AI pasaulē, kas veido skaistu mākslu un šausminošus dziļus viltojumus

Nvidia





Pēdējo trīs nedēļu laikā mēs esam izstrādājuši AI pamatus. Atgādinājums:

  • Lielākā daļa AI sasniegumu un lietojumprogrammu ir balstīti uz algoritma veidu, kas pazīstams kā mašīnmācīšanās, kas atrod un atkārtoti izmanto datu modeļus.
  • Padziļinātā mācīšanās, spēcīga mašīnmācīšanās apakškopa, izmanto neironu tīklus, lai atrastu un pastiprinātu pat vismazākos modeļus.
  • Neironu tīkli ir vienkāršu skaitļošanas mezglu slāņi, kas darbojas kopā, lai analizētu datus, līdzīgi kā neironi cilvēka smadzenēs.

Tagad mēs nonākam pie jautrās daļas. Viena neironu tīkla izmantošana patiešām ir lieliska modeļu apguvei; divu izmantošana ir patiešām lieliska to izveidei. Laipni lūdzam maģiskajā, šausminošajā ģeneratīvo pretrunīgo tīklu jeb GAN pasaulē.

GAN ir mazliet kultūras brīdis. Viņi ir atbildīgi par pirmais AI radītais mākslas darbs, kas pārdots Christie’s , kā arī viltotu digitālo attēlu kategorija, kas pazīstama kā dziļi viltojumi.



Viņu noslēpums slēpjas tajā, kā divi neironu tīkli darbojas kopā vai drīzāk viens pret otru. Sāciet ar to, ka abiem neironu tīkliem tiek ievadīts daudz apmācības datu un katram jādod atsevišķs uzdevums. Pirmajam tīklam, kas pazīstams kā ģenerators, ir jārada mākslīgi izvadi, piemēram, rokraksts, video vai balsis, apskatot apmācības piemērus un mēģinot tos atdarināt. Otrais, kas pazīstams kā diskriminators, pēc tam nosaka, vai rezultāti ir reāli, salīdzinot katru ar tiem pašiem apmācības piemēriem.

Saistīts stāsts

Saistīts stāsts Sastādot neironu tīklus vienu pret otru, Ians Gudfelovs ir izveidojis jaudīgu AI rīku. Tagad viņam un mums pārējiem ir jārēķinās ar sekām.

Katru reizi, kad diskriminators veiksmīgi noraida ģeneratora izvadi, ģenerators atgriežas, lai mēģinātu vēlreiz. Aizņemoties metaforu no mana kolēģa Mārtina Džailsa, šis process atdarina turp un atpakaļ starp attēlu viltotāju un mākslas detektīvu, kuri atkārtoti cenšas pārspēt viens otru. Galu galā diskriminētājs nevar noteikt atšķirību starp rezultātu un apmācības piemēriem. Citiem vārdiem sakot, mīmika nav atšķirama no realitātes.

Jūs varat redzēt, kāpēc pasaule ar GAN ir vienlīdz skaista un neglīta. No vienas puses, spēja sintezēt multividi un atdarināt citus datu modeļus var būt noderīga fotoattēlu rediģēšanā, animācijā un medicīna (piemēram, lai uzlabotu medicīnisko attēlu kvalitāti un pārvarētu pacientu datu trūkumu). Tas mums sniedz arī tādus priecīgus darbus kā šis:



Un šī:

No otras puses, GAN var izmantot arī ētiski nevēlamos un bīstamos veidos: lai pārklāj slavenību sejas uz pornozvaigžņu ķermeņiem , lai liktu Barakam Obamam teikt, ko vien vēlaties, vai viltot kāda pirkstu nospiedumus un citus biometriskos datus, nesen NYU un Mičiganas štata pētnieku spējas. parādīja iekšā papīrs .



Par laimi, GAN joprojām ir ierobežojumi, kas nosaka dažas aizsargmargas. Viņiem ir nepieciešams diezgan daudz skaitļošanas jaudas un šauri datu, lai radītu kaut ko patiesi ticamu. Lai, piemēram, izveidotu reālistisku vardes attēlu, šādai sistēmai ir nepieciešami simtiem noteiktas sugas varžu attēlu, vēlams, lai tie būtu vērsti līdzīgā virzienā. Bez šīm specifikācijām jūs patiešām iegūstat dažas traki rezultāti , piemēram, šī būtne no jūsu tumšākajiem murgiem:

(Jums jāpateicas man, ka neparādīju jums zirnekļus.)



Taču eksperti uztraucas, ka esam redzējuši tikai aisberga virsotni. Tā kā algoritmi kļūst arvien pilnveidoti, neveiksmīgi videoklipi un Pikaso dzīvnieki kļūs par pagātni. Kā man reiz teica digitālo attēlu kriminālistikas eksperts Hanijs Farids, mēs esam slikti sagatavoti šīs problēmas risināšanai.

Sākotnēji tas parādījās mūsu AI informatīvajā izdevumā The Algorithm. Lai tas tiktu piegādāts tieši jūsu iesūtnē, abonējiet šeit bez maksas.

paslēpties