Generative AI vs Discriminative AI: cuộc chiến bất phân thắng bại

Generative AI vs Discriminative AI

Khi tìm hiểu về Generative AI bạn sẽ gặp khá nhiều thuật ngữ khác như Discriminative AI, Predictive AI,… nhưng bạn lại không rõ lắm về sự khác biệt của chúng? Hoặc bạn đọc các bài viết như Generative AI vs Discriminative AI bằng tiếng Anh tương đối khó hiểu 🙂?

Vậy, bài viết này của mình sẽ giúp bạn giải đáp thắc mắc về Generative AI và Discriminative AI cũng như so sánh Generative AI với Discriminative AI để tìm ra điểm chung và điểm khác biệt giữa chúng nhé!

Lưu ý: mình không khuyến khích các bạn sinh viên copy toàn bộ bài viết vào bài luận, bài thu hoạch hay bài tập của mình, hãy xem bài viết này là tiền đề để bạn mở rộng khai thác các ý tưởng khác như: thuật toán hoặc cách Generative AI và Discriminative AI hoạt động. Lưu ý nhẹ hoi, giờ chúng ta đi vào tìm hiểu.

So sánh định nghĩa, hoạt động và phương pháp học

Chúng ta sẽ khám phá sự khác biệt giữa Generative AI và Discriminative AI, hai khái niệm quan trọng trong lĩnh vực trí tuệ nhân tạo. Chúng ta sẽ thảo luận về định nghĩa, hoạt động và phương pháp học của chúng, cung cấp một sự so sánh rõ ràng và dễ hiểu nhất có thể.

Nếu bạn đang cần sự so sánh trực quan, cuối bài viết mình có bảng so sánh giữa Generative AI và Discriminative AI để bạn tham khảo đó. Tuy nhiên, mình khuyến khích bạn đọc hết hoặc gần hết để “hỉu” hen.

Định nghĩa của Generative AI và Discriminative AI

Trước khi đi sâu vào các chi tiết kỹ thuật, hãy cùng hình dung vấn đề. Hãy tưởng tượng bạn có một tập hợp các hình ảnh chứa mèo và chó. Generative AI sẽ nhắm đến việc tạo ra những hình ảnh mới của mèo, chó hoặc kết hợp cả đặc điểm của chó và mèo để tạo nên con chó mèo, trong khi Discriminative AI cố gắng phân loại liệu hình ảnh cho trước là mèo hay chó.

Generative AI vs Discriminative AI (2)

Generative AI là gì?

Generative AI – AI sáng tạo là một loại trí tuệ nhân tạo tập trung vào việc tạo ra các mẫu dữ liệu mới dựa trên dữ liệu hiện có. Nói cách khác, nó học các mẫu và cấu trúc cơ bản của dữ liệu đầu vào và tạo ra các điểm dữ liệu mới tương tự. Các mô hình Generative AI thường được sử dụng cho các tác vụ như tổng hợp hình ảnh, tạo văn bản và tăng cường dữ liệu.

Discriminative AI là gì?

Discriminative AI – AI phân biệt, tập trung vào việc phân biệt giữa các lớp hoặc danh mục dữ liệu khác nhau. Nó học các ranh giới quyết định phân tách các lớp khác nhau và sử dụng kiến thức này để phân loại các điểm dữ liệu mới. Các mô hình Discriminative AI thường được sử dụng cho các tác vụ như phân loại hình ảnh, phân tích cảm xúc và nhận dạng giọng nói.

Bây giờ chúng ta đã có một hiểu biết cơ bản về định nghĩa của Generative AI và Discriminative AI, tiếp theo chúng ta khám phá cách hoạt động và phương pháp học của chúng.

Cách hoạt động của Generative AI và Discriminative AI

Giải thích một cách dễ hiểu thì các thuật toán Generative AI tập trung vào việc mô hình hóa cấu trúc cơ bản của dữ liệu đầu vào và tạo ra các điểm dữ liệu mới, trong khi các thuật toán Discriminative AI tập trung vào việc mô hình hóa các ranh giới quyết định giữa các lớp dữ liệu khác nhau. Bằng cách hiểu cách các thuật toán này hoạt động, bạn có thể đánh giá cao hơn các ứng dụng và tiềm năng của chúng trong nhiều lĩnh vực.

