如何用ai做3d字体(ai怎么做3d效果的字体)

如何用ai做3d字体,ai怎么做3d效果的字体

内容导航：

怎么用AI做3D字体啊 详细步骤

商汤科技徐持衡AI的核心在于服务好每一个人

如何用AI做圆滑精准的空心

李飞飞新论文「AI医生」诊断抑郁症准确率超过80可移植到手机

一、怎么用AI做3D字体啊 详细步骤

使用3D凸出与斜角命令就可以制作效果菜单-3D-凸出与斜角你可以百度搜“凸出与斜角”，有很多这样的教程看看每个参数的作用和调节方法。。愿能帮到你~

二、商汤科技徐持衡AI的核心在于服务好每一个人

虎嗅注：徐持衡是商汤科技的联合创始人、技术支持总监、001号员工。
商汤科技在成立短短4年的时间里，已经获得了数轮大额投融资。
其中投资方包括IDG、高通、阿里巴巴、淡马锡、苏宁等知名公司机构。

徐持衡本人是一位90后学霸，高二被清华大学破格签约录取，2012年加入香港中文大学多媒体实验室实习。
2014年，商汤科技创始人汤晓鸥教授带领团队开发出深度学习模型DeepID，人脸识别准确率达到98.52%，超越人眼97.53%的识别准确度。
计算机人脸识别准确率首次超越人眼，突破工业化红线的契机已经到来。

在11月24日的虎嗅F&M;创新节上，徐持衡为大家带来了一场题为《A.I.让数据创造价值》的演讲，着重以AI从业者的身份，为现场观众讲述了AI的过去、现在和未来。
尤其是最终AI的作用，徐持衡认为：AI的核心在于服务好每一个人。

以下内容由虎嗅整理自现场速记：

大家好。

今天在科大讯飞后面讲，压力非常大，因为科大讯飞是一家在人工智能做得非常棒的公司，尤其是在语音和自然语言处理方面。
相比之下，商汤科技是专注于计算机视觉领域。
但有一点很巧，假如我们把生活中的语音加上文字加上图片加上视频，这就是我们日常生活中最经常接触到的数据形式。

我今天主要想分享的是《A.I.让数据创造价值》。
我们可以先来看下历史，回顾到更早的石器时代，铁器时代，到现代的蒸汽时代，电力时代，再到我们当下的信息时代，我们发现每一个时代，它都是以当下最前沿的技术来命名的。

所以我们期待下一个时代能够以A.I.来命名，因为A.I.能够给人类社会带来极大的突破和创新。
参考蒸汽时代，解决的是动力的来源问题，人力被替换为了机器的动力，那么电力时代其实解决的是动力的传输和使用，它能够让灯泡发光，能够用来做各种的事情。

而我们现在所在的信息时代，最大的特点是大量的信息数据积累，而且信息数据的传输能力也在不断升级。
所以对于A.I.时代，我们要做的、最重要的一件事情就是要让数据产生价值。

要继续聊这个问题之前，我们可以再倒回来看看科技进步到底给我们带来了什么？科技进步跟艺术创作它们之间关联是什么样？在我看来，科技的进步带来的是艺术创作变得更快了！

相信在座的各位都看过斯坦·李老先生的漫威宇宙系列电影，这是一个充满超级英雄、科幻的主题。
今时今日，去看3D电影是再正常不过的事情，一部3D电影可能有几万帧的3D特效构成，但是这个事情放在几百年前，绝对是不可想象的。
那个时代的“3D大作”，是像罗丹《地狱之门》这样的作品，而罗丹为了这个作品足足花了37年时间。
相比之下，最新漫威宇宙中的《毒液》，从开拍到上映只花了不到一年的时间，这两者都是对我们想象力最好的体现、最好的艺术形式的表达，都值得我们去品味和欣赏。

不仅创作更容易了，艺术创作载体也变的更加丰富了，参与的人群更广了。
例如摄影技术一开始出现的时候，大家一度认为它将给绘画市场带来巨大的打击，肖像画的需求可能就没有那么旺盛了。
但是后来，我们发现数码相机虽然取代了胶卷，但行业在短暂的“衰落”之后，反而参与其中的人更多了。

不仅大家每一个人都会开始拿起手机拍照，诞生了更多的摄影师，在图片拍摄之后还需要处理、也就是PS，所以也需要更多的图片设计师。
反过来看，实际上是更多的人参与到了艺术创作当中。

