirklich das nicht.
Speaker: Es ist nicht das, was es wirklich das zu tun ist, ist es, dass du Artists einen Fingetunen Modell zu machen, weil das ist wie du AI in der Art, wie du es in der Art, als eine Art, als eine Art, als eine Art, als eine Art, als eine Art, als eine Art, als eine Art, als eine Art, als ich es, als eine Art, als ich es, als eine Art, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich es, als ich, als ich es, als ich es, als ich, als ich es, als ich
Speaker: Und das ist eine wirkliche gute Maschine für das, um zu kreieren, Finetunes zu machen.
Speaker: Das ist eine der Hauptprinzipien.
Speaker: Du kannst eine Datenbäse von den Images einfach nur durch.
Speaker: Und einfach nur die Images und die Störungen an den Startpunkt an den Startpunkt an ist.
Speaker: Also, wenn du Image-to-Image, stattdessen Text-to-Image, ich werde mit diesem Image starten und um die Composition und Color-Space, aber dann try und push es in eine andere Richtung.
Speaker: So you can use images for that.
Speaker: But like I said, what we're trying to do is get it so that you create your collections of either your own images, which you can keep in private collections, nobody else finds them, or you can upload your own images and then put them into CC0.
Speaker: So that's that fair trade, like, hey, I'm using all of these images that somebody else donated.
Speaker: It's really only fair that I donate some of my own too, you know, back and forth.
Speaker: So then you can create these fine-tuned models, which allow you then to use your style, what you're looking for to generate consistent results.
Speaker: So really an artist's tool.
Speaker: Ja, das ist vielleicht die original Idee oder Grund, und dann, irgendwo along die Weise, derallt in total consumerism und total tech-domination.
Speaker: Ich weiß nicht, die commercialen Models, die wir alle kennen, aber wir wollen Namen, so sie können uns zu uns.
Speaker: Ja.
Speaker: Es ist interessant, von einem Kreativ-Punkt-O-V-V-O.
Speaker: Und es hilft, es hilft, es zu einem Tool, und es hilft, die Kreativ-Thinking oder die Kreativ-Process.
Speaker: Wenn Sie planen auf das?
Speaker: Wir werden jetzt in den 30s auf den Training-Prozess machen.
Speaker: Es ist eine Monate lang, die wir tatsächlich versuchen, eine neue Methoden zu machen.
Speaker: Es ist jetzt ein Micro-Model.
Speaker: Es braucht vielleicht eine Tenth der Kosten für die Kosten.
Speaker: ist nicht so robust, aber die turnaround und die Kosten zu tun ist viel lower.
Speaker: Wir versuchen mit dem Idee zu machen, zu machen mehr versions von es.
Speaker: Wir versuchen, was wir mit dem machen, was wir mit dem Ergebnis erzeugen, was es gibt.
Speaker: So, even auf der 33% mark, wir können es und mit dem Gerät mit dem es verwendet.
Speaker: Und es kann auch sehr, sehr gut ausgleichen, was es weiß.
Speaker: Aber es tut sehr schlecht, bei dem Moment mit den Dingen nicht wissen.
Speaker: Wenn du an Anime-Karakter ausfüllen, um die Straßen von Tokio zu haben, wird das nicht mit einem Animate-Karakatzen haben.
Speaker: Es wird nicht wissen, wie es an Animated-Karakatzen ist.
Speaker: Es wird nicht ein Tonnen in der Datasette sein.
Speaker: Was es weiß, kann es eigentlich produzieren, sehr interessante results.
Speaker: Sehr clean, sehr passiv resultatlich.
Speaker: Ist das auch die Technik das neue China-System für Training hat, oder ist das eine andere Sache?
Speaker: Ich habe es in die Briefwahl gesehen.
Speaker: Ich bin nicht ein Developer, so ich kann wirklich nicht mehr in die realen Backend auf das Thema.
Speaker: Aber ich weiß, dass es anders ist, dass es tatsächlich trainiert, um zu entwickeln, um zu entwickeln, um zu entwickeln, um zu entwickeln, um zu entwickeln, um zu entwickeln.
Speaker: und dann die Daten, stattdessen zu den Daten zu finden und die Logik aus dem.
Speaker: So, es ist eine der Dinge, die Leute über die Marveling ist, ist die Reisung.
Speaker: Die Weise, die es kann denken und zu processen durch eine Image, versus zu versuchen, zu replikieren, was eine typische Antwort zu das Frage wäre.
Speaker: Its logic is a little bit different.
Speaker: So I may be explaining that in slightly inaccurate terms, but from my understanding, that's how it worked, is that it's actually trained in a different way.
Speaker: And by doing it that way, they needed less content to get it to a high level, which is why it was so cheap.
Speaker: So that's the kind of innovation that we can be expecting.
Speaker: The way they approach that is probably going to be the way that they need to go to get to that AGI level, the artificial general intelligence, the model that does it all.
Speaker: Because right now we're doing image models, but even in chat, GPT or something like that, you can have images generated in your chat.
Speaker: So it'll eventually be that you can generate images, generate videos, generate audio.
Speaker: So that's when people are throwing around the words multimodal.
Speaker: Right now, we're just because of scale and what's possible, we're only working in images with Source Plus.
Speaker: But the idea is that it's coming because we have all of these different ecosystems for video.
Speaker: We have ecosystems for audio, for images, for text.