Các thuật toán Generative AI

Các thuật toán Generative AI tập trung vào việc mô hình hóa cấu trúc cơ bản của dữ liệu đầu vào và tạo ra các điểm dữ liệu mới dựa trên cấu trúc này. Chúng thường sử dụng các mạng nơ-ron và kỹ thuật học sâu để xác định các mẫu và tạo ra kết quả mới.

Về mặt toán học, các bộ phân loại generative giả định một dạng hàm cho P(Y) và P(X|Y), sau đó tạo ra các tham số ước lượng từ dữ liệu và sử dụng định lý Bayes để tính P(Y|X) (xác suất hậu nghiệm). Một số thuật toán Generative AI phổ biến bao gồm:

  1. Generative Adversarial Networks (GANs): GANs bao gồm hai mạng nơ-ron, một bộ sinh và một bộ phân biệt, cạnh tranh lẫn nhau. Bộ sinh tạo ra dữ liệu giả, trong khi bộ phân biệt cố gắng phân biệt giữa dữ liệu thật và giả. Bộ sinh cải thiện khả năng tạo ra dữ liệu thực tế hơn khi bộ phân biệt ngày càng giỏi hơn trong việc phát hiện dữ liệu giả.
  2. Variational Autoencoders (VAEs): VAEs là một loại bộ tự mã hóa học cách mã hóa dữ liệu đầu vào thành không gian tiềm ẩn có kích thước nhỏ hơn và sau đó giải mã nó trở lại dữ liệu gốc. VAEs áp đặt một ràng buộc xác suất trên không gian tiềm ẩn, cho phép chúng tạo ra các điểm dữ liệu mới bằng cách lấy mẫu từ không gian này.

Các thuật toán Discriminative AI

Các thuật toán Discriminative AI tập trung vào việc mô hình hóa các ranh giới quyết định giữa các lớp dữ liệu khác nhau. Chúng ước lượng xác suất có điều kiện của đầu ra cho dữ liệu đầu vào, mà không cần mô hình hóa các phân phối xác suất cơ bản.

Về mặt toán học, các bộ phân loại discriminative giả định một dạng hàm của P(Y|X) và ước lượng các tham số trực tiếp từ dữ liệu được cung cấp. Một số thuật toán Discriminative AI phổ biến bao gồm:

  1. Support Vector Machines (SVMs): SVMs là một loại bộ phân loại tuyến tính tìm ra mặt phẳng tối ưu phân tách các lớp dữ liệu khác nhau. Chúng cũng có thể được mở rộng để phân loại phi tuyến tính bằng cách sử dụng các hàm nhân (kernel functions).
  2. Logistic Regression: Hồi quy logistic là một loại thuật toán discriminative mô hình hóa xác suất của một lớp hoặc sự kiện nhất định dựa trên các đặc trưng đầu vào. Nó sử dụng hàm logistic để ước lượng xác suất của đầu ra cho dữ liệu đầu vào.
  3. Convolutional Neural Networks (CNNs): CNNs là một loại mô hình học sâu được thiết kế đặc biệt cho các tác vụ phân loại hình ảnh. Chúng bao gồm các lớp tích chập học các đặc trưng cục bộ trong dữ liệu đầu vào, theo sau là các lớp kết nối đầy đủ thực hiện phân loại cuối cùng.

Phương pháp học

Cả các mô hình Generative AI và Discriminative AI đều có thể được đào tạo bằng các phương pháp học khác nhau, chẳng hạn như học có giám sát, học không giám sát hoặc học bán giám sát.

Phương pháp học Generative AI

  1. Học không giám sát: Các mô hình Generative AI có thể được đào tạo bằng cách sử dụng học không giám sát, nơi mô hình học cấu trúc cơ bản của dữ liệu đầu vào mà không cần các ví dụ được gán nhãn. GANs và VAEs là ví dụ về các mô hình sinh có thể được đào tạo bằng cách sử dụng học không giám sát.
  2. Học bán giám sát: Các mô hình Generative AI cũng có thể được đào tạo bằng cách sử dụng học bán giám sát, nơi mô hình học từ sự kết hợp của dữ liệu có nhãn và không nhãn. Phương pháp này có thể giúp cải thiện hiệu suất của các mô hình sinh khi dữ liệu có nhãn khan hiếm.

