Τι είναι το AI Image Generator και πώς λειτουργεί;

Το 2022, είδαμε την εμφάνιση μερικών απίστευτων γεννητριών κειμένου σε εικόνα. Το πρώτο που ξεκίνησε το μεγάλο κύμα ήταν το Dall-E 2, με το Stable Diffusion να φτάνει λίγο αργότερα. Έκτοτε, έχουμε δει και άλλα εργαλεία να καταφθάνουν, όπως το Midjourney, το Craiyon και ακόμη και το TikTok σε κάποιο βαθμό. Υπάρχουν αυξανόμενες ανησυχίες όσον αφορά τα εργαλεία δημιουργίας εικόνων τεχνητής νοημοσύνης, που σχετίζονται κυρίως με την ηθική τέτοια εργαλεία όταν μπορούν να δημιουργήσουν εικόνες πραγματικών ανθρώπων σε μέρη ή καταστάσεις που δεν ήταν στην πραγματικότητα σε.

Ωστόσο, δεν πρέπει να λάβετε υπόψη μόνο την ηθική. Οι γεννήτριες εικόνων AI εκπαιδεύονται σε εκατομμύρια και εκατομμύρια φωτογραφίες και έχουν μάθει να αναγνωρίζουν πράγματα μέσω πραγματικών υπαρχουσών φωτογραφιών που έχουν δημιουργηθεί από πραγματικούς ανθρώπους. Πότε γίνεται παραβίαση πνευματικών δικαιωμάτων; Εάν η τεχνητή νοημοσύνη σας δημιουργήσει κατά λάθος μια εικόνα που μοιάζει πολύ με άλλο σχέδιο και ο δημιουργός αυτής της εικόνας συνεχίσει να τη μοιράζεται εμπορικά, είναι κάποιος υπεύθυνος για τυχόν ζημιές; Αν ναι, ποιος; Ποιος είναι έστω ο «καλλιτέχνης» σε αυτή την περίπτωση;

Υπάρχουν ένα τόνος λόγοι για να είμαστε επιφυλακτικοί με τις γεννήτριες εικόνων AI, και αυτές οι ηθικές ανησυχίες και οι ανησυχίες για την ασφάλεια απλώς χαράζουν την επιφάνεια. Αυτά τα εργαλεία μπορούν να χρησιμοποιηθούν για τη δημιουργία ψεύτικων εικόνων που μπορούν να χρησιμοποιηθούν για να προωθήσουν μια αφήγηση και θα χειροτερέψουν επίσης με τον καιρό. Δεδομένων των απίστευτων δυνατοτήτων αυτών των εργαλείων δημιουργίας εικόνας ήδη, είναι τρομακτικό να σκεφτόμαστε τι θα είναι σε θέση να κάνουν πολύ σύντομα. Ωστόσο, αν θέλετε να κάνετε όμορφες εικόνες και να διασκεδάσετε, τότε δεν υπάρχει κανένα απολύτως κακό σε αυτό.

Σταθερή Διάχυση

Το Stable Diffusion είναι η έμπνευση πίσω από αυτό το άρθρο και ένα εργαλείο με το οποίο έχω παίξει παρτίδα πρόσφατα. Εκτελείται τοπικά στον υπολογιστή σας (άρα δεν παλεύετε για πόρους με άλλους χρήστες κάποιου διαδικτυακού εργαλείου) και είναι ένα από τα πιο ισχυρά που μπορείτε να χρησιμοποιήσετε αυτήν τη στιγμή. Όχι μόνο σας επιτρέπει να προσαρμόσετε έναν τόνο παραμέτρων, αλλά μπορείτε επίσης να ελέγξετε ολόκληρη τη διαδικασία παραγωγής.

Το Stable Diffusion πάσχει από όλες τις ίδιες παγίδες AI, με τον πρόσθετο "κίνδυνο" της προσβασιμότητας. Οποιοσδήποτε διαθέτει έναν αρκετά ισχυρό υπολογιστή μπορεί να τον ρυθμίσει και να τον εκτελεί γρήγορα. Με ένα i7-12700KF, ένα RTX 3080, 32 GB μνήμης RAM και gigabit internet, μπόρεσα να ρυθμίσω το Stable Diffusion και να δημιουργήσω τις πρώτες μου εικόνες μέσα σε μια ώρα. Ο υπολογιστής μου είναι σίγουρα ενεργοποιημένος υψηλότερο άκρο, αλλά μπορείτε να ξεφύγετε με τη λειτουργία του ασθενέστερο υλικό (αν και δεν μπορείτε να δημιουργήσετε τόσο μεγάλες εικόνες με χαμηλότερη vRAM και θα χρειαστεί περισσότερος χρόνος).

