Technologijų įmonės lenktyniauja kurdamos dirbtinio intelekto algoritmus, galinčius kurti aukštos kokybės vaizdus pagal tekstines užklausas, o ši technologija tobulėja taip greitai, kad kai kurie prognozuoja, jog žmonės iliustratoriai ir fotografai netrukus liks be darbo. Tačiau iš tikrųjų šių dirbtinio intelekto sistemų apribojimai reiškia, kad tikriausiai praeis dar nemažai laiko, kol jomis galės naudotis plačioji visuomenė.
Pastaraisiais metais padaryta didelė pažanga kuriant teksto ir vaizdo generatorius, kuriuose naudojami neuroniniai tinklai. Naujausias – „Google“ sukurtas „Imagen“ – žengia koja kojon su „DALL-E 2“, apie kurį balandį paskelbė „OpenAI“.
Abiejuose modeliuose naudojamas neuroninis tinklas, kuris yra apmokytas pagal daugybę pavyzdžių – kad būtų galima nustatyti, kaip vaizdai susiję su tekstiniais aprašymais. Gavęs naują teksto aprašymą, neuroninis tinklas pakartotinai generuoja vaizdus, keisdamas juos tol, kol šie labiausiai atitinka tekstą – remdamasis tuo, ko išmoko.
Nors abiejų įmonių pateikti sukurti vaizdai yra įspūdingi, tyrėjai suabejojo, ar rezultatai nėra atrinkti siekiant parodyti sistemas „idealiausioje šviesoje“.
Viena iš problemų vertinant šiuos dirbtinio intelekto kūrinius yra ta, kad abi įmonės atsisakė paskelbti viešus demonstracinius variantus, kurie leistų mokslininkams ir kitiems asmenims išbandyti jų galimybes. Iš dalies taip yra dėl to, kad baiminamasi, jog dirbtinis intelektas gali būti panaudotas klaidinantiems vaizdams kurti – arba kad jis tiesiog gali sukurti žalingų rezultatų.
Modeliai grindžiami duomenų rinkiniais, paimtais iš didelių, nemoderuojamų interneto dalių – pavyzdžiui duomenų rinkinio „LAION-400M“, kuriame, „Google“ teigimu, yra „pornografinių vaizdų, rasistinių keiksmažodžių ir žalingų socialinių stereotipų“. „Imagen“ kūrėjai teigia, kad negali garantuoti, jog jų DI nepaveldės dalies šio probleminio turinio – todėl negali jo viešai paskelbti.
„OpenAI“ teigia, kad tobulina „DALL-E 2“ „saugos sistemą“, „tobulindami teksto filtrus ir derindami automatinę turinio politikos pažeidimų aptikimo ir reagavimo į juos sistemą“, o „Google“ stengiasi spręsti problemas kurdama „potencialiai žalingą žodyną“.
Jei šių problemų nepavyks išspręsti, vargu ar didelės mokslinių tyrimų komandos, tokios kaip „Google“ ar „OpenAI“, pasiūlys savo teksto vertimo vaizdu sistemas bendram naudojimui. Gali būti, kad ir mažesnės komandos nuspręs sukurti panašias technologijas – tačiau dėl didžiulės skaičiavimo galios, reikalingos šiems modeliams apmokyti remiantis didžiuliais duomenų rinkiniais, su tokiais projektais paprastai dirba tik didieji žaidėjai.
Nepaisant to, draugiška konkurencija tarp didžiųjų įmonių greičiausiai reiškia, kad technologija ir toliau sparčiai tobulės – nes vienos grupės sukurtos priemonės gali būti įtrauktos į kitos grupės būsimą modelį. Pavyzdžiui, difuzijos modeliai, kai neuroniniai tinklai mokosi, kaip pakeisti atsitiktinių pikselių pridėjimo į vaizdą procesą, siekiant jį pagerinti, praėjusiais metais tapo perspektyviais mašininio mokymosi modeliuose. Tiek „DALL-E 2“, tiek „Imagen“ remiasi difuzijos modeliais – nuo tada, kai šis metodas pasirodė esąs veiksmingu mažiau galinguose modeliuose, pavyzdžiui, „OpenAI“ vaizdo generatoriuje „Glide“.
Parengta pagal „New Scientist“.