Speaker: So, those various companies and those various ecosystems could all be under threat from a larger AGI that would come out that could leverage the strength of each of those things, but put it all under one umbrella.
Speaker: Ja, und ich meine, die Effizienz factor ist auch eine von Energie zu haben, und Server Rooms und Graphic Cards, die Sie brauchen, wo diese Dinge nicht zu tun, und wir sollten mehr und mehr auf das benutzen, wo wir jetzt gerade jetzt sind.
Speaker: Ja, ich habe das über das die anderen Tag, dass wir von 4% von der ganzen Weltkrieg der Energie für AI-Ai-Auskern bis 6% in den nächsten Jahr und ein halb.
Speaker: Wow, this is massive.
Speaker: This is really massive.
Speaker: This is not cool.
Speaker: That's actually a lot of power that's going into these systems for both training and then for utilization.
Speaker: Das ist die typen, die auch in der Innovationen muss.
Speaker: AI ist nicht einfach ein Modell.
Speaker: Die Infrastruktur ist etwas, was wir müssen sehr gut sehen.
Speaker: Wie du gesagt hast, die Energie, die Carbon Funtprins sind, die Dinge müssen wir sehen.
Speaker: Either we figure out new ways of running the logic so that we don't need such intense computational processes, or we need to start figuring out how to power these things differently.
Speaker: That's what Stargate is.
Speaker: That's what the big infrastructure project is that they're trying to run, is to create initially 10 new data centers in Texas.
Speaker: Das ist ein großer Teil der Infrastruktur.
Speaker: Einfaches ist, dass wir die Main Lines der Power haben.
Speaker: Wir sind die Power Grid, um es in Texas zu bringen mehr Power in diese Daten zu bringen, weil sie so viel zu verwendet haben.
Speaker: Das ist die famous 500 Billionen, die die AI-Infrastruktur sind, die vielleicht unsere listeners und unsere viewers haben und gehört und gehört über.
Speaker: Ja, so...
Speaker: OpenAI ist derjenige der Weg mit dem.
Speaker: So in der ersten Runde, sie haben 100 Billionen raised und sie sollen die Erwachsenen 5 in den nächsten Jahren.
Speaker: So es gibt ein paar verschiedene Corporationsen, die diese neue Unternehmen sind, aber OpenAI ist derjenige derjenige, die die Daten zu haben, die die Daten zu haben.
Speaker: What?
Speaker: Wait a minute.
Speaker: Right.
Speaker: So this big infrastructure project, it's a big endorsed, government endorsed, government supported process to push innovation in the AI space.
Speaker: The recent DeepSeek model is definitely making people uncomfortable.
Speaker: Again, the markets kind of crashed when it came out because it immediately raced up to the number one slot on the Apple App Store.
Speaker: The way that it needed processor use was so much less that Nvidia took a big hit.
Speaker: So like the markets are very unsure of what this means, which
Speaker: Das ist jetzt auch, dass wir jetzt OpenAI und andere, das ist, dass wir eine Worte, wir brauchen Infrastruktur, wir brauchen, wir brauchen, wir brauchen, und wir brauchen, dass es.
Speaker: Das ist die andere Sache, dass Präsident Trump hat, ist er, er hat sich zurückgebracht, die Regulatory Guidelines von den vorherigen Administration ausgedrückt.
Speaker: So he's saying these things have been throttling innovation.
Speaker: This is a burden for companies.
Speaker: So we need to take that away.
Speaker: Wow, okay.
Speaker: Okay, that takes away my question of, is there something in for spawning AI or for a fair and ethical use case of AI in this 500 billion infrastructure massive investment?
Speaker: So, I see.
Speaker: That's not an investment for all, that's an investment for some.
Speaker: Okay, I see.
Speaker: I see.
Speaker: That is, well, everybody can form his or her own opinion on that.
Speaker: Yeah, they can go and look it up.
Speaker: You can see all the different companies that are playing in it, but it's all the big hitters, Oracle, Microsoft, some of the others.
Speaker: Those are all the major corporations that are partaking in this.
Speaker: And it's
Speaker: Es ist wahrscheinlich was, was muss mit den aktuellen Modeln passieren, um sie zu pushen, aber auch in der Offizie Announcement, es hat in die Parenthesis, dass die Ziel ist, dass AGI und dieses Infrastrukturprojekt ist, um es zu versuchen, um das Punkt zu erreichen.
Speaker: So there's a lot of people who are polarized on AGI as much as they are on AI too.
Speaker: Do we want an AI assistant in our life that can do all of these things in the real world, that can make orders online for us or send our emails or call our kids?
Speaker: Or, you know, do we want to have something that that is that?
Speaker: Das kann sich coherently auf ihre eigene eigene eigene
Speaker: Und sie wahrscheinlich nicht, seit Präsident Trump ist in office, seit er hat die wenige, die in den USA waren, bis jetzt.
Speaker: Und ich würde nicht sagen, dass sie nicht alle passen, weil ein paar legislation aus dem Weg ist, ist sehr hart zu retten, die public zu retten.
Speaker: So they're trying to do things as far as how AI is used by government agencies.
Speaker: How is it used by police?
Speaker: How can it be used to spy on people's privacy or invade their privacy?
Speaker: There's even a specific bill in place that they're proposing to make sure that AI is never linked to how nuclear missiles are launched.
Speaker: We need to make sure that we never connect AI and nukes.
Speaker: Ja, es gibt nicht viele Dinge, aber das ist wahrscheinlich eine von ihnen.
Speaker: Ja.