还有一个很有意思的技术——3D打印，现在越来越多的中学生用3D打印技术进行创作，这明显对还在大学念雕塑系的同学们来说不公平，他们正在面临来自中学生的巨大竞争，所以现在可以考虑一下是不是该转计算机系了。

说一个题外话，大家总是在探讨说人工智能是不是会颠覆行业，是不是会替代掉多少的劳动力，让多少人失业。
但就过去几百年的经验来看，那些被技术改变、被技术颠覆的行业，最终都获得了更大的动力、更好的活力。

所以我们相信人工智能接下来要颠覆的事情，未来一定也会给各个行业带来更强的动力，更多的职业，甚至更大的繁荣。

当下是一个软件快速发展，反过来推动硬件发展的时代。
以苹果为例，一年顶多推出不到10款iOS设备，但Apple Store一年的新应用数量就超过70万个。
在经历了几十年快速发展后。
摩尔定律已经不再有效了，芯片制程从十纳米到七纳米已经举步维艰，晶体管的密度不再那么容易得到提升。
但在这个趋势下，我们可以看到NVIDIA的GPU的出货量开始变高了。

是因为打游戏的人变多了吗？不是，最重要的原因是NVIDIA把GPU的计算能力开放给了软件挖掘，让软件通过迭代最终实现效益的最大化。
这个过程也将推动人工智能技术的发展，以及更广泛的技术应用和落地。
最终，大量的软件应用将会改变我们的生活。

而事实上，软件的意义就是让人与信息产生关联，除了满足我们的好奇心之外，它们也在改变我们的生活、融入我们的生活，最终改变我们身边所有的事情的发展。
最简单的，现在衣食住行都有APP，人们通过APP能够在一个数字化的世界里没有障碍地互相触达。

以共享出行为例，现在我们可以通过APP直接约到一辆车，而且这辆车有可能是路面任意一辆闲置的运营车辆，你还可以和司机直接约定上车地点，并且实时看到车所处的位置。
这极大化地降低了人找车和车找人这两个过程的复杂性。

在用户、司机看来，对象有可能是车，也有可能是人，但他们实际上他们分享出来的是数据。
背后还有各种算法，能够把路面上闲置的车辆跟你的需求做一个关联和匹配，最后引导着两边形成商业价值。

所以我认为现在推动社会向前发展的就是万物数据化，因为未来的万事万物都必将变成数据。

在这个过程中，有很多数据需要通过计算机视觉的方法来消化和理解。
举个例子，我们看的很多视频数据，大多数的消费者还是人。
比如我们特别喜欢看运动类的视频，这些运动类的视频，我们能够在里头看到他的竞技，看到它的竞争。

但是对于计算机来讲，它只是帧的画面，每一帧画面每一个像素RGB到底是什么样的值，所以我们需要教会计算机去理解去看到这里面发生的事情，这里面的主体是什么？理解这里面结构化的信息。

最终，我发现，我们要做的事情，非常像小时候赵忠祥老师给我们解说《动物世界》一般，在《动物世界》里面有什么动物，然后发生了什么事情，有什么场景。
如果没有这些解说，相信大多数人会看不明白。

而我们现在在教计算机去做的，就是让计算机去理解视频中它的主体是什么，发生了什么事情，这些都赋予了视频新的意义。
到今天为止，我们教计算机去理解的视频，包括电视剧，包括运动视频，也包括更广泛的视频书数据和内容，这些视频数据内容可能对大家来讲没有那么吸引，但它们内在都有大量的价值，也就是说有有效信息可以去挖掘。
这是顺应了刚刚讲到的万物数据一个趋势，也是人工智能能够得到快速的普及和应用的原因之一。

我们一直讲数据是人工智能非常重要的一环，但在我看来，其实人工智能贯穿了数据的理解、认知、采集到最后决策的整个链条。
所以在万物数据化之上，实际就是万物智能化。

到今天为止，我们的物理所有权形态已经发生了很大的转变。
以前一个东西在我手上，我可以用它做任何的事情，但到今天我们发现路边停了大量的单车，我可能没有办法骑走它，但我可以通过APP扫码解锁这辆车。
这个过程中，现实世界的物理权限和虚拟世界的软件权限管理，实际上已经结合到了一起。