Το καλύτερο πράγμα για το Stable Diffusion είναι ότι είναι εξ ολοκλήρου ανοιχτού κώδικα. Μπορείτε να το υποστηρίξετε σε οποιοδήποτε από τα έργα σας σήμερα, αν θέλετε, και υπάρχουν ήδη πρόσθετα όπως το Alpaca που μπορείτε να χρησιμοποιήσετε για να ενσωματώσετε στο Photoshop. Δεν είναι ακόμα τέλειο, αλλά είναι πολύ νωρίς στην ανάπτυξη αυτών των προγραμμάτων. Μπορείς να χρησιμοποιήσεις Dream Studio είτε αν θέλετε, αν και αυτό κοστίζει χρήματα και είναι λίγο περιοριστικό σε σχέση με την τοπική ρύθμιση.

Επιπλέον, αν ρυθμίσετε το Stable Diffusion τοπικά, υπάρχουν πιρούνια όπως π.χ Το WebUI σταθερής διάχυσης του AUTOMATIC1111 που συνοδεύονται από ένα ενσωματωμένο εργαλείο αναβάθμισης που μπορεί να αυξήσει την ανάλυση έως και τέσσερις φορές υψηλότερα. Ενώ μπορείτε να δημιουργήσετε εικόνες σε υψηλότερη ανάλυση, είναι συχνά πολύ πιο γρήγορο να δημιουργήσετε μια εικόνα σε χαμηλότερη ανάλυση και στη συνέχεια να την αναβαθμίσετε. Όλες οι παρακάτω εικόνες έχουν αναβαθμιστεί από μικρότερες αναλύσεις.

Το Stable Diffusion εκπαιδεύτηκε σε ένα σύμπλεγμα 4.000 GPU Nvidia A100 που τρέχουν σε AWS και πραγματοποιήθηκε σε διάστημα ενός μήνα. Έχει τη δυνατότητα να δημιουργεί εικόνες διασημοτήτων και έχει επίσης ενσωματωμένο φίλτρο NSFW. Μπορείτε να απενεργοποιήσετε αυτό το φίλτρο NSFW σε τοπικές εγκαταστάσεις, καθώς εξοικονομεί πόρους μειώνοντας τη χρήση VRAM. Όσο για το τι σημαίνει «Διάχυση», είναι η διαδικασία έναρξης με καθαρό θόρυβο και τελειοποίησης με την πάροδο του χρόνου. Κάνει την εικόνα σταδιακά πιο κοντά στο μήνυμα κειμένου με την πάροδο του χρόνου έως ότου δεν υπάρχει θόρυβος. Αυτός είναι ο ίδιος τρόπος που λειτουργεί το Dall-E 2.

Τέλος, ένα άλλο διασκεδαστικό χαρακτηριστικό που διαθέτει το Stable Diffusion είναι το "img2img". Σε αυτό, του δίνετε μια εικόνα ως προτροπή, περιγράφετε τι θέλετε να είναι η εικόνα και, στη συνέχεια, την αφήνετε να σας δώσει μια κατάλληλος σχέδιο.

Του έδωσα ένα πρότυπο για να δουλέψω και απέκτησα μια αρκετά αξιοπρεπή εικόνα. Είμαι βέβαιος ότι με καλύτερες προτροπές (το δικό μου είναι κάπως αντιφατικό), θα μπορούσατε να γίνετε ακόμα καλύτεροι. Ωστόσο, καθόλου άσχημα για κάτι που μου πήρε περίπου πέντε λεπτά για να το φτιάξω.

Εν ολίγοις, το Stable Diffusion είναι δωρεάν, εύκολο στη ρύθμιση και το μεγαλύτερο πρόβλημα είναι πόσο προσιτό είναι. Εάν δεν έχετε έναν αρκετά ισχυρό υπολογιστή, θα χρειαστεί να πληρώσετε για να το χρησιμοποιήσετε μέσω των Dream Studio.