Speaker: Ja.
Speaker: Aber du hast gesagt, das ist die Weg für Dinge zu progressieren.
Speaker: Ist es, doch?
Speaker: Würde es besser sein, dass es besser nachdenkt und finden, um, was es mehr effektiv zu progressieren und zu initiieren, um, um, um,
Speaker: fair and lawful basis like you guys do, for example.
Speaker: I would 100% agree with that.
Speaker: But that's also kind of saying, wouldn't it be nice if, say, capitalism wasn't racing so hard forward?
Speaker: Or wouldn't it be nice if we weren't in a technology arms race that was this intense with, say, China?
Speaker: Mm-hmm.
Speaker: Wie kann man das nicht mehr spielen?
Speaker: Man kann man nicht mehr spielen.
Speaker: Man kann man nicht mehr spielen.
Speaker: Man kann man nicht mehr spielen.
Speaker: Aber ich glaube, dass jemand will das, weil das das schrecklichste, dass das schrecklichste, dass das schrecklichste, dass das auf dem Markt nicht mehr spielen.
Speaker: Das schrecklichste, dass das sozio-economisch ist.
Speaker: ist nicht so ähnlich wie andere Technologien, die in der Sinne von der Neues sind, die Best sind.
Speaker: Sie wollen die Best und die Experten, weil das bedeutet, dass man die größte Kapitel-Advanzösung hat.
Speaker: Aber die Unterschiede ist, dass wir mit Tools, die vielleicht mehr Powerful sind, als wir mit dem Bekannten, wie vor.
Speaker: Ich werde mich auf die Zeit, aber in der
Speaker: The VHS beta era of which tapes to use, you know, like VHS won out because people made VCRs from that worked a little bit better and it was something that was rental better.
Speaker: So anyway, like the formats and the technologies that come forward, I don't think we're going to be able to see those things stop.
Speaker: Es ist eine der Grunde der Grunde in Europa, weil die EU hat eine andere Sensibilität als Amerika hat, als der Ausgang der Anführungszeichen, oder zumindest der Mindset.
Speaker: Ja, ich wollte das, weil ich weiß, dass du auch in der AI Office bist, die Code of Practice, wie wir mit UVA sind.
Speaker: Was ist in dir für dich?
Speaker: Ich meine, ich liebe das und bin dankbar für alle
Speaker: on the creative side of things that is involved in these hearings and in these makings of the code of practice, because there are also many from the industry side lobbying for deregulation and softening up the accountability and the transparency.
Speaker: And I don't have to tell you.
Speaker: So thank you for that.
Speaker: But how come?
Speaker: So, the EU is not a small market.
Speaker: It's a very, very large market.
Speaker: And the American companies, actually any kind of global company,
Speaker: will not ignore that market.
Speaker: So one of the things that we look at is in the EU, there's a different approach.
Speaker: There's more interest in creating transparency on data source.
Speaker: There's already laws in place to prevent data mining.
Speaker: And so they're trying to expand that into AI scraping as well as data mining.
Speaker: Und was sie finden ist, dass wenn die EU, wenn man in die EU, wenn man in die Juristikation, dass ein Unternehmen in die Juristikation, weil man eine bestimmte Registikation hat, oder dass ein bestimmtes Guideline für wie sie in die Juristikation arbeiten,
Speaker: Es wird ein bisschen von einem Trickle-Down-Effekt, weil es ist eine Ecke zu bauen, zwei Versionen von etwas zu tun.
Speaker: Eine in den USA und eine in den EU.
Speaker: Well, it's a lot of extra work.
Speaker: Why duplicate it?
Speaker: So if you want to be in the EU, you would build your product to that specification, if that's the more strict version, and that would just become your kind of system-wide approach.
Speaker: If you look at cookies on websites, it's that.
Speaker: The U.S. didn't actually require that.
Speaker: auf eine Website, dass du auch wie die Cookies benutzt, aber alle die Websites sind da, weil wenn du eine Website hast, dass es in den EU ist, dann hast du das.
Speaker: Es ist einfach, okay, wir machen das, weil wir das auch, weil wir wollen, dass wir in beide Plätze sind, wir wollen nicht in beide Plätze sein.
Speaker: Wir wollen nicht in beide Plätze sein.
Speaker: Wenn wir das Trajektorys sehen,
Speaker: Das ist das, warum wir da und wir versuchen, opt-outs zu finden, dass das machine-readable standard in place ist.
Speaker: Es gibt keine Standard-Yet-Auswahl, und das ist das die Workgroups sind.
Speaker: Sie versuchen, was das opt-out standardization würde, um,
Speaker: Was würde es wenn es ein centralized opt-out wäre?
Speaker: Und wie würde es kontrollieren?
Speaker: Wie würde es bemanagement werden?
Speaker: Ich meine, es gibt all kinds von Fragen und Fragen von der Logistikseite.
Speaker: Und die Machine Learning companies und die Artists organizations sind auch lobbying auf beide Seiten.
Speaker: So sie versuchen, die middle ground zu finden, wo es nicht so verdient ist, dass die Machine Learning companies zu werden, zu sagen, Sie sind einfach nur
Speaker: Intentionally, you know, shutting down our business.
Speaker: So they have to have their say in it.
Speaker: And it's trying to find that middle ground of saying, okay, you need to do machine learning.
Speaker: You don't actually want to make everybody angry.
Speaker: You just want to make your product.