Phương pháp học Discriminative AI

  1. Học có giám sát: Các mô hình Discriminative AI thường được đào tạo bằng cách sử dụng học có giám sát, nơi mô hình học từ một tập hợp các ví dụ có nhãn. SVMs và CNNs là ví dụ về các mô hình phân biệt có thể được đào tạo bằng cách sử dụng học có giám sát.
  2. Học bán giám sát: Các mô hình Discriminative AI cũng có thể được hưởng lợi từ học bán giám sát, nơi mô hình học từ sự kết hợp của dữ liệu có nhãn và không nhãn. Phương pháp này có thể giúp cải thiện hiệu suất của các mô hình phân biệt khi dữ liệu có nhãn khan hiếm.

Kết luận, Generative AI và Discriminative AI là hai loại trí tuệ nhân tạo riêng biệt phục vụ cho các mục đích khác nhau. Generative AI tập trung vào việc tạo ra các mẫu dữ liệu mới, trong khi Discriminative AI nhằm phân loại và phân biệt giữa các lớp dữ liệu khác nhau. Bạn có thể đánh giá cao hơn các ứng dụng và tiềm năng của chúng trong nhiều lĩnh vực bằng cách hiểu định nghĩa, hoạt động và phương pháp học của chúng.

So sánh các ứng dụng

Generative AI và Discriminative AI là hai loại trí tuệ nhân tạo mạnh mẽ có nhiều ứng dụng trong các ngành công nghiệp khác nhau. Bằng cách hiểu các ứng dụng thực tế của chúng, bạn có thể tận dụng các mô hình AI này trong công việc của mình và mở ra những khả năng mới. Trong phần này, chúng ta sẽ khám phá các ứng dụng thực tế của cả Generative AI và Discriminative AI, cung cấp một sự so sánh rõ ràng và dễ hiểu.

Ứng dụng thực tế

Ứng dụng Generative AI

Các mô hình Generative AI có khả năng tạo ra dữ liệu mới dựa trên các mẫu và cấu trúc học được từ dữ liệu hiện có. Một số ứng dụng thực tế của Generative AI bao gồm:

  1. Tổng hợp hình ảnh: Tạo ra hình ảnh mới, chẳng hạn như tạo ra tác phẩm nghệ thuật hoặc thiết kế sản phẩm mới.
  2. Tạo văn bản: Viết đoạn văn, bài báo hoặc thậm chí cả sách dựa trên một chủ đề hoặc phong cách nhất định.
  3. Tăng cường dữ liệu: Nâng cao các tập dữ liệu hiện có bằng cách tạo ra các điểm dữ liệu mới, có thể hữu ích cho việc đào tạo các mô hình học máy.
  4. Tổng hợp âm thanh: Tạo ra âm nhạc, hiệu ứng âm thanh hoặc giọng nói mới dựa trên các mẫu âm thanh hiện có.
  5. Tạo đa phương tiện: Chuyển đổi một loại phương tiện thành loại khác, chẳng hạn như văn bản thành hình ảnh hoặc âm thanh thành văn bản.

Ứng dụng Discriminative AI

Các mô hình Discriminative AI tập trung vào việc xác định, phân loại và phân biệt giữa các lớp dữ liệu khác nhau. Một số ứng dụng thực tế của Discriminative AI bao gồm:

  1. Phân loại hình ảnh: Xác định các đối tượng hoặc cảnh trong hình ảnh, chẳng hạn như nhận dạng mèo và chó trong ảnh.
  2. Phân tích cảm xúc: Xác định cảm xúc của một đoạn văn bản, chẳng hạn như tích cực, tiêu cực hoặc trung lập.
  3. Nhận dạng giọng nói: Chuyển đổi ngôn ngữ nói thành văn bản, có thể được sử dụng cho dịch vụ phiên dịch hoặc trợ lý giọng nói.
  4. Phát hiện đối tượng: Xác định vị trí và nhận dạng các đối tượng trong hình ảnh hoặc video, chẳng hạn như phát hiện người đi bộ trong luồng camera của xe tự lái.
  5. Phân loại văn bản: Phân loại tài liệu hoặc bài báo vào các danh mục đã định trước, chẳng hạn như tin tức, thể thao hoặc giải trí.

Generative AI và Discriminative AI có nhiều ứng dụng trong các ngành công nghiệp khác nhau, cho phép bạn tận dụng các mô hình AI mạnh mẽ này trong công việc của mình. Bằng cách hiểu các ứng dụng thực tế của chúng, bạn có thể mở ra những khả năng mới và nâng cao dự án của mình với công nghệ AI tiên tiến.