Craiyon

Το Craiyon ήταν παλαιότερα γνωστό ως DALL·E Mini, αν και παρά το όνομα, δεν έχει καμία σχέση με το Dall-E 2. Δημιουργήθηκε για να αναπαράγει τα αποτελέσματα του μοντέλου κειμένου σε εικόνα DALL·E του OpenAI. Το Craiyon είναι διαθέσιμο στο κοινό και μπορεί να χρησιμοποιηθεί για τη δημιουργία εικόνων που είναι εκπληκτικά αξιοπρεπείς, αν και οι εικόνες δεν είναι τόσο ακριβείς, ούτε τόσο υψηλής ποιότητας. Οι μέγιστες αναλύσεις εικόνας ξεπερνούν τα 256x256 και δεν υπάρχουν επίσης εργαλεία αναβάθμισης.

Το Craiyon είναι εντελώς δωρεάν στη χρήση και προσβάσιμο μέσω του ιστότοπού του. Μπορείτε να δημιουργήσετε οποιαδήποτε εικόνα μέσω οποιασδήποτε προτροπής και το μόνο πρόβλημα είναι ότι οι εικόνες είναι χαμηλότερης ποιότητας και ότι θα χρειαστεί να περιμένετε περίπου δύο λεπτά για κάθε παρτίδα εικόνων που δημιουργείται. Το Craiyon ξεκίνησε ως μοντέλο ανοιχτού κώδικα με στόχο την αναπαραγωγή των αποτελεσμάτων του αρχικού μοντέλου DALL·E. Το μοντέλο που χρησιμοποιείται τώρα είναι γνωστό ως DALL·E Mega και διαθέτει αρκετές βελτιώσεις.

Το Craiyon, σε αντίθεση με τις άλλες επιλογές εδώ, υποστηρίζεται από έσοδα από διαφημίσεις. Ως αποτέλεσμα, θα βλέπετε πληρωμένες χορηγίες και άλλες διαφημίσεις την ιστοσελίδα τους όταν επισκέπτεστε. Υπάρχει επίσης μια εφαρμογή για smartphone Android. Δεν είναι το πιο εξελιγμένο, αλλά είναι διασκεδαστικό, εύκολο στη χρήση και προσβάσιμο.

Dall-E 2

Το Dall-E 2 είναι προϊόν του ερευνητικού εργαστηρίου OpenAI και είναι η πιο γνωστή συσκευή δημιουργίας εικόνων AI που σκέφτονται οι άνθρωποι. Είναι ένα κλειστό εργαλείο με περιορισμένη πρόσβαση, αλλά για όσους έχουν πρόσβαση σε αυτό, μερικά από τα αποτελέσματα που μπορεί να καταλήξει είναι απίστευτα. Αρχικά ήταν κλειστό λόγω ανησυχιών σχετικά με την ηθική και την ασφάλεια ενός τέτοιου εργαλείου, αν και επεκτάθηκε σταδιακά με την πάροδο του χρόνου.

Ένα από τα μεγαλύτερα πλεονεκτήματα που έχει το Dall-E 2 είναι η δυνατότητα δημιουργίας φωτορεαλιστικών εικόνων που, με μια ματιά, δεν διακρίνονται από πραγματικές φωτογραφίες. Μπορεί να δημιουργήσει πίνακες ζωγραφικής, εικόνες που φαίνονται να έχουν τραβηχτεί σε πραγματικές κάμερες και εντελώς κατασκευασμένα σενάρια. Αντιπροσώπευε ένα τεράστιο άλμα στις δυνατότητες της τεχνητής νοημοσύνης όταν ανακοινώθηκε για πρώτη φορά, τόσο στις ικανότητές της να δημιουργεί εικόνες όσο και στην επεξεργασία φυσικής γλώσσας, γνωστή ως NLP. Αυτό οφείλεται στην εφαρμογή του GPT-3, το οποίο είναι ένα από τα πιο προηγμένα μοντέλα γλώσσας εκεί έξω και είναι επίσης συγγραφέας του OpenAI.

