Uvnitř světa umělé inteligence, který vytváří krásné umění a děsivé deepfakes

Nvidia





Během posledních tří týdnů jsme položili základy umělé inteligence. Shrnout:

  • Většina pokroků a aplikací umělé inteligence je založena na typu algoritmu známého jako strojové učení, který nachází a znovu aplikuje vzory v datech.
  • Hluboké učení, výkonná podmnožina strojového učení, využívá neuronové sítě k nalezení a zesílení i těch nejmenších vzorců.
  • Neuronové sítě jsou vrstvy jednoduchých výpočetních uzlů, které spolupracují na analýze dat, něco jako neurony v lidském mozku.

Nyní se dostáváme k zábavnější části. Použití jedné neuronové sítě je opravdu skvělé pro učení vzorců; použití dvou je pro jejich vytváření opravdu skvělé. Vítejte v kouzelném, děsivém světě generativních nepřátelských sítí neboli GAN.

GANs mají trochu kulturní moment. Jsou zodpovědní za první kus uměleckého díla vytvořeného umělou inteligencí prodaný v Christie’s , stejně jako kategorie falešných digitálních obrázků známých jako deepfakes .



Jejich tajemství spočívá ve způsobu, jakým dvě neuronové sítě spolupracují – nebo spíše proti sobě. Začnete tím, že oběma neuronovým sítím poskytnete spoustu trénovacích dat a každé z nich zadáte samostatný úkol. První síť, známá jako generátor, musí produkovat umělé výstupy, jako je rukopis, videa nebo hlasy, tím, že se podívá na příklady školení a snaží se je napodobit. Druhý, známý jako diskriminátor, pak určuje, zda jsou výstupy skutečné, porovnáním každého z nich se stejnými tréninkovými příklady.

Související příběh

Související příběh Postavením neuronových sítí proti sobě vytvořil Ian Goodfellow výkonný nástroj AI. Nyní on a my ostatní musíme čelit následkům.

Pokaždé, když diskriminátor úspěšně odmítne výstup generátoru, generátor se vrátí, aby to zkusil znovu. Abych si vypůjčil metaforu od mého kolegy Martina Gilese, tento proces napodobuje přemísťování mezi padělatelem obrázků a uměleckým detektivem, kteří se opakovaně snaží přelstít jeden druhého. Diskriminátor nakonec nedokáže rozeznat rozdíl mezi výstupem a příkladem školení. Jinými slovy, mimikry jsou k nerozeznání od reality.

Můžete vidět, proč je svět s GAN stejně krásný a ošklivý. Na jedné straně může být schopnost syntetizovat média a napodobovat jiné datové vzory užitečná při úpravách fotografií, animacích a lék (např. zlepšit kvalitu lékařských snímků a překonat nedostatek údajů o pacientech). Přináší nám také radostné výtvory, jako je tento:



A tohle:

Na druhou stranu mohou být GAN použity také eticky nevhodným a nebezpečným způsobem: to překrýt tváře celebrit na tělech pornohvězd , přimět Baracka Obamu říkat, co chcete, nebo padělat něčí otisky prstů a další biometrická data, nedávno vědci z NYU a státu Michigan ukázal v papír .



Naštěstí GAN stále mají omezení, která zavádějí některá ochranná zábradlí. Potřebují poměrně velký výpočetní výkon a úzce vymezená data, aby vytvořili něco skutečně věrohodného. Aby například takový systém vytvořil realistický obraz žáby, potřebuje stovky obrázků žab určitého druhu, nejlépe obrácených podobným směrem. Bez těchto specifikací opravdu nějaké získáte šílené výsledky , jako toto stvoření z vašich nejtemnějších nočních můr:

(Měl byste mi poděkovat, že jsem vám neukázal pavouky.)



Odborníci se ale obávají, že jsme viděli jen špičku ledovce. Jak se algoritmy stále více zdokonalují, závadná videa a Picassova zvířata se stanou minulostí. Jak mi jednou řekl Hany Farid, expert na digitální obraz, nejsme na řešení tohoto problému připraveni.

To se původně objevilo v našem zpravodaji AI The Algorithm. Chcete-li jej doručit přímo do vaší schránky, přihlaste se zdarma k odběru zde.

skrýt