Mộ số công cụ thực tế của Generative AI và Discriminative AI

Trong phần này, chúng tôi sẽ cung cấp các ví dụ về các mô hình Generative AI và Discriminative AI để giúp bạn hiểu rõ hơn về các ứng dụng và khả năng của chúng.

Ví dụ về mô hình Generative AI

  1. Stable Diffusion, DALL-E, Midjourney: Tất cả công cụ, nền tảng này sử dụng mô hình Generative AI để tạo các hình ảnh từ prompt của người dùng và cả biến đổi các hình ảnh do người dùng tải lên thành tác phẩm nghệ thuật theo phong cách của các họa sĩ nổi tiếng.
  2. ChatGPT, Google Bard: là những mô hình tạo văn bản mạnh mẽ có thể viết bài báo, trả lời câu hỏi và tạo mã dựa trên lời nhắc của người dùng.
  3. Công nghệ Deepfake: Các mô hình Deepfake sử dụng Generative AI để tạo ra các video hoặc hình ảnh thay đổi thực tế của con người bằng cách hoán đổi khuôn mặt hoặc thay đổi vẻ ngoài của họ.

Ví dụ về mô hình Discriminative AI

  1. Google Photos: Google Photos sử dụng các mô hình Discriminative AI để tự động phân loại và tổ chức hình ảnh dựa trên nội dung của chúng, chẳng hạn như con người, địa điểm hoặc đối tượng. Bạn vào https://photos.google.com thử để xem nó phân loại ảnh nhé!
  2. Bộ lọc thư rác: Bộ lọc thư rác email sử dụng các mô hình Discriminative AI như hồi quy logistic để phân loại các tin nhắn đến là thư rác hoặc không phải thư rác dựa trên nội dung của chúng.
  3. Hệ thống nhận dạng khuôn mặt: Các hệ thống nhận dạng khuôn mặt sử dụng các mô hình Discriminative AI như mạng nơ-ron tích chập để xác định và khớp khuôn mặt trong hình ảnh hoặc video với cơ sở dữ liệu của các cá nhân đã biết.

Các ví dụ này giới thiệu về phạm vi ứng dụng và khả năng của cả các mô hình Generative AI và Discriminative AI. Bằng cách hiểu các ứng dụng thực tế của chúng, bạn có thể đánh giá cao hơn tiềm năng của các mô hình AI này trong các lĩnh vực và dự án khác nhau.

Ưu điểm và nhược điểm

Các vấn đề thực tế như nhận dạng giọng nói, xử lý ngôn ngữ tự nhiên và thị giác máy tính đòi hỏi các giải pháp phức tạp có thể xử lý lượng dữ liệu lớn và dự đoán kết quả chính xác. Các vấn đề này có thể được giải quyết bằng cả các mô hình generative và discriminative, mỗi loại có ưu và nhược điểm của riêng. Phần này sẽ thảo luận về ưu và nhược điểm của cả Generative AI và Discriminative AI.

Ưu điểm

Ưu điểm của Generative AI

Các mô hình Generative AI mang lại một số lợi ích, bao gồm:

  1. Sáng tạo: Các mô hình Generative AI có thể tạo ra dữ liệu mới, độc đáo, có thể hữu ích cho các tác vụ sáng tạo như nghệ thuật, âm nhạc hoặc tạo văn bản.
  2. Tăng cường dữ liệu: Generative AI có thể nâng cao các tập dữ liệu hiện có bằng cách tạo ra các điểm dữ liệu mới, có thể hữu ích cho việc đào tạo các mô hình học máy khi dữ liệu khan hiếm.
  3. Học không giám sát: Các mô hình Generative AI có thể học từ dữ liệu không được gán nhãn, làm cho chúng phù hợp với các tác vụ học không giám sát.
  4. Vững chắc: Các mô hình Generative AI có thể vững chắc hơn đối với các biến thể trong dữ liệu đầu vào, vì chúng học cấu trúc cơ bản của dữ liệu.