Ακριβώς όπως με το Stable Diffusion, το Dall-E 2 έχει επίσης τη δική του ικανότητα να παίρνει υπάρχουσες εικόνες και να τις τροποποιεί βάσει μιας προτροπής. Μπορείτε να επεξεργαστείτε φωτογραφίες μέσω αυτού ζητώντας του να προσθέσει κάτι σε μια εικόνα ή ακόμα και να του ζητήσετε να αφαιρέσει κάτι ή να αλλάξει τον φωτισμό. Ενώ δημιουργεί μόνο τετράγωνες εικόνες, ανακοίνωσε το OpenAI Εξωτερική βαφή τον περασμένο μήνα που μπορεί να επεκτείνει τις εικόνες σας ευρύτερα, λαμβάνοντας υπόψη το πλαίσιο αυτού που είναι ήδη διαθέσιμο στην τετράγωνη εικόνα σας.

Dall-E 2 είναι διαθέσιμο για να το δοκιμάσουν όλοι.

Μεσοταξίδι

Το Midjourney είναι ενδιαφέρον καθώς είναι μια δημόσια πλατφόρμα που μπορεί να δημιουργήσει εικόνες, αν και το κάνετε μέσω ενός διακομιστή Discord. Όχι μόνο αυτό, αλλά αφού δημιουργήσετε 25 εικόνες, θα πρέπει να εγγραφείτε στην υπηρεσία για να συνεχίσετε να δημιουργείτε νέες.

Ενώ Μεσοταξίδι είναι ίσως η πιο προσιτή πλατφόρμα εδώ (δεδομένου ότι μπορείτε να έχετε πρόσβαση σε αυτήν από οποιαδήποτε συσκευή με λογαριασμό Discord), σας κοστίζει επίσης χρήματα. Ωστόσο, παίρνετε ποιότητα από αυτό. Ένας χρήστης της υπηρεσίας, ο Jason Allen, δημιούργησε ένα κομμάτι που ονόμασε "Théâtre D'Opera Spatial". Συμμετείχε στον διαγωνισμό τέχνης Colorado State Fair... και κέρδισε.

Σε αντίθεση με αυτά τα άλλα έργα, το Midjourney είναι ένα αποκλειστικό πρόγραμμα τεχνητής νοημοσύνης. Δεν υπάρχει κανένας πηγαίος κώδικας που να μπορείτε να δείτε και ολόκληρος ο σκοπός του αυτή τη στιγμή περιορίζεται στη χρήση εντός ενός διακομιστή Discord. Όσο για το γιατί είναι μόνο διακομιστής Discord, ο David Holz, ιδρυτής της Midjourney, είπε τα εξής: Το χείλος σε μια συνέντευξη.

Ξεκινήσαμε να δοκιμάζουμε την ακατέργαστη τεχνολογία τον Σεπτέμβριο του περασμένου έτους και αμέσως βρίσκαμε πραγματικά διαφορετικά πράγματα. Πολύ γρήγορα διαπιστώσαμε ότι οι περισσότεροι άνθρωποι δεν ξέρουν τι θέλουν. Λέτε: "Εδώ είναι ένα μηχάνημα που μπορείτε να φανταστείτε οτιδήποτε μαζί του - τι θέλετε;" Και πάνε: «σκύλος». Και πας "Πραγματικά?" και πάνε «ροζ σκύλος». Τους δίνεις λοιπόν μια φωτογραφία ενός σκύλου και πάνε «εντάξει» και μετά πάνε να κάνουν κάτι αλλού.

Ενώ αν τους βάλεις σε μια ομάδα, θα πάνε "σκύλος" και κάποιος άλλος θα πάει "διαστημικός σκύλος" και κάποιος άλλος θα πάει "Αζτέκος διαστημικός σκύλος" και στη συνέχεια όλοι ένα ξαφνικά, οι άνθρωποι κατανοούν τις δυνατότητες και δημιουργείτε αυτήν την επαυξημένη φαντασία - ένα περιβάλλον όπου οι άνθρωποι μπορούν να μάθουν και να παίξουν με αυτό το νέο χωρητικότητα. Βρήκαμε λοιπόν ότι στους ανθρώπους αρέσει πολύ να φαντάζονται μαζί, και έτσι κάναμε το [Midjourney] κοινωνικό.

