Video rāda, kā A.I. Radītā māksla var gan iedomāties, gan vajāt savus sapņus

Šomēnes izsolē Christie's pārdeva to, ko tā saka, ir pirmais algoritmiski radītais mākslas darbs, ko pārdod lielākais izsoļu nams. Cenu atzīme - gandrīz pusmiljons amerikāņu dolāru - ir radījusi virkni jautājumu par autorības izcelsmi, jaunumu un apsēsto mākslas tirgu, un, iespējams, vissvarīgākais: kāpēc?

Un tomēr centieni mācīt mašīnas par mākslu vai precīzāk par attēliem diez vai ir publicitātes triks. Tā kā datorzinātnieki spēj labāk atklāt maldinošus videoklipus ar atpakaļejošu spēku mainot filmu, viņiem ir vairāki praktiski iemesli, kāpēc mašīnas var mācīties, kā labāk iesaistīties vizuālajā pasaulē.

Daniel Heiss ir viens no šādiem entuziastiem. ZKM Mākslas un mediju centra radošais attīstītājs bija NVIDIA pētnieku aprīlī publicētais neironu tīkla agrākais pielietotājs. Tā tika izveidota, lai pēc apmācības radītu iedomātu slavenību attēlus ar tūkstošiem esošo slavenību fotogrāfiju. Tas iedvesmoja Heiss pieslēgt 50 000 fotoelementu attēlus, kas savākti vienā no ZKM interaktīvajām mākslas instalācijām, lai redzētu, kāda ir viņa māksla. ražotu. Tiešsaistes intervijā viņš stāsta Apgrieztā rezultāti bija labāki nekā viņš jebkad iedomājās.

„Es redzēju, ka viena sejas attēla trakais deformācija trīs sejas attēlos tiek veidota divos sejas attēlos un tā tālāk. Tas bija daudz labāk, nekā es jebkad domāju, ”viņš teica. "Es pat mēģināju filtrēt attēlus tā, lai tiktu izmantoti tikai attēli ar vienu seju, bet, kamēr es strādāju pie tā, paraugi, kas iegūti no nefiltrētās datu kopas, iznāca tik labi, ka es to pārtraucu."

pakāpeniski audzēts GAN (Karras et al) apmācīts ~ 80 000 gleznu pic.twitter.com/fkNjw8m2uC

- Gene Kogan (@genekogan), 2018. gada 3. novembris

Heiss videoklips kopš tā laika ir ieguvis vairāk nekā 23 000 upvotes par Reddit. Sākotnēji viņš 4. novembrī pārspēja iepriekš redzamo materiālu, reaģējot uz citu NVIDIA algoritma izmantošanu, ko veica programmētājs Gene Kogan. Tā vietā, lai barotu neironu tīklu selfies, Kogan izmantoja aptuveni 80 000 gleznas.

Kogans tika arī izpūsts ar A.I spēju radīt rāmjus, kas atgādināja atšķirīgus stilus, nevis tikai mish-mashing visu.

„Mani pārsteidza tā spēja iegaumēt tik daudz dažādu estētiku, nepārkāpjot pārāk daudz,” viņš stāsta Apgrieztā. „Es domāju, ka tas nozīmē, ka ir vairāki simti miljonu parametru, lai spēlētu.”

Kā mēs mācām A.I. padarīt savus attēlus

NVIDIA izpētes grupa