Speaker: So how can we do it in a way that you can still get a good result while all of these other, um,
Speaker: Rechtsholders can feel like they have control and say.
Speaker: So all of that is an evolving conversation.
Speaker: We're working in those work groups.
Speaker: They're kind of closed door.
Speaker: We can't really talk about who else is in them.
Speaker: It's all unofficial right now because it's a lot of brainstorming.
Speaker: It's a lot of frank conversations trying to work through how this works and where it goes.
Speaker: But the hope is that if we can establish a working model that the EU would adopt, that it would just be simpler for American companies to play by the same rules.
Speaker: So there is a form of the Brussels effect, so to speak, what we hoped for in the EUAI Act, that
Speaker: Regulating does have effects on foreign markets and that is why you have some skin in the game here too, right?
Speaker: Right, and that's exactly right.
Speaker: The Brussels effect, that was the term I was looking for before.
Speaker: Because we're going to have so much lobbying in Washington going back and forth, I think it's unlikely that you will see bills being passed into law at a rate that makes them relevant for the current tools that are being released.
Speaker: So the technology is being released faster than the laws could probably keep up with it right now.
Speaker: So the specifics on what that all looks like is going to be very mushy in the US legal system for a while.
Speaker: But if there are regulations in place in something like the EU, then companies will self-regulate in order to be applicable in those markets.
Speaker: So that's the hope is that
Speaker: Wenn man sich die Anregungen auf die Anregungen auf die Anregungen auf den AI-Instrieren kann, dann könnte man sich selbstregulation von der AI-Instrieren.
Speaker: Ich war in Forbes die anderen, wie diese Deregulation, die Trump ist, ist tatsächlich, um, die Anregungen auf die Anregungen auf
Speaker: the board members of companies much more so because it's a lot easier for them.
Speaker: They would prefer to just say, give us the rules and we will abide by them.
Speaker: Just give us what we need to do and then that's what we'll do.
Speaker: But when you say, we're not going to regulate you, just don't do anything wrong.
Speaker: It's much harder for the companies because they now have to manage very closely all of their different risks.
Speaker: So they have to be worried about where, because they can still be sued.
Speaker: They can still run into problems.
Speaker: They still have the huge problem of the reputational risk.
Speaker: So all of those, if you're allowed to say, hey, it's perfectly legal.
Speaker: This is what the government said we can do and we're doing it.
Speaker: Es ist viel einfacher zu spielen das so, dass es zu sagen, wir sind in der Wild West und ich glaube, wir haben etwas wirklich schlecht gemacht.
Speaker: So jetzt sind wir komplett responsible für das.
Speaker: Weil jetzt die Oversight required von jedem Unternehmen ist, wird es erhöhter, weil die Oversight von den Government ist, ist es tatsächlich die Bursache zurückgekehrt.
Speaker: to reevaluate all of their risks and reevaluate their, their protocols, because just because there's no regulations doesn't make them immune from the public.
Speaker: Ja, und von Existing Laws, richtig?
Speaker: Ja, und Existing Laws, auch.
Speaker: Und die US hat sich schon viel an den Existing Laws, Telecom Laws, Daten Privacy Laws, und sie sind jetzt re-applyt die jetzt zu AI.
Speaker: So sie sind jetzt auf die Buche und zu re-definieren, was die Terms sind.
Speaker: Das ist lustig, weil wir hier denken, das ist ein Tech-Bros'-Wett-Dream, zu haben keine Regulation zu haben, aber es macht total total Sinn, das Argument du hast, dass es sich weg von der Börden von selbst-Regulatung aus dem, was du gesagt hast.
Speaker: Und es still könnte die Tech-Bros'
Speaker: dream position, because the tech bro is the guy who's just trying to push things forward and make it happen and invent new and cool things.
Speaker: But the board of directors and the investors are going to have to now step up and say, okay, you know, to protect our investments, we're going to need to watch you very closely to make sure that you don't go too far.
Speaker: So the deregulation for a researcher is great.
Speaker: der Deregulation für ein Investor, vielleicht nicht.
Speaker: Und für eine Serious Business Owner und ja, Employer.
Speaker: Und in der Trickle-Down, die von der Third-Party-People, die vielleicht beinwovilten in das.
Speaker: Jetzt, die Board-Members haben, die sie zu verhören, und jetzt die Clienten, die ihr Produkt,
Speaker: Jetzt haben wir zu schruten, was sie von ihr und schruten, was ihr Unternehmen.
Speaker: Wenn es ein large Business-to-Business-Purchase mit Services gibt, dann werden sie sich mit einem anderen zu schauen, um, in der sich zu machen, dass sie alle sicher sind und sicher sind, oder zumindest aus der Risik.
Speaker: Ja, ja, ja.
Speaker: Du hast eine Do-Not-Train-Registrie, wo ich meine eigene Website kann, oder inserte meine Bilder, meine Daten.
Speaker: Was ist das ein bisschen, was das hat?
Speaker: Oder was kann ich, als artist, aus dem so?
Speaker: So, die Do-Not-Train-Registrie ist etwas, das wir gebaut haben.
Speaker: Und dann geht es und
Speaker: Connect that with willing AI training companies.
Speaker: So some of the big commercial models, not all, are willing to play along with that.
Speaker: And they're saying, hey, you've gathered all of this information.
Speaker: It's ready to go.
Speaker: We can just ping your API and pull all of that in real time.
Speaker: So if somebody just registered something yesterday, it will be in that new list of opt-outs.