Τότε, θα είχατε επίσης πρόβλημα να το απομακρύνετε από το προεπιλεγμένο στυλ "Midjourney", ας πούμε έτσι. Αυτό λέει ο Holz, ούτως ή άλλως, στην ίδια συνέντευξη.

[Έχουμε ένα προεπιλεγμένο στυλ και εμφάνιση, και είναι καλλιτεχνικό και όμορφο, και είναι δύσκολο να απωθήσεις [το μοντέλο] μακριά από αυτό.

Ωστόσο, από τότε, η εταιρεία έχει κυκλοφορήσει δύο νέα μοντέλα -- "test" και "testp". Το "test" είναι ένα μοντέλο γενικού σκοπού και το "testp" επικεντρώνεται αποκλειστικά στον φωτορεαλισμό. Ως αποτέλεσμα, θα μπορείτε να ξεφύγετε περισσότερο από αυτό Προκαθορισμένο δείτε και δημιουργήστε εικόνες περισσότερων τύπων αν θέλετε.

Οι κίνδυνοι και η ηθική της τέχνης που δημιουργείται από την τεχνητή νοημοσύνη

Η τέχνη που δημιουργείται από την τεχνητή νοημοσύνη, αν και δροσερή, επιβάλλει πολλούς κινδύνους στην κοινωνία γενικότερα. Σε μια εποχή όπου μπορεί να είναι δύσκολο να πει κανείς σε στιγμές που οι ειδήσεις βγαίνουν εκτός πλαισίου ή ευθύς κατασκευασμένα, υπάρχει κίνδυνος όταν οι εικόνες μπορούν να δημιουργηθούν μέσα σε λίγα λεπτά με όψη και αίσθηση πραγματικός. Για παράδειγμα, ρίξτε μια ματιά στις φωτογραφίες που δημιούργησα παρακάτω. Το ένα δημιουργήθηκε χρησιμοποιώντας Stable Diffusion και το άλλο δημιουργήθηκε με Craiyon.

Προτροπή: "συνετρίβη UFO στο Roswell, 1947, φωτισμός, στρατηγός έρευνας, φωτισμός στούντιο"

Οι παραπάνω φωτογραφίες απεικονίζουν ένα τρακαρισμένο UFO στο Roswell και η πρώτη εικόνα δείχνει τι μοιάζει με ένα άτομο που περπατά πάνω από το UFO που συνετρίβη. Ενώ η εικόνα εδώ δημιουργήθηκε με σκοπό την εμφάνιση μιας ψεύτικης φωτογραφίας, φαίνεται ότι θα μπορούσε να είναι αληθινή. Οποιαδήποτε τεχνουργήματα μπορούν να εξηγηθούν από το γεγονός ότι οι φωτογραφίες του 1947 θα ήταν ούτως ή άλλως πιο κακής ποιότητας και και οι δύο εικόνες θα μπορούσαν να περάσουν το τεστ των ματιών με μια γρήγορη ματιά ως αληθινές. Δεν χρειάζεστε καν ένα από αυτά καλύτερους υπολογιστές για να κάνετε κάτι τέτοιο, καθώς το Craiyon είναι μια δωρεάν εφαρμογή.

Εκεί που γίνεται ακόμα πιο σκοτεινό είναι ότι μπορείς πραγματικά προσδιορίζω ένας καλλιτέχνης από τον οποίο θέλετε να εμπνευστεί ο αλγόριθμος. Ένας κοινός καλλιτέχνης είναι ο Greg Rutkowski, ο οποίος έχει μιλήσει εξωτερικά ενάντια στη χρήση του ονόματός του στην τέχνη που δημιουργείται από την τεχνητή νοημοσύνη. Το όνομά του κατατάσσεται ως ένα από τα πιο κοινά μηνύματα που χρησιμοποιούνται στη δημιουργία εικόνων. "ΟΛΑ ΣΥΜΠΕΡΙΛΑΜΒΑΝΟΝΤΑΙ. θα πρέπει να αποκλείσει ζωντανούς καλλιτέχνες από τη βάση δεδομένων του», δήλωσε ο Rutkowski είπε artnet σε μια συνέντευξη, «επικεντρωθείτε σε έργα που ανήκουν στον δημόσιο τομέα». Η αναζήτηση του ονόματος του Rutkowski θα επιστρέψει συχνά τέχνη τεχνητής νοημοσύνης που έχει δημιουργηθεί για να μοιάζει με το έργο του αλλά δεν είναι πράγματι η δουλειά του.

