Помните, когда в 2022 году художественные генераторы искусственного интеллекта стали широко доступны, и внезапно Интернет наполнился жуткими картинками, которые были очень крутыми, но при внимательном рассмотрении выглядели не совсем правильно? Будьте готовы к тому, что это произойдет снова — но на этот раз для видео.

На прошлой неделе OpenAI выпустила Sora, генеративную модель искусственного интеллекта, которая создает видео на основе простой подсказки. Он пока недоступен для широкой публики, но генеральный директор Сэм Альтман продемонстрировал его возможности, принимая запросы на X, ранее известный как Twitter . Пользователи отвечали короткими подсказками: « обезьяна, играющая в шахматы в парке » или « велогонка по океану с участием разных животных в качестве спортсменов ». Это сверхъестественно, завораживающе, странно, красиво – и вызывает обычный цикл комментариев.

Некоторые люди делают резкие заявления о негативных последствиях Соры , ожидая « волны дезинформации » — но хотя я (и эксперты) думаю, что будущие мощные системы искусственного интеллекта представляют действительно серьезные риски , утверждения о том, что конкретная модель принесет на нас волну дезинформации, не подтвердились. держится до сих пор.

Другие указывают на многочисленные недостатки Соры как на фундаментальные ограничения технологии — что было ошибкой, когда люди делали это с моделями генераторов изображений, и что, я подозреваю, будет ошибкой снова. Как отметил мой коллега А.В. Ольхайзер , «так же, как DALL-E и ChatGPT со временем улучшились, так и Sora могла улучшиться».

Прогнозы, как бычьи, так и медвежьи, еще могут оправдаться, но разговор о Соре и генеративном искусственном интеллекте был бы более продуктивным, если бы люди со всех сторон больше принимали во внимание все способы, которыми мы оказались неправы за последние пару лет…

Чему DALL-E 2 и Midjourney могут научить нас о Соре

Два года назад OpenAI анонсировала DALL-E 2 — модель, которая может создавать неподвижные изображения из текстовой подсказки. Созданные им фантастические изображения в высоком разрешении быстро разлетелись по всем социальным сетям, как и мнения о том, что об этом думать: настоящее искусство? Поддельное искусство? Угроза для художников? Инструмент для художников? Машина дезинформации? Два года спустя стоит провести небольшую ретроспективу, если мы хотим, чтобы наши взгляды на Сору старели лучше.

Релиз DALL-E 2 опередил Midjourney и Stable Diffusion , двух популярных конкурентов, всего на несколько месяцев. У каждого из них были свои сильные и слабые стороны. DALL-E 2 делал более фотореалистичные картинки и немного лучше придерживался подсказок; Midjourney был «более артистичным». Вместе они сделали искусство искусственного интеллекта доступным миллионам людей одним нажатием кнопки.

Большая часть социального воздействия генеративного ИИ тогда исходила не непосредственно от DALL-E 2, а от волны моделей изображений, которую он возглавил. Точно так же мы могли бы ожидать, что важный вопрос о Sora заключается не только в том, что может сделать Sora, но и в том, что смогут сделать ее подражатели и конкуренты.

Многие думали, что DALL-E и его конкуренты возвещают поток фейковой пропаганды и мошенничества , которые угрожают нашей демократии. Хотя мы вполне можем когда-нибудь увидеть подобный эффект, сейчас эти призывы кажутся преждевременными. Влияние дипфейков на нашу демократию «всегда кажется не за горами», — написал в декабре аналитик Питер Карлайон , отметив, что большая часть пропаганды по-прежнему носит более скучный характер — например, вырывание высказываний из контекста или изображений одного конфликта. поделились и ошибочно пометили как принадлежащие другому.

Предположительно, в какой-то момент это изменится, но следует проявлять некоторую скромность в заявлениях о том, что именно Сора станет этим изменением. Чтобы лгать людям, не нужны дипфейки, и они остаются дорогим способом сделать это. (Поколения искусственного интеллекта относительно дешевы, но если вы стремитесь к чему-то конкретному и убедительному, это намного дороже. Цунами дипфейков подразумевает масштаб, который спамеры в настоящий момент в большинстве случаев не могут себе позволить.)

