Vaizdo laidos Kaip A.I. Sukurtas menas gali abejoti ar nukentėti savo svajones

Anksčiau šį mėnesį aukciono namas „Christie“ pardavė tai, ką jis sako, yra pirmasis algoritminiu būdu sukurtas menas, parduodamas didelio aukciono namuose. Kainos žymelė - beveik pusė milijono JAV dolerių - iškėlė daug klausimų apie autorystės kilmę, naujumo-apsėstą meno rinką ir, galbūt, svarbiausia: kodėl?

Ir vis dėlto pastangos mokyti mašinas apie meną ar, tiksliau, apie vaizdus, ​​vargu ar yra reklaminis kaskadininkas. Kompiuterių mokslininkai, turėdami galimybę geriau aptikti apgaulingus vaizdo įrašus atgaline data keičiant filmą, turi daug praktinių priežasčių mokyti mašinas, kaip geriau įsitraukti į vizualinį pasaulį.

Daniel Heiss yra vienas iš tokių technologijų entuziastų. ZKM meno ir žiniasklaidos centro kūrybinis kūrėjas buvo ankstyvas neuronų tinklo, kurį NVIDIA mokslininkai paskelbė balandžio mėn., Diegėjas. Jis buvo sukurtas, kad po treniruotės būtų sukurtos vaizduotės įžymybių nuotraukos. Tai įkvėpė „Heiss“ prijungti 50 000 fotografijų nuotraukų, kurias surinko vienas iš interaktyvių ZKM meno įrenginių, kad pamatytų, kokio meno jis yra A.I. gamins. Interviu internete jis sako Inversinis rezultatai buvo geresni nei kada nors įsivaizdavo.

„Aš pamačiau, kad vienas veidas atsipalaidavo į tris veido atvaizdus į du veido atvaizdus ir pan. Tai buvo daug geriau, nei aš kada nors maniau, - sakė jis. „Aš netgi bandžiau filtruoti vaizdus taip, kad būtų naudojami tik vienas veidas vaizdai, bet kol dirbau, kad iš nefiltruotų duomenų rinkinių gautų pavyzdžių išėjo taip gerai, kad jį sustabdysiu.“

laipsniškai išaugę GAN (Karras ir kt.) mokomi apie 80 000 paveikslų pic.twitter.com/fkNjw8m2uC

- Gene Kogan (@genekogan) 2018 m. Lapkričio 3 d

„Heiss“ vaizdo įrašas „Reddit“ įkūrė daugiau nei 23 tūkst. Iš pradžių jis lapkričio 4 d. Atsakė į dar vieną „NVIDIA“ algoritmo naudojimą programuotojui Gene Kogan. Užuot maitinusi neuronų tinklą, Koganas naudojo maždaug 80 000 paveikslų.

Koganas taip pat buvo pralaužtas su A.I. gebėjimu kurti rėmelius, panašius į skirtingus stilius, o ne tik mish-mashing viską.

„Buvau nustebęs dėl jo gebėjimo įsiminti tiek daug skirtingų estetikų, nesukeldamas pernelyg smarkiai“, - sako jis Inversinis. „Manau, kad tai reiškia, kad kelis šimtus milijonų parametrų yra žaisliukai.“

Kaip mes mokome A.I. padaryti savo nuotraukas

„NVIDIA“ tyrimo komanda, kuriai vadovavo Tero Karras, pasinaudojo generatyviu priešišku tinklu arba GAN, kurį iš pradžių teoriškai įvertino gerbiamas kompiuterių mokslininkas Ian Goodfellow. Tai buvo pagrindinė „Google“ „DeepDream“ įrankio technologija, kuri sukūrė bangas lauke ir internete.

GAN sudaro du tinklai: generatorius ir diskriminatorius. Šios kompiuterinės programos milijonus kartų konkuruoja viena su kita milijonais, kad patobulintų savo įvaizdžio kūrimo įgūdžius, kol jie bus pakankamai geri, kad galiausiai taptų žinomi kaip giluminiai.

Generatorius maitinamas nuotraukomis ir pradeda bandyti juos kuo geriau sekti. Tada jis parodo originalius ir sugeneruotus vaizdus diskriminatoriui, kurio užduotis - juos atskirti. Kuo daugiau bandymų atlikta, tuo geriau generatorius gauna sintezę vaizdus, ​​ir kuo geriau diskriminuoja jas atskirti. Dėl to kai kurie gana įtikinami, bet visiškai netikri veidai ir paveikslai.

Kaip ši techninė pagalba gali padėti menininkams

A.I. meno pasaulyje jau pavadino save. Be kompiuterio sukurto portreto, kuris buvo parduotas „Christie's“, „DeepDream“ gamina „trippy“ kraštovaizdžius, nes prieš giliavandenius.

„Heiss“ mano, kad šiandien sukurtos mašinų mokymosi priemonės yra tinkamos naudoti menininkams, tačiau jų naudojimas reikalauja techninio meistriškumo. Štai kodėl „ZKM“ rengia „Open Codes“ parodą, kad paskatintų daugiau technologijų ir kūrybinio sektoriaus bendradarbiavimo.

„Šiuo metu atsirandantys įrankiai gali būti labai naudingi menininkams, bet menininkui sunku be jokių žinių apie programavimo ir sistemos administravimo įgūdžius juos naudoti“, - sakė jis. „Šis ryšys tarp mokslo ir meno gali sukelti puikių dalykų, tačiau reikia bendradarbiavimo abiem kryptimis“.

Ankstyvosios A.I. iteracijos, kaip ir GANS, gali sugauti milijonus duomenų taškų, kad matytų modelius ir net vaizdai, kuriuos žmonės niekada negalėtų sugalvoti. Tačiau jų kūrybinę viziją vis dar riboja tai, ką žmonės renkasi duoti tuos algoritmus kaip neapdorotus duomenis.

Aiškiai vertindami estetikos ir kodavimo įgūdžius, ateities A.I.-i naudojantieji menininkai gali naudoti mašinų mokymąsi, kad pereitų visiškai naują kūrybiškumo amžių arba kvėpuotų gyvenimą į senesnius meno stilius. Tačiau, norint išmokyti mašinas, kaip geriau imituoti žmogiškąjį išradingumą ir imtis to, ką kompiuteris išsiskleidžia toliau, reikės daug duomenų.