A Misleading Gallery of Fluid Motion by Generative Artificial Intelligence

在这份技术报告中，我们广泛地研究了知名生成式人工智能应用程序在回应描述流体力学社区熟知的常见流体运动现象的提示时的输出准确性。我们检查了一系列应用程序，包括由谷歌、OpenAI、Meta和微软等知名公司推出的Midjourney、Dall-E、Runway ML、Microsoft Designer、Gemini、Meta AI和Leonardo AI等。我们用于生成图像或视频的文本提示包括例如“Von Karman涡街”、“空气动力翼型流动”、“Kelvin-Helmholtz不稳定性”、“尖头超音速体上的激波”等示例。我们将这些应用程序生成的图像与实验室实验和数值软件的真实图像进行比较。我们的研究结果表明，这些生成式人工智能模型在流体力学图像方面的训练不足，可能导致输出结果具有误导性。除了文本到图像/视频的生成，我们还进一步探讨了使用这些人工智能工具从图像/视频到文本的转换，旨在研究它们描述流体运动现象的准确性。这份报告作为对学术机构教育工作者的警示，强调了这些工具误导学生的潜力。它还旨在通知这些知名公司的研究人员，鼓励他们解决这个问题。我们推测，这种不足的主要原因是受版权保护的流体运动图像的获取受限。

本论文旨在通过对多个流体运动现象的文本描述，评估当前知名生成式人工智能应用程序在生成流体动力学图像和视频方面的准确性，并将其与实验和数值模拟结果进行比较，以揭示其潜在误导性。

本论文发现，当前的生成式人工智能模型在流体动力学图像和视频方面的训练不足，导致其生成结果可能存在误导性。同时，本论文还探讨了从图像/视频到文本生成的转换，并评估了这些人工智能工具对流体运动现象描述的准确性。

本论文的实验结果表明，当前的生成式人工智能模型在流体动力学图像和视频方面的训练不足，可能会误导学生。该论文建议相关公司应该解决这个问题。此外，论文还探讨了从图像/视频到文本生成的转换，并评估了这些人工智能工具对流体运动现象描述的准确性。

最近的相关研究包括对生成式人工智能模型在其他领域的准确性进行评估，例如自然语言处理和图像识别。