Но мне кажется, что наиболее важно вспомнить последние два года истории ИИ, когда я читаю критику изображений Соры за то, что они неуклюжи, неестественны, бесчеловечны или явно ошибочны. Это правда, они есть. Сора «неточно моделирует физику многих базовых взаимодействий», признается в исследовательском выпуске OpenAI, добавляя , что у него проблемы с причиной и следствием, смешиванием левого и правого и следованием траектории.

Почти идентичная критика, конечно же, была высказана в адрес DALL-E 2 и Midjourney — по крайней мере, поначалу. Раннее освещение DALL-E 2 подчеркивало его некомпетентность: от создания ужасающих чудовищ всякий раз, когда вы просили добавить в сцену несколько персонажей, до предоставления людям когтей вместо рук . Эксперты по ИИ утверждали, что неспособность ИИ справиться с «композиционностью» — или инструкциями о том, как скомпоновать элементы сцены — отражает фундаментальный недостаток технологии .

Однако на практике модели стали лучше выполнять весьма конкретные подсказки, а пользователи стали лучше выполнять подсказки, и в результате сегодня стало возможным создавать изображения со сложными и детализированными сценами. Практически все занимательные недостатки были исправлены в вышедшей в прошлом году DALL-E 3 и в последних обновлениях Midjourney. Сегодняшние генераторы изображений прекрасно справляются с изображениями рук и массовых сцен.

За время, прошедшее между DALL-E 2 и Sora, генерация изображений с помощью ИИ превратилась из вечеринки в масштабную индустрию. Многие вещи, которые DALL-E 2 не мог сделать, DALL-E 3 мог. И если DALL-E 3 не мог этого сделать, то конкурент часто мог. Эту точку зрения очень важно иметь в виду, когда вы читаете прогнозы по Соре — вы, вероятно, рассматриваете первые шаги к созданию новой важной возможности, которая может быть использована в добрых или злых целях, и, хотя ее можно переоценить, это также очень легко продать его без покрытия.

Вместо того, чтобы чрезмерно придерживаться какой-либо конкретной точки зрения на то, что Сора и ее преемники смогут или не смогут сделать, стоит признать некоторую неуверенность в том, куда это приведет. Гораздо легче сказать: «Эта технология будет стремительно совершенствоваться», чем гадать о том, как это будет происходить.

Пристегнитесь, дамы и господа, у нас в городе появился новый генератор изображений с искусственным интеллектом, и он на удивление хорош.

Это удивительно, потому что он создан Google и потому что это не тот простой, несколько уродливый и ленивый генератор, который вы привыкли видеть в Bard. Он также скрыт от широкой публики, но это не значит, что вы не можете его использовать.

Его название — ImageFX , и это последнее предприятие Google в области создания изображений с помощью искусственного интеллекта. Он доступен через Google AI Test Kitchen, экспериментальную платформу, которая позволяет пользователям взаимодействовать с проектами Google, пока они еще находятся в разработке.

Несмотря на то, что ImageFX находится на ранней стадии бета-тестирования, он обеспечивает потрясающие результаты с точки зрения точности и фотореализма. Однако его доступность ограничена определенными регионами, а именно США, Кенией, Новой Зеландией и Австралией, а его использование ограничено английским языком, что демонстрирует осторожный подход Google и его стремление к контролируемой среде для обратной связи с пользователями и усовершенствований системы.

Те, кто живет за пределами разрешенных регионов, могут обойти географические ограничения с помощью таких методов, как VPN или прокси, — на свой страх и риск.

В основе ImageFX лежит Imagen 2, сложная модель искусственного интеллекта, разработанная известной лабораторией искусственного интеллекта Google DeepMind. Imagen 2 предназначен для интерпретации и визуализации текстовых подсказок и может создавать разнообразные изображения и стили. Google утверждает, что Imagen 2 устанавливает новый стандарт качества изображения среди моделей искусственного интеллекта своего поколения.

Внедрение ImageFX является частью более широкой стратегии Google по изучению различных аспектов генеративного искусственного интеллекта. Он дополняет набор специализированных инструментов, включая MusicFX для создания музыки и TextFX для создания стилизованного текста.