Ưu điểm của Discriminative AI

Các mô hình Discriminative AI cũng mang lại một số lợi ích, chẳng hạn như:

  1. Độ chính xác: Các mô hình Discriminative AI thường cung cấp độ chính xác tốt hơn trong các tác vụ phân loại, vì chúng mô hình hóa trực tiếp các ranh giới quyết định giữa các lớp khác nhau.
  2. Hiệu quả: Các mô hình Discriminative AI có thể hiệu quả hơn về mặt tính toán, vì chúng tập trung vào việc mô hình hóa xác suất có điều kiện của đầu ra cho dữ liệu đầu vào, mà không cần mô hình hóa các phân phối xác suất cơ bản.
  3. Đơn giản: Các mô hình Discriminative AI có thể dễ hiểu và triển khai hơn, vì chúng tập trung vào việc mô hình hóa một giải pháp trực tiếp.
  4. Học có giám sát: Các mô hình Discriminative AI phù hợp cho các tác vụ học có giám sát, nơi dữ liệu có nhãn có sẵn.

Nhược điểm của Generative AI

Các mô hình Generative AI có một số nhược điểm, bao gồm:

  1. Độ phức tạp: Các mô hình Generative AI có thể phức tạp hơn và tốn nhiều tài nguyên tính toán hơn vì chúng mô hình hóa cấu trúc cơ bản của dữ liệu.
  2. Chất lượng: Chất lượng của dữ liệu được tạo ra đôi khi có thể thấp, vì nó phụ thuộc vào chất lượng của dữ liệu đầu vào và khả năng học các mẫu cơ bản của mô hình.
  3. Dữ liệu đào tạo: Các mô hình Generative AI có thể yêu cầu một lượng lớn dữ liệu đào tạo để tạo ra kết quả chất lượng cao.

Nhược điểm của Discriminative AI

Các mô hình Discriminative AI cũng có một số hạn chế, chẳng hạn như:

  1. Phạm vi hạn chế: Các mô hình Discriminative AI tập trung vào các tác vụ phân loại và có thể không phù hợp cho các tác vụ đòi hỏi tạo dữ liệu mới.
  2. Dữ liệu có nhãn: Các mô hình Discriminative AI thường yêu cầu dữ liệu có nhãn để đào tạo, việc này có thể tốn thời gian và chi phí để có được.
  3. Nhạy cảm với nhiễu: Các mô hình Discriminative AI có thể nhạy cảm với nhiễu trong dữ liệu đầu vào, vì chúng tập trung vào việc mô hình hóa các ranh giới quyết định giữa các lớp khác nhau.

Khi bạn hiểu ưu và nhược điểm của các mô hình Generative AI và Discriminative AI, bạn có thể đưa ra quyết định thông minh về việc chọn loại mô hình nào phù hợp nhất cho các tác vụ và dự án cụ thể của bạn.

Kết luận

Để kết thúc bài viết, mình sẽ đã làm một bảng so sánh tổng hợp ngắn gọn để bạn hiểu hơn về Generative AI và Discriminative AI cũng như so sánh trực quan 2 mô hình này:

Generative AIDiscriminative AI
Định nghĩaMô hình hóa cấu trúc cơ bản của dữ liệu đầu vào và tạo ra các điểm dữ liệu mới.Mô hình hóa các ranh giới quyết định giữa các lớp hoặc danh mục dữ liệu khác nhau.
Mục tiêuTạo ra các mẫu dữ liệu mớiPhân loại và phân biệt giữa các lớp dữ liệu khác nhau
Phương pháp họcHọc không giám sát, học bán giám sátHọc có giám sát, học bán giám sát
Ví dụGANs, VAEsSVMs, Hồi quy Logistic, CNNs
Ứng dụngTổng hợp hình ảnh, tạo văn bản, tăng cường dữ liệu, tổng hợp âm thanh, tạo đa phương tiệnPhân loại hình ảnh, phân tích cảm xúc, nhận dạng giọng nói, phát hiện đối tượng, phân loại văn bản
Ưu điểmSáng tạo, tăng cường dữ liệu, học không giám sát, độ vững chắcĐộ chính xác, hiệu quả, đơn giản, học có giám sát
Nhược điểmĐộ phức tạp, chất lượng, dữ liệu đào tạoPhạm vi hạn chế, dữ liệu có nhãn, nhạy cảm với nhiễu

Trong bài đăng blog này, chúng tôi đã khám phá những điểm khác biệt chính giữa Generative AI và Discriminative AI, hai loại mô hình trí tuệ nhân tạo quan trọng. Các mô hình Generative AI tập trung vào việc tạo ra dữ liệu mới dựa trên các mẫu và cấu trúc học được từ dữ liệu hiện có, trong khi các mô hình Discriminative AI tập trung vào việc xác định, phân loại và phân biệt giữa các lớp dữ liệu khác nhau.