我们再来看手机，你现在随便拿起别人的新手机，你拿起的同时实际上手机也在“看”你，分辨你是不是它的主人，如果你不是真正的主人，那你就只能看到锁屏上的时间信息。
只有它认出来你是它的主人，你才能操控所有的功能。
这背后的技术基础，就包括了商汤科技的人脸识别技术。

未来很多涉及到权限的场景，都可以通过人脸识别来改变，因为人脸更像是软件中的钥匙，它是多对多的凭证，而且你还会随时把它带在身边。
所以大家未来完全不需要在身上带更多的钥匙，因为你自己就是最好的“钥匙”。

既然是多对多的“钥匙”，那么钥匙权限的管理也将变得尤为重要，但我相信这一个概念将会在更广泛的事物中不断涌现，最终让我们和生活中万物的交互变得更加自然。

讲完了人与机器之间的交互，我们来讲一讲机器与环境之间的交互。
刚刚百度的同事也讲到了我们无人驾驶技术的发展，这几年无人驾驶技术发展得非常的快。
但我们目前还没有完全解决信息传递的问题。

假如车辆本身知道马路上的所有信息，例如前后车如何做决策，即将是要刹车、减速这种程度的信息，我相信自动驾驶的技术迭代将会变得更快，无人驾驶的机会也将很快来到。
但我们现有的实际路面情况是真的很复杂，所以我们必须先通过计算机视觉技术，尽可能地去挖掘里面有价值的信息。

我们给自动驾驶车装上一堆RGB摄像头和毫米波雷达、激光雷达，我们可以识别路牌、路灯、识别车道线、识别可行驶区域，前车行人等等，甚至我们在用数据去预测人和车的轨迹，预测他们会不会穿越横线，会不会变道。
这些尝试，将会成为未来实现无人驾驶过程中关键性的决策组成。

我在今天之前，的确没有来过751 Park这个场地，说老实话这个场地跟我想象的不太一样，还好我跟着导航走到了正确的位置。
但现实中很多用户真的是看不懂导航中地图指示，所以前不久我们联合OPPO、高德地图推出了AR步行导航。
你可以让吉祥物小欧出现在街道实景上，这种无缝的融合，最终目的是引导你，指引你前往目的地，把导航过程中的决策和指示变得更加直接。

这种以前不敢想象的事情，都已经实现了，如果我们继续把大量的数据和大量的新技术结合在一起，完全可以构建出一个更加智能化，更加智慧的一个生活空间。
就商汤科技自己而言，就是希望我们的技术能力会赋予每一个参与者，让他们体会到技术更新、进步带来的体验升级。

我在这再展示一个例子，有一个女士把包丢了。
因为是在公共区域，我们就先来寻找她自己的足迹，把她在监控中的片段都找出来，然后我们再去比对包的特征。
我们可以看到某一个时刻之后，她的包就不见了，再经过简单查询我们可以发现，她实际上是自己一个马虎把包忘了。

但包现在的确已经不见了，所以我们把包变成跟踪的对象，很明显能看到一位男士坐在了包旁边，然后被他拎走了。
虽然我们不知道这位男士的身份，但是凭借他身体的姿态和形态，再加上人脸的特征，我们就可以继续在这个区域去寻找他的轨迹，找到之后就可以物归原主了。

这个过程，在原来是完全依靠人力的，也就是把所有摄像头的数据调出来几个人一起查看，而现在实际上只需要几台电脑一小会儿就能完成。
这其中人力物力的消耗，被极大化地降低了。

这项技术还容易开发出其他一些用途，例如特别关注公共区域的老人和小孩。
小孩目前的位置在哪里，他的轨迹是怎么样的，是否有跟家里人走丢？又或者是对公共区域的大型犬类进行监控，在发现有人不栓狗绳的情况下派人去提醒。

所以在最后，我想跟大家探讨一点，人工智能到底给人类带来了什么？我认为人工智能给人类带来的，是给予每一个人应有的关注和关怀，而不只是解放生产力这么宏观的概念。

例如将来的某一天，我们已经不再需要司机了，因为都已经实现自动驾驶了，路上任何一辆车都可以是你的车。
上学也将变得更加简单了，我们可以通过人工智能进行教学；医疗也变得更加简单，人工智能会监控你的身体直接给出初步的预警和诊断。
正因为人工智能能够实现很多人类才能完成的基础工作，我们现有的社会稀缺资源，将会和机器结合起来，为更广泛的人提供基础服务，同时为更多的人提供高等级服务。