Speaker: And so if we do another round of training,
Speaker: Das ist, was ich in der letzten Stable Diffusion round.
Speaker: Es gibt 7 Millionen nicht mehr, weil das Registrier gibt, weil wir eine Agreement mit dem haben, um das zu passieren.
Speaker: Alles in der AI-Sphase, ich nicht sagen, dass es nicht alles, das ist, aber es ist nicht so, dass es nicht so, dass es nicht so, dass es nicht so, dass es nicht so, dass es nicht so, dass es nicht so, dass es nicht so, dass
Speaker: oder existen durch Willing Involvement oder Willing Acceptance.
Speaker: Es gibt keine Regulations, die die Do Not Train Registry muss, aber das ist das die EU, das ist das, was wir wirklich auf die Frage auf.
Speaker: Das ist das, was wir wirklich auf die Frage auf, was ich da.
Speaker: Es ist das, was ich da, was ich da, was ich da, was ich da,
Speaker: und es eine EU-weitere Registrierung, die notwendig ist, für Maschine-Learning.
Speaker: Das ist das, was wir jetzt an.
Speaker: Ist das etwas, was du für dich für oder für dich für das?
Speaker: Wir haben bereits die System und die Mechanik für das.
Speaker: Und so, wir versuchen, die Weg in der EU zu sagen, wir haben eine Expertise auf wie das funktioniert.
Speaker: Wir haben Expertise auf wie das funktioniert, wie das funktioniert, wie das mit dem Publik und
Speaker: haben wir uns auf die Seite an der Seite, wenn es das Daten-Governance-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-Grovern-G
Speaker: Right.
Speaker: And the opt-in systems are going to be more small scale.
Speaker: So Source Plus is an opt-in system.
Speaker: Exactly.
Speaker: So if you want to upload your own artwork and put it into the collective, anybody can download those images and train a model with them.
Speaker: So you're saying, hey, I'm going to give my images out there.
Speaker: I'm willingly putting it there.
Speaker: für die Worte der Maschine.
Speaker: Aber das ist eine SINGLE-Platform.
Speaker: So, zu versuchen, das Industrie-Wide zu versuchen ist, das ist nicht möglich.
Speaker: Ja, ja, ja, ja.
Speaker: Aber die Do Not Train Registry kann man das irgendwie an, so das ist etwas, dass Leute initially nur in der Form von Picturesen waren.
Speaker: Die Linke 5B ist ein Bildset, weil Linke 5B ist ein Bildset.
Speaker: Das ist die einzige, dass es sich an, was es ist.
Speaker: Aber die Do Not Train oder den EU-Central Registrier würde es data-agnostik.
Speaker: Es würde nicht interessieren, was du opt-out zu machen.
Speaker: So auf ours, für instance, ein paar Leute gehen und einfach register deine domain.
Speaker: So du registerst deine root domain des Webseite.
Speaker: Ich denke, es gibt noch ein paar Leute, was es sich in einem Dataset gibt.
Speaker: Ich habe mich auf den Lion 5B Dataset gefunden.
Speaker: Was das bedeutet?
Speaker: Was kann ich mit diesem Informationen machen?
Speaker: Kann ich die Bilder aus?
Speaker: Das ist die Sache, dass die Bilder nicht in der Linie sind.
Speaker: The URLs to your images are in there.
Speaker: Okay.
Speaker: So when you download the dataset, it's just all text.
Speaker: The dataset is simply a text where you have your link to the image and the caption for what that linked image is.
Speaker: And then when you do the web scraping, which is the difference between a crawler and a scraper, the scraper is the bot that is assigned by whoever's doing the training to say, okay,
Speaker: Hier sind alle die Bilder, hier ist das Portion der Datasette oder der Entferne Datasette.
Speaker: Jetzt gehen Sie und gehen Sie.
Speaker: So die Bot geht aus und ist eigentlich die Daten für alle die Bilder, so dass Sie sie auf die Server bekommen.
Speaker: Es wird ein Massive-Chunk-Empfaktes wieder, das Leute nicht wollen, haben sie alle Zeit.
Speaker: Sie wollen sie nicht mehr haben, diese Terabyte von Bildern.
Speaker: So die Schraper geht aus, findet die Bilder, downloads sie, und dann wird das die Training-Prozess.
Speaker: But your images aren't housed on some nefarious hard drive somewhere.
Speaker: It's the link to your image.
Speaker: So that image could be on social media.
Speaker: That image could be anywhere if you find your image there, but it's just that URL.
Speaker: So what we're doing as the Do Not Train Registry is creating a
Speaker: An updated list of every URL to ignore.
Speaker: So when you have the large dataset list of URLs, it just simply searches through, finds the ones that match from the do not train, and it just deletes them from the list.
Speaker: Then they go out and do their scrape as they normally would to go and fetch all the rest of the images.
Speaker: So if they were training on video or audio or anything, and they're respecting that, it's essentially just looking for those URLs for whatever the data happens to be and saying, oh,
Speaker: Don't go to that URL.
Speaker: Don't use that.
Speaker: So that is what the robots text and the AI text is basically for.
Speaker: To be the warning sign on your website.
Speaker: A border between the link
Speaker: to the URL in the Lion 5B dataset and the crawler that is... Scraper, but yes.
Speaker: Thank you.
Speaker: Yeah, I'm sorry.
Speaker: So when your scraper comes in and sees AI.txt or the web crawler is for the robots.txt, it's going in there.