Ακόμη χειρότερο είναι ότι η τέχνη που δημιουργείται από την τεχνητή νοημοσύνη μπορεί συχνά να αναδείξει τις προκαταλήψεις της ανθρώπινης φυλής. Το Craiyon έχει μάλιστα μια προειδοποίηση στο κάτω μέρος της αρχικής του σελίδας στις Συχνές Ερωτήσεις, δηλώνοντας ότι «επειδή το μοντέλο εκπαιδεύτηκε σε αφιλτράριστα δεδομένα από το Διαδίκτυο, ενδέχεται να δημιουργούν εικόνες που περιέχουν επιβλαβή στερεότυπα." Ως αποτέλεσμα, η εισαγωγή μηνυμάτων όπως "στέλεχος εταιρείας" θα επιστρέψει τις περισσότερες φορές εικόνες λευκών ανδρών σε κοστούμια. Ομοίως, η εισαγωγή "δάσκαλος" ως προτροπή θα επιστρέψει σχεδόν πάντα τις γυναίκες στις τάξεις.

Το μέλλον της τέχνης που δημιουργείται από AI

Δεδομένου ότι φαίνεται ότι ο κλάδος δεν επιβραδύνεται (και οι ρυθμίσεις δεν πλησιάζουν), αναμένουμε να δούμε ακόμη μεγαλύτερη πρόοδο σε αυτούς τους τομείς. Το γεγονός ότι περάσαμε από τις δυνατότητες του Dall-E 2 (ακόμα κι αν ήταν ιδιωτικό) στο Stable Diffusion σε λίγους μόνο μήνες δείχνει πόσο μεγάλος κλάδος είναι αυτός και πόσο μεγάλος κλάδος μπορεί δυνητικά είναι. Οι εικόνες που θα μπορούσαν προηγουμένως να είχαν ανατεθεί σε μια ομάδα καλλιτεχνών μπορούν τώρα να δημιουργηθούν σε δευτερόλεπτα, με έναν μόνο καλλιτέχνη να συμμετέχει στη διαδικασία για διορθωτικούς σκοπούς. Έχουμε ήδη δει πώς το Midjourney μπορεί να σας βοηθήσει να κερδίσετε έναν διαγωνισμό τέχνης, για παράδειγμα, αν και το Γραφείο Πνευματικών Δικαιωμάτων των Η.Π.Α. λέει αυτή τη στιγμή ότι δεν μπορείτε καν να προστατεύσετε τα πνευματικά δικαιώματα των εικόνων που δημιουργούνται από AI.

Όπως δήλωσε επίσης ο Holz στη συνέντευξή του, το τρέχον κόστος εκπαίδευσης κάθε μοντέλου είναι περίπου $50.000 -- ή περισσότερο. Οι εικόνες κοστίζουν επίσης χρήματα καθώς δημιουργούνται σε απίστευτα δυνατούς διακομιστές, ειδικά όταν τεράστιος αριθμός χρηστών έρχονται για να δημιουργήσουν τις δικές τους εικόνες. Θα είναι εξαιρετικά απαγορευτικό από πλευράς κόστους για τυχόν νέους παίκτες που εισέρχονται στον χώρο, κάτι που μπορεί με τη σειρά του να αποβάλει και ορισμένες εταιρείες. Ωστόσο, οι αρχικές προσπάθειες όπως το Stable Diffusion να είναι ανοιχτού κώδικα προοιωνίζονται καλά.

Ως αποτέλεσμα, θα περιμένουμε με ενθουσιασμό να δούμε το μέλλον των εικόνων AI. Ο χώρος έχει εξελιχθεί τόσο γρήγορα τον τελευταίο χρόνο και φαίνεται ότι καθημερινά γίνονται νέες εξελίξεις. Ωστόσο, με αναλαμπές χειρισμού εικόνας που βασίζεται σε AI ακόμα και στα smartphone μας, υπάρχουν πολλά που θα μπορούσαν να συμβούν τα επόμενα ή δύο χρόνια.