Sztuczna inteligencja dla początkujących: obraz i dźwięk od zera
Wyjście poza nudny tekst, czyli jak sztuczna inteligencja maluje obrazy i komponuje muzykę
Generowanie obrazów, muzyki i wideo za pomocą AI to proces, w którym zwykłe słowa zmuszają algorytm do stworzenia od zera fotorealistycznych grafik i profesjonalnych utworów. Dostajesz do ręki nieograniczone studio produkcyjne zamknięte w domowym komputerze. Wystarczy jedno celne zdanie, by wygenerować dokładnie to, co masz w głowie. Ale jak chłodna maszyna, która rzekomo potrafi tylko zgadywać słowa, umie narysować puszystego kota w kosmosie? I dlaczego te same genialne programy przez lata uparcie rysowały ludziom po siedem palców u rąk?
Od klawiatury do cyfrowego pędzla, czyli magia modeli dyfuzyjnych
Żeby pojąć, jak bezoki algorytm maluje obrazy, musisz poznać fundament: modele dyfuzyjne. Nie mają one absolutnie nic wspólnego z dużymi modelami tekstowymi. Ich trening to inżynieryjna procedura celowego niszczenia obrazu. Programiści ładują do systemu ostre zdjęcie psa i krok po kroku dodają do niego gęsty cyfrowy szum. Robią to tak długo, aż na ekranie zostaje wyłącznie bezkształtna, wibrująca, szara papka.
Następnie potężny model matematyczny zostaje zmuszony do odwrócenia tego morderczego procesu. Dostaje zaszumiony ekran i ma za zadanie odjąć nałożony brud tak umiejętnie, by z powrotem, piksel po pikselu, wydobyć pysk utraconego zwierzęcia.
Modele dyfuzyjne uczą się rzeźbić w cyfrowym szumie. Zmuszone do wielokrotnego odtwarzania zniszczonych obrazów, ostatecznie zyskują zdolność wyciągania z całkowicie losowej pustki dokładnie tych kształtów, o które poprosisz w swoim prompcie.
Kiedy wpisujesz "czerwone wyścigowe auto", algorytm bierze wygenerowaną, zaszumioną planszę i na bazie wyuczonych wag powoli wyciąga z niej twarde kontury kół i zderzaka. W ułamek minuty dostajesz gotowe dzieło.
Cyfrowy kompozytor i reżyser w chmurze, czyli generowanie wideo i audio
Ten sam błyskotliwy mechanizm inżynierowie przełożyli na dźwięk i ruchomy obraz. Przy generowaniu muzyki superkomputer nie uczy się szumiących pikseli, lecz bada i zgłębia złożone cyfrowe fale dźwiękowe, częstotliwości oraz próbki instrumentów. Wpisujesz prośbę o popową piosenkę na rocznicę. Model nie tylko pisze zrymowany tekst, ale w kilka minut generuje do niego czysty, zsyntetyzowany ludzki wokal i zharmonizowaną melodię instrumentów. Brzmi to jak gotowy hit z radia.
Jeszcze większym technologicznym skokiem było wejście w erę generowania wideo z tekstu. Maszyny uczą się tu przewidywać nie tylko statyczny kadr, ale przede wszystkim fizykę i trójwymiarowe środowisko. Muszą logicznie zgadywać, jak wygenerowany obiekt powinien przemieszczać się w przestrzeni z upływem ułamków sekund, tworząc spójną iluzję prawdziwego nagrania z profesjonalnej kamery.
Codzienne korzyści w pracy i słynny problem z sześcioma palcami
Ten nowy etap cyfrowej kreatywności oznacza dla Ciebie całkowitą niezależność rynkową od drogich agencji i banków zdjęć. Potrzebujesz baneru na bloga lub podkładu muzycznego pod film na YouTube? Zamawiasz to u wirtualnego asystenta. Nie martwisz się prowizjami pośredników. Produkt masz na biurku, zanim zdążysz wypić rano kawę.
W tej beczce technologicznego miodu przez długi czas pływała jednak łyżka dziegciu, z której śmiał się cały internet. To legendarny koszmar sztucznej inteligencji: generowanie dłoni z poprawną liczbą pięciu palców. Dlaczego system poległ na tak prostej sprawie?
Sztuczna inteligencja nie posiada szkieletu kostnego i nie rozumie anatomii. Dla algorytmu palce to po prostu plamy pikseli, które na zdjęciach treningowych zawsze występują w zawiłej, splątanej wiązce. Maszyna uczyła się ich ogólnego wyglądu, a nie stałej, biologicznej liczby.
Na zdjęciach treningowych dłonie krzyżują się, zaginają na przedmiotach i znikają w cieniu. Algorytm w ciemności wychwytywał tylko statystyczne skupisko pikseli. Chociaż najnowsze modele uporały się z tym mankamentem, takie cyfrowe zająknięcia są twardym przypomnieniem. Ten potężny i darmowy wszechświat wyimaginowanych obrazów i dźwięków wciąż uczy się raczkować, a my jesteśmy zaledwie gośćmi na samym początku tej rewolucyjnej drogi.
Wpis z cyklu: Od zera do AI Mastera, czyli wszystko co powinieneś wiedzieć o sztucznej inteligencji.