Speaker: And as soon as if those bots are programmed to respect those pieces of code, it's saying, okay, I'm assigned to go and find this URL.
Speaker: Ich habe die URL gelegt, es ist nicht zu sehen, ich komme zurück und sage, nein, und dann geht es zu der nächsten.
Speaker: So, wenn es nicht programmiert ist, dass das nicht immer so ist, dass es fair game ist, so zu sprechen, dass es nicht immer so ist, dass es nicht so ist, dass es fair game ist, so zu sprechen, die das respectieren und es nicht.
Speaker: Ja.
Speaker: Ja.
Speaker: Es wird für die halbe Stunde der Arbeit von sich um, ich denke, das wäre gut.
Speaker: Ich könnte ein paar verschiedene Analogs für das, aber es ist eigentlich, du willst, in welche Weise du kannst, wenn du wirklich über das konzentriert bist.
Speaker: Ich habe mit Menschen, die so upset sind, dass sie eigentlich alle ihre Content auslöschen.
Speaker: Das ist die Hauptsache, die sich von einem Schraubchen zu geben, von nichts zu machen.
Speaker: Das ist eigentlich eine der Dinge, die ich meine eigenen Studen in meinen Klasse erzähle.
Speaker: Ein paar Leute sind über was deine Digital Footprint sieht,
Speaker: As far as your social media goes and how that might come back to haunt you in the future.
Speaker: But I also tell artists to read, be conscious of what their portfolios are online.
Speaker: Be conscious of where you put your images, because if you put your images on Instagram, when you sign up for Instagram, you go through their old terms of service and you say, I opt in for all AI training.
Speaker: Agree.
Speaker: Really?
Speaker: Ja.
Speaker: Okay.
Speaker: And other social media platforms are like that, too.
Speaker: You got to go read through that very long and annoying Terms of Service.
Speaker: But you'll often find that as soon as you put it onto social media, that's almost across the board, that they can do what they want with those images.
Speaker: At least in the US, because I know I remember that discussion I've had about LinkedIn, where in the US they had an automated opt-in for exactly what you're describing.
Speaker: And I, being a resident in the EU, just got a message.
Speaker: There is a new service.
Speaker: No worries.
Speaker: Because of GDPR data protection in the EU, we're not going to apply it in the EU.
Speaker: You don't have to mind that.
Speaker: Aber ja.
Speaker: Und so es kommt es um, wenn du dich über deine Sachen beschäftigen, nicht auf ein paar andere 3D-Parten.
Speaker: Das ist ein Fortschritt, aber das ist die Art der Art von einem Artist.
Speaker: You make more teasers, you make more little bits of things and drive traffic back to your own private URL where you can then protect that better.
Speaker: So some people have taken all this stuff offline.
Speaker: I think that's a bit of a Luddite extremist view of like, well, I'm not going to use the internet anymore.
Speaker: That's not really realistic.
Speaker: Or
Speaker: There's people who will put stuff more into password zones, because if there's a password, the scraper can't get to it.
Speaker: I've had other people who go through and just rebuild their sites.
Speaker: So if they found their image in the Lion 5B dataset, but they retool their entire website, so every image has a new URL identifier, that original link goes to nothing.
Speaker: So it will go and it will pull no image because there's no, that link is dead.
Speaker: So like there, there's ways that people are working to, to protect those things, but to just make it easier, putting things on like a do not train registry at the root level is a simple safeguard.
Speaker: It might not be respected by everybody, but wouldn't you rather be respected by some people?
Speaker: Ja, ja.
Speaker: Und haben eine properer Handlung auf die Menschen, die nicht zu retten, wenn es ausgesucht wird, durch die Daten-Transparency-Laws, die auch ein Teil der AI-Act, zum Beispiel, das wird in der Mitte 2026 sein, glaube ich.
Speaker: Und ich habe totalen Ihre Argumenten.
Speaker: Ich wollte nur ein Verwaltungen machen, für unsere Listener hier.
Speaker: Ich bin besser vorbereitet für eine einfache Argumenten
Speaker: when I obviously clearly and unmistakably stated in a machine-readable way that I don't want this to happen.
Speaker: So please, this is a very clear case in a class action or in a future whatever law involving scenario.
Speaker: Rather than I didn't do anything at all.
Speaker: And now I'm complaining that I've been right.
Speaker: Right.
Speaker: So if you're trying to put the burden of proof of saying I was trying to not be involved, I made a good faith effort to try to not be involved, but I was still involved anyway, that yes, it makes a much clearer argument down the road.
Speaker: If you were to try to make a case against somebody.
Speaker: Und natürlich, als ein Voice Artist und in einer Form der Voice Artist Community, ich bin interessiert, ob du planst auf die Registration auf Voice Datasets auf?
Speaker: Oder was deine Planschreiber?
Speaker: Und das würde dann auch einfach nur um die Registrationen
Speaker: Voice generative companies to get them to respect the same registry because the URLs again, doesn't matter what they link to.
Speaker: So if you have a bunch of voice samples on a website and they are linkable and they're hosted there, you can still put all that into the do not train registry.
Speaker: It's just now a matter of who are the AI voice companies and are they willing to respect that registry or not?
Speaker: Without there being any kind of legal mandate for those registries to be respected, it just comes down to how well can you convince one of these other companies to play along.
Speaker: And it doesn't matter the form of data, whether text, image, video, audio is not relevant to the process or to the... No, having the registry of just saying these URLs should not be included in any machine learning process.
