音樂vi設計的設計目的在于代表企業或品牌的形象，良好的音樂vi設計建立起品牌和客戶之間的聯系：

音樂vi設計思路：

計算機科學的基礎材料之一是一段沒有盡頭的磁帶。艾倫圖靈是這樣描述他1936年的數學模型的，他是計算機的鼻祖。根據圖靈的模型，機器將在環形磁帶上的單個單元中讀寫符號，這將決定機器的行為。"這樣的磁帶是不存在的，"藝術家、作家和教育家英格麗德伯靈頓指出，她向我介紹了圖靈機顯然是無限的資源。"我們沒有無限的事物。我們生活在一個有限物體的世界里。無限的資源、能源和創新的假設給人一種印象，即我們能夠而且應該保持增長、保持建設和保持擴張。"

近十年來，伯靈頓一直致力于讓支撐我們數字世界的系統和基礎設施變得可見。她關于圖靈磁帶的論斷聽起來不言自明，但在運行全球計算系統（比如網站)及其相關基礎設施（比如數據中心)所需的材料和能源往往被隱藏起來的時代，這些論斷值得重復。像"云"這樣的術語進一步強化了數字世界中的無形感；正如伯靈頓在《建筑設計》中所寫的，"將數據誤解為純粹的資源，而不是依賴于資源"。

過程研究在維也納馬克舉辦的"不可思議的價值"展覽海報在現實中，我們的數字活動對物理世界產生了明顯的影響，并帶來了實實在在的環境成本。近年來，亞馬遜、臉書，尤其是谷歌的碳足跡受到了越來越多的關注。盡管谷歌自2007年以來一直是一家碳中和公司，但它依賴碳抵消來維持這一形象的做法正受到自己員工的批評。

與此同時，圍繞人工智能和機器學習模型的發展，一場平行的討論開始發生，這是這些公司和獨立計算機科學家的下一個計算可能性前沿。麻省大學(麻省理工學院)的艾瑪斯特魯貝爾、安娜亞加內什和安德魯麥卡勒姆的一篇研究論文在今年6月發表時引起了軒然大波，該論文報告稱，訓練一個大型人工智能模型可以產生超過60萬磅的二氧化碳排放，是普通汽車在其一生中產生的排放量的五倍。一個月后，西雅圖艾倫人工智能研究所(艾倫人工智能研究所)發表的另一篇題為《綠色人工智能》(綠色AI)的論文描述了2012年至2019年間，隨著研究的增加，深度學習研究所需的計算量增加了30萬倍。這些報告的發表和他們收到的媒體報道表明，需要就使用人工智能的環境影響進行更細致入微的對話，特別是在早期，并拆除數字過程在某種程度上是短暫的文化假設。

像"云"這樣的術語進一步強化了數字世界中的無形感。

那么，這給這個領域以及開始將機器學習作為實踐一部分的設計師們帶來了什么呢？在人工智能派對剛剛開始之前，是時候收手了嗎？沒那么快。

"你必須意識到，人工智能不僅僅意味著一件事，"賓夕法尼亞大學的研究員、氣候變化人工智能的創始人大衛羅爾尼克說，這是一個由學術界和工業界志愿者組成的組織，旨在探索如何應用機器學習和人工智能來解決氣候變化問題羅尼克。熱衷于揭穿圍繞麻省理工學院論文發表的一些誤解，該論文專注于自然語言處理(NLP)模型。"這幾乎是你能擁有的最大的人工智能模型，它被設計用來學習所有的人類語言，"他說。換句話說，NLP模型的訓練比大多數其他可以在普通筆記本電腦上完成的較小模型的訓練需要更多的時間和精力，例如羅尼克正在研究的跟蹤碳排放的模型。

芬蘭國家廣播公司Yle的人工智能和個性化負責人亞諾科波寧一直在研究人工智能在不斷變化的數字媒體領域的應用。他表示，人工智能在消費者應用程序中最常見的用途——例如，在新聞應用程序上為我們提供內容——使用非常特定和狹窄的人工智能模型，因此需要的計算機處理能力要少得多。也就是說科波寧認識到，在人工智能研究的這個階段，缺乏對人工智能相關排放的討論，需要將其納入更廣泛的意識。"我們仍處于理解圍繞人工智能驅動的消費者應用的整個生態系統的早期階段，"他說。"基于這些早期發現，越來越明顯的是，可持續設計和開發的原則需要更新，以適應人工智能應用的時代。"

室內蔓延從瑪麗大冢和尼克舒曼的項目潛在空間的書。對于羅爾尼克和麻省理工學院論文的作者來說，這里至關重要的一步將是一種更關鍵的訓練和再訓練人工智能模型的方法。不管規模有多大，人工智能模型的訓練（例如，教機器從一大組照片中識別人臉)總是比簡單地運行它要耗費更多的資源，后者可以在瞬間發生。這意味著開發人員在重新訓練已經運行的系統以進行小的改進之前，應該清楚他們想要達到的目標。"我不認為這是減少人工智能使用的任何理由，只

音樂vi設計文章總結：