Adobe公司今日宣布将其三款最受欢迎的应用程序免费提供给ChatGPT用户使用。
其中两款应用程序Photoshop和Adobe Express专注于图形设计任务。将这些应用集成到拥有超过8亿周活跃用户的ChatGPT中,可能为Adobe在与新上市的Figma等竞争对手的较量中提供宝贵的分销优势。第三款集成到ChatGPT的Adobe应用是Acrobat PDF编辑器。
OpenAI两个月前开始允许第三方开发者将其软件嵌入ChatGPT。开源开发工具包Apps SDK提供了创建嵌入式应用程序所需的构建模块。此外,ChatGPT还包含一个开发者模式,使软件团队能够在广泛发布之前测试其Apps SDK项目。
ChatGPT用户可以通过输入希望访问的应用程序名称和应执行的任务来与Adobe软件交互。例如,设计师可以输入命令"Photoshop,更改我图像的背景"。用户可以在初次编辑后输入多个后续提示来进行细化调整。
Adobe Express是Adobe集成到ChatGPT的第二款设计应用,其功能集比Photoshop更加有限。它主要面向创建推广材料,如广告视觉效果和宣传册。该应用包含一个庞大的创意资产库,ChatGPT可以在设计项目中调用这些资源。
与Photoshop和Adobe Express一样,嵌入ChatGPT的Acrobat版本接受自然语言文本作为输入。用户可以指示它将Word文档转换为PDF,将它们合并成单个文件,并编辑敏感的业务数据。如果PDF包含表格,Acrobat可以将其导出为独立的Excel文件。
如果集成证明受欢迎,Adobe可能会将更多应用程序引入ChatGPT。一个潜在的候选者是Illustrator。它是一款设计工具,专注于与Adobe Express相同的许多用例,但提供更广泛的功能集。
Acrobat、Photoshop和Adobe Express面向全球ChatGPT用户开放。前两款应用可在OpenAI聊天机器人的所有版本中访问,除了Android客户端,后者将很快加入支持列表。Adobe Express已经支持Android客户端。
Adobe的人工智能努力不仅限于ChatGPT。Photoshop和Adobe Express都内置了聊天机器人,使用户能够通过自然语言提示进行编辑。此外,该公司还提供一系列名为Firefly的媒体生成模型,企业客户可以使用其内部数据集对这些模型进行微调。
Q&A
Q1:Adobe在ChatGPT中集成了哪些应用程序?
A:Adobe在ChatGPT中集成了三款应用程序:Photoshop、Adobe Express和Acrobat。其中Photoshop和Adobe Express专注于图形设计任务,Acrobat是PDF编辑器,这些应用都可免费在ChatGPT中使用。
Q2:用户如何在ChatGPT中使用Adobe应用程序?
A:用户可以通过输入希望访问的应用程序名称和要执行的任务来使用。例如输入"Photoshop,更改我图像的背景"。用户还可以在初次编辑后输入多个后续提示来进行细化调整。
Q3:Adobe Express与Photoshop在功能上有什么区别?
A:Adobe Express的功能集比Photoshop更加有限,主要面向创建推广材料,如广告视觉效果和宣传册。它包含庞大的创意资产库,而Photoshop功能更全面,适合更复杂的图像编辑任务。
好文章,需要你的鼓励
2026年软件行业将迎来定价模式的根本性变革,从传统按席位收费转向基于结果的付费模式。AI正在重塑整个软件经济学,企业IT预算的12-15%已投入AI领域。这一转变要求建立明确的成功衡量指标,如Zendesk以"自动化解决方案"为标准。未来将出现更精简的工程团队,80%的工程师需要为AI驱动的角色提升技能,同时需要重新设计软件开发和部署流程以适应AI优先的工作流程。
清华团队开发DKT模型,利用视频扩散AI技术成功解决透明物体深度估计难题。该研究创建了首个透明物体视频数据集TransPhy3D,通过改造预训练视频生成模型,实现了准确的透明物体深度和法向量估计。在机器人抓取实验中,DKT将成功率提升至73%,为智能系统处理复杂视觉场景开辟新路径。
2026年Linux将迎来重大发展机遇。AI将在Linux开发中发挥更大作用,但不会像Windows那样完全重写代码。随着微软持续向用户强推AI功能,更多Windows用户将转向Linux桌面。Rust已正式成为Linux核心语言,提升内存安全性。不可变Linux发行版因其安全性和稳定性获得企业青睐。开源供应链安全将通过SBOM等标准得到加强。然而Firefox因强推AI功能遭用户强烈反对,市场份额跌至1.7%,可能面临消亡危机。
字节跳动研究团队提出了专家-路由器耦合损失方法,解决混合专家模型中路由器无法准确理解专家能力的问题。该方法通过让每个专家对其代表性任务产生最强响应,同时确保代表性任务在对应专家处获得最佳处理,建立了专家与路由器的紧密联系。实验表明该方法显著提升了从30亿到150亿参数模型的性能,训练开销仅增加0.2%-0.8%,为混合专家模型优化提供了高效实用的解决方案。