Speaker: Don't scrape anything at this URL.
Speaker: That's ultimately what it comes down to.
Speaker: So there's more nuance about what the machine-readable versions would be, where it gets put into the website.
Speaker: Like ai.txt is just this kind of add-on script, but there's other things like HTTP headers, different ways, depending on how web-savvy you are, to kind of wrap your site in clear protections.
Speaker: Es kind of depends on where the burden is on the tech companies, how much machine-readable content they need.
Speaker: Is it simply enough to put an AI.Text on there?
Speaker: That would be great, because you can do those with a WordPress plugin, not too difficult.
Speaker: I made a little five-minute training video and it walks you through it.
Speaker: It's a pretty quick thing.
Speaker: Oh, really?
Speaker: We can link that in the show notes if you like.
Speaker: So the process of doing that would not be that hard.
Speaker: It's just now a matter of can we get the other side, the other party, which is the training companies to respect it.
Speaker: So voice, whatever.
Speaker: Don't think about it only, Have It Been Trained is an image searching tool, but because that's what it's looking at is Line 5B, but you can actually still add things to the Do Not Train registry by going to your account.
Speaker: There's also a browser extension.
Speaker: So if you're using Chrome, I think we have one for Firefox too, I think.
Speaker: But I know for sure for Chrome you can just make it as a browser extension.
Speaker: So on any given page you can pop it up and look for whatever the images are on that page or whatever URLs you want.
Speaker: And then you can just click and add those as you go.
Speaker: So that's a really useful way of going into social media.
Speaker: So if you're
Speaker: und die Leute reposten ihre Arbeit auf ihre Instagram-Akonsen oder in Pinteresten oder in anderen Plätzen, kann man auch noch opt-out auf ihre Images auf ihre Accounts, weil es noch eine bestimmte URL gibt, die das Bild zu dem Bild.
Speaker: Ich wollte das zu sagen, weil ich als ein selbst-employed, kreativ worker, ich auch meine Arbeit aus der Hand gewinnen und mit dem, ich verhüben, die die Klinik, die es auf Instagram-Klinik, die es auf Instagram-Klinik, die es auf Instagram-Klinik, die es auf ihrer Website, die keine Robots-Text oder AI-Text auf es.
Speaker: Es ist ein possibility, wo ich noch ein bisschen kontrolliere, wenn ich weiß, dass es eine Version von meinem Werk ist.
Speaker: Ich kann da und da den URL-einhalten.
Speaker: Right.
Speaker: So if you went in and you wanted to add that image, you gave it to a client, the client puts it onto their most recent projects page.
Speaker: You could go and click on the link to your image or your content there, and then add that to the Do Not Train registry.
Speaker: Wow.
Speaker: And, but I think a lot of people also think that they want to be pulled out.
Speaker: I get emails all the time from angry artists saying,
Speaker: Das war in das als Teil der Model ist, dass das nicht mehr so aus dem Modell ist.
Speaker: Wenn du so aus dem Modell bist,
Speaker: You have been trained.
Speaker: There's no way to delete yourself.
Speaker: But what you can do is prevent yourself from being trained again.
Speaker: And that's why in the Lion 5B dataset, because people were reusing that.
Speaker: It's such a big dataset.
Speaker: It gets reused and reused by different training companies.
Speaker: So by going through and saying, okay, I found my 10 images on Lion 5B and I want them all to not be trained on.
Speaker: Okay, so when people are reusing that common data set, they won't be using those images.
Speaker: But by adding your images to a Do Not Train Registry, even if they aren't on Lion 5B, you're trying to future proof yourself.
Speaker: So when the next common crawl happens, and that's how this, the first step is common crawl goes out and it finds images.
Speaker: So it's like, here's where those images are.
Speaker: Und dann ein company wie Lion will sagen, hey, wir haben eine große Liste von Images, wir gehen und finden die Images und dann benutzen Clip zu captionieren.
Speaker: Und dann wird das alles in eine kleine Package, dass jemand, der eine Daten-Scientist, kann man und trainieren eine Basismodelle von.
Speaker: Ich bin wahrscheinlich auf den Boring-Technical-Side.
Speaker: Und ich finde es spannend, dass Leute, wie du, oder Spaulding in das Regarde, um zu machen, um zu machen, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu halten, um zu
Speaker: They find their picture on have I been trained and they're like, you have my picture, get rid of it.
Speaker: I'm like, no.
Speaker: Have I been trained is just linking to your own website and saying, yes, this image from your website is in their dataset.
Speaker: Yeah, yeah, yeah.
Speaker: Anyway, fine.
Speaker: I explain it.
Speaker: Yeah, I think it's educational, right?
Speaker: It's an educational process and you probably have to answer the same questions again and again.
Speaker: Ich habe 20 Jahre teaching, so ich bin gut zu answern.
Speaker: Okay, Kurt, ich denke, das ist ein guter Platz zu wrapen.
Speaker: Ich weiß, das ist wahrscheinlich die hardest Frage zu stellen, aber vielleicht ein bisschen zu foreschadigen,
Speaker: Wir sind auch die Idee, dass das sehr AI-Eig ist.
Speaker: Wir sehen uns das Bild an, dass das Bild an sich an, dass es eine bestimmte Plastikiness oder Glossiness oder so.
Speaker: Und es ist wirklich gut für Memes und wir sind sehr üblich zu sehen, dass es die Dinge thrown around ist.