Hiểu cả hai loại AI là rất quan trọng cho nhiều ứng dụng, vì mỗi mô hình có ưu và nhược điểm của riêng. Các mô hình Generative AI phù hợp cho các tác vụ như tổng hợp hình ảnh, tạo văn bản và tăng cường dữ liệu, trong khi các mô hình Discriminative AI xuất sắc trong các tác vụ như phân loại hình ảnh, phân tích cảm xúc và nhận dạng giọng nói.

Kết hợp ưu điểm của cả các mô hình Generative AI và Discriminative AI giúp tạo ra các hệ thống AI mạnh mẽ và đa năng hơn có thể xử lý nhiều loại tác vụ và thách thức. Ví dụ, Generative Adversarial Networks (GANs) kết hợp các mô hình generative và discriminative để tạo ra các đầu ra chất lượng cao và thực tế.

Khi bạn hiểu về Generative AI và Discriminative AI bạn sẽ có cách để tận dụng ưu điểm của cả hai loại AI, bạn có thể mở ra những khả năng mới và nâng cao dự án của mình với công nghệ AI tiên tiến. Chúc bạn sẽ thành công!

FAQs về Generative AI vs Discriminative AI

Generative AI có thể được sử dụng trong ngành công nghiệp nào?

Generative AI có thể được sử dụng trong nhiều ngành công nghiệp như giải trí, quảng cáo, thiết kế, và nghiên cứu khoa học. Discriminative AI có thể được sử dụng trong ngành công nghiệp nào?

Discriminative AI có thể được sử dụng trong ngành công nghiệp nào?

Discriminative AI có thể được sử dụng trong nhiều ngành công nghiệp như y tế, tài chính, bảo mật, và giao thông.

Generative AI có thể tạo ra nội dung giả mạo không?

Generative AI có thể tạo ra nội dung giả mạo, như Deepfakes, nhưng cũng có thể được sử dụng để phát hiện và ngăn chặn nội dung giả mạo.

Discriminative AI có thể phát hiện nội dung giả mạo không?

Discriminative AI có thể được sử dụng để phát hiện nội dung giả mạo bằng cách phân loại giữa nội dung thật và giả dựa trên đặc trưng của dữ liệu. Tuy nhiên, khả năng phân biệt chính xác 100% vẫn là một vấn đề rất lớn cần giải quyết khi thậm chí cả con người cũng có thể nhầm lẫn rất nhiều.

Generative AI có thể giúp nghệ sĩ và nhà thiết kế không?

Generative AI có thể hỗ trợ nghệ sĩ và nhà thiết kế bằng cách tạo ra ý tưởng và khái niệm mới, giúp họ tạo ra các tác phẩm nghệ thuật và thiết kế độc đáo

Discriminative AI có thể giúp nghiên cứu khoa học không?

Discriminative AI có thể giúp nghiên cứu khoa học bằng cách phân loại và dự đoán kết quả từ dữ liệu, giúp các nhà nghiên cứu đưa ra quyết định và phát triển các phương pháp mới

Generative AI có thể tạo ra trò chơi điện tử không?

Generative AI có thể được sử dụng để lên ý tưởng, tạo nội dung và cấp độ trò chơi, giúp các công ty trò chơi phát triển sản phẩm nhanh chóng và đa dạng hơn.

Discriminative AI có thể giúp phân tích dữ liệu không?

Discriminative AI có thể giúp phân tích dữ liệu bằng cách phân loại và dự đoán kết quả từ dữ liệu đầu vào, giúp các nhà phân tích và quản lý dữ liệu đưa ra quyết định chính xác hơn

Các ảnh trong bài viết sử dụng công cụ Generative AI nào?

Trong bài viết và hầu hết các nội dung do AI tạo trên blog Lâm Panda của mình đều sử dụng Stable Diffusion, nó hông có trực quan 1 phát ăn ngay như Midjourney mà cần phải thông qua web ui nữa. Nhưng bạn có thể sử dụng một số web vẫn đang cung cấp miễn phí như: leonardo.ai hoặc Stable Diffusion Online cũng khá ok để dùng đó.

Leave a Comment

Your email address will not be published. Required fields are marked *