為何聽不出高品質電源線的聲音所產生的差異?

Sayaka0528 wrote:
有人聽了出解析變好也...(恕刪)

cheonglee wrote:
現代樂器製造的QC就有用儀器來測量，包括其音準音色...(恕刪)

宅男工程師 wrote:
DRC 會劣化音場: 這點尚未找到合理解釋的文章. 但我長時間聆聽比對下來, 音場真的會縮小. 而奇怪的是, 換上 TcM Golden Signature Plus 電源線, 與 Siltech 680P XLR 訊號線, 明顯感受到音場擴大, 結像力增強, 遠近層次感拉開, 樂器定位感清晰.

李明益 wrote:
盲測...這種動不動...(恕刪)

李明益 wrote:
音色這個詞...恐怕算是很主觀的...

vic1010 wrote:
李明益 wr...(恕刪)

JohnTitor wrote:
amirm這個影片的用意就如綠字所述,他裡面並沒有要討論音色之意,而且也沒有Spectral Energy Generative Model

李育杰 國立陽明交通大學應用數學系教授 wrote:
Q1：「生成式 AI」因為 ChatGPT 來到爆發奇異點，「生成式 AI」和「分辨式 AI」有哪裡不一樣？

生成式人工智慧（Generative AI）和分辨式人工智慧（Discriminative AI）是人工智慧中兩個重要的概念。

首先理解一下分辨式人工智慧（Discriminative AI），顧名思義，這是需要有標注標籤資料以供「分辨」，我們常以(X, y)來表示有標注標籤的資料，X 代表資料本身，y 表示其標籤。從分辨區隔手中的標注資料，進而「訓練」篩選出一個好的分類器 （Classifier），用於對那些沒有「標注」僅有 X 的資料，預測其標籤 y。具體來說，分辨式模型依據有限的資料分佈與其對應的標籤找出一映射的函數 F(X)，用此函數值當成X 所對應的標籤 y。分辨式 AI 模型的代表性算法包括支持向量機（SVM）、決策樹（Decision Tree）、羅吉斯迴歸（Logistic Regression）等。從這樣的學習模式，不難想像，需要倚賴大量高品質具有標籤的標注資料，當然也提高了模型訓練成本，限縮大型複雜分辨式 AI 模型的發展。

而生成式 AI 模型與分辨式模型就根本的差異，在於生成式 AI 模型巧妙運用大量沒有標注標籤的資料 X，試圖自我產生資料與隱藏於資料中的訊息。而移除標注資料的限制後，讓大型的複雜模型的訓練，藉助於強大 GPU 的算力與大量的資料，得以實現。生成式 AI，雖無必要使用有標注標籤的資料，但若仍有標注標籤的資料合併使用，訓練過程中再引入強化學習（Reinforcement learning）機制，可協助引導模型快速朝向「正確」合用的方向收斂。而這樣的模式，也讓通用性的人工智慧漸露曙光。這種人工智慧可以創造生成出自然語言、音樂、圖像和其他形式的資料。