Speaker: Die neue Video Models, die wir aus dem Outen sind, sind es länger, so dass es, es ist, dass es nur drei Sekunden ist.
Speaker: Und jetzt ist es 10 Sekunden, und es ist 10 Sekunden, und es ist länger und mehr robust.
Speaker: You can start controlling more content within it.
Speaker: So you can, I want this piece to move and that piece to move and so on.
Speaker: I think as those models come out,
Speaker: Das ist, dass wir ein viel growth werden.
Speaker: Wenn du ein Image-Generation-Modell kannst, kannst du dann an Image-Generation-Modell generieren und dann annehmen das Image-Mix.
Speaker: Da gibt es verschiedene AI-Voice-Avatar-Tools.
Speaker: Ich muss eine Talk-Head-Head-Hitern für mein HR-Trainings-Video.
Speaker: Ich muss nicht einfach jemanden für das.
Speaker: Ich werde einfach nur die, die, die, die
Speaker: Elizabeth Voice on this web avatar and it will do my HR training session for me.
Speaker: So when you have a company like Hedra does really great lip sync, has some interesting voices there.
Speaker: You can also train your own voice to do that.
Speaker: Now you get in that complete package and that's why I'm talking about the multimodal stuff.
Speaker: I think we're going to see more and more of that as people push to AGI.
Speaker: I think we're going to see more robust
Speaker: mit dem Bildschirm, mit dem Bildschirm, mit dem Bildschirm.
Speaker: Jetzt kann man das alles tun, aber es ist mehrere Schritte und es gibt mehrere Plattformen.
Speaker: Ich denke, die Leute, die die in einem einen Package werden, die in einem Package werden, werden sie zuerst leipen.
Speaker: Okay.
Speaker: Well, food for thought for the dubbing industry, for example.
Speaker: Well, that's why I brought up on the voice side of things.
Speaker: There is a lot that's going on in that space.
Speaker: And I don't know if you've looked at Hedra, H-E-D-R-A, or not.
Speaker: I've heard about it, but I didn't bring up the strength, the inner strength to look at it properly.
Speaker: You can...
Speaker: Leave it out of the podcast if you want, but...
Speaker: Neural Vision is a YouTube channel that might be worth checking out.
Speaker: I think it's called Neuro Vision.
Speaker: So he releases a film every week and he's creating this kind of alien race that exists thousands of years after humans go extinct.
Speaker: But it's really well done.
Speaker: The image generations come out of Mid Journey and then he's animating them and then he's using Hedra to do these lip syncs.
Speaker: So it's
Speaker: Very convincing, and they're using their own audio files.
Speaker: So you can look at that as also a case for they give you three pre-programmed AI voices, but this Neurovision web channel is really successful because they're still acting.
Speaker: And the facial expressions on the characters are reflecting the emotions of the voice that's uploaded.
Speaker: Mm-hmm.
Speaker: Okay, great.
Speaker: So he's got his friends coming in and there is recurring characters as the voices, but now there's a way to animate to the voices instead of trying to get the voice to match the animation.
Speaker: So it's like reverse dubbing.
Speaker: Mm-hmm.
Speaker: Okay.
Speaker: Man kann sagen, dass es AI-Tools kommen, die die Vögel-Aktoren werden, stattdessen der Vögel-Aktoren werden.
Speaker: Aber man muss sich bereit sein, um zu danceeln.
Speaker: Man muss sich bereit sein, um verschiedene Plattformen zu machen und machen eine Kase für sich.
Speaker: Okay, okay.
Speaker: Ja, ich sehe.
Speaker: Nimmel.
Speaker: Okay, yeah, I will check it out.
Speaker: And after I have checked it out, I will consider whether we leave that in or not.
Speaker: Anyway, I'm not trying to endorse it, but I've definitely played around with it.
Speaker: Just uploaded a picture of myself, typed in a little limerick, and it's...
Speaker: Das ist ein sehr guter Wichtiges.
Speaker: Ja, ja, ja, ja.
Speaker: Ja, ja, ja.
Speaker: Ja, das ist sehr gut.
Speaker: So viel von wo wir auf der Limit gerade ist, ist einfach auf die Hardware.
Speaker: Und das ist die andere Sache.
Speaker: NVIDIA hat sich mit einem neuen Chip
Speaker: Das ist speziell für die Art, die ich aus dem Laptop bin.
Speaker: Du kannst die Art von AI auf dem Laptop bewerben.
Speaker: Du kannst die Art von AI auf dem Laptop bewerben, viel mehr effizient.
Speaker: Wenn die Art von Hardware kommt, um diese Dinge zu unterstützen, dann ist das die Ge- und-Tage.
Speaker: AI ist nur als gut als die Daten und die Prozessor.
Speaker: Wir geben es besser Daten, geben es besser Prozessor, und wir werden nicht wirklich sehen, wie es geht, wie es geht, als die zwei Dinge zu erhöhen.
Speaker: Ja, die nur die Unterschiede ist, dass die Entwickler und tech-companien sind bereitstehen für die tech und nichts für die Daten.
Speaker: Ja, vielleicht ist das ein guter Platz, Kurt.
Speaker: Ich habe es sehr, sehr, sehr, sehr.
Speaker: Ich habe es sehr, sehr, sehr,
Speaker: Wenn du ein Text hast, dann message mich an deeptalk.mike-rider.com und so lange.
Speaker: Bis zum nächsten Mal.
Speaker: Bye-bye.