所以最终，人工智能还应该专注于服务在座、以及我们身边每一个人。

这个时候我们倒回来看，人工智能到底给社会带来最大的改变是什么？带来的是更大的、更高的效率，更大的产能吗？不是，我认为，人工智能带来的最重要东西，是人类公平生活的权利。
这就是我今天分享的内容，我们是商汤科技，坚持原创，我们相信AI将引领人类前进，谢谢。

三、如何用AI做圆滑精准的空心

答：Ai里面有个铅笔工具中的平滑工具选中把它放在节点上试试

四、李飞飞新论文「AI医生」诊断抑郁症准确率超过80可移植到手机

编者按：本文来自“量子位”（ID：QbitAI），作者：郭一璞。
36氪经授权转载。

在全世界范围内，有超过3亿人患有抑郁症。
其中的60%的人都没有接受任何治疗。

我们时有听到名人患抑郁症甚至严重到自杀的消息，却不知周围一些普通人身在病中不知病。

面对这一病症，AI能做些什么？

曾经说过“AI没有国界，AI的福祉亦无边界”的李飞飞老师这次要为那些怀疑自己患抑郁症的人创造福祉了，这次她和团队瞄准了AI诊断抑郁症这个方向：

结合语音识别、计算机视觉和自然语言处理技术，通过表情和语言诊断一个人是否患了抑郁症。

目前，这项研究初见成效，诊断抑郁症的机器学习模型目前precision达到83.3%，recall达到82.6%。

并且，这个模型可以部署到手机上，让更多人能方便的诊断抑郁症，不再受困于“没钱”、“没时间”、“别人知道我去查抑郁症会怎么议论我”的阻挠之中。

另外，这项研究成果还入选了 NIPS NeurIPS 2018医疗健康机器学习（ML4H）Workshop。

下面，量子位为大家详细介绍李飞飞这篇新作品的具体内容。

为什么用表情和语言能诊断抑郁症？

因为医生就是这么干的。

在目前的抑郁症诊断过程中，医生需要和患者面对面聊天，来判断对方是否患病。

需要医生来观察的要素包括：

对方是否语调单一，完全不抑扬顿挫；

说话音量是否比较低；

讲话时手势是不是比正常人少；

是不是总爱低头向下看；

……

另外，还需要通过患者健康问卷（PHQ, Patient Health Questionnaire）来调查来了解更详细的信息。

用AI来诊断抑郁症，就相当于用机器学习模型来代替那个和患者对话的医生，把患者在医生面前的表现变成数据，输入机器学习模型中。

因此，李飞飞团队采用的方案是先模型中输入3D面部关键点视频、患者说话的音频和转成文字的访谈录音三种数据，分别对应下图中的abc三行。

之后，输出PHQ评分或抑郁症分类标签，就能得出此人是否患了抑郁症。

训练模型全过程

训练这个模型用到的是DAIC-WOZ数据集，包括142名患者的PHQ评分和189次临床访谈、总共50小时的数据。

整个模型由两个部分组成。

第一个部分叫句子级嵌入（Sentence-Level Embepings）。

以往的嵌入方式都是嵌入一个音节或单词，只能捕捉几百毫秒的时间。
李飞飞团队用的是整个句子多模态嵌入，可以实现捕捉更长时间的声音、视觉和语言元素。

下图就是多模态句子级嵌入的示例：

第二个部分叫因果卷积网络（C-CNN, Causal Convolutional Networks）。

之所以用因果卷积网络，是因为抑郁症患者说话慢。

相比普通人，抑郁症患者说话的时候会在不同的字词之间停顿更长时间，因此整个句子的音视频也就比较长。
处理这种长句子的时候，因果卷积网络要比RNN强。

效果如何

我们来看一下实验结果。

其中，A是指输入数据为音频，V是指输入数据为视频，L是指输入数据为文本。

对比前人的实验结果，李飞飞的这项新研究数据上相对较高。
不过，与前人不同的是，这项新研究并不依赖一些预先做好的访谈记录，所以来的背景资料更少。
并且，这项新研究无需特征工程，可以直接用输入原始数据。

这张实验结果表格对比了使用不同嵌入方式的结果。
其中，前两行是手工嵌入，第3~6行是预训练嵌入，最后两行是我们用到的句子级嵌入，输入的是log-mel光谱图、3D面部关键点视频和Word2Vecs的序列。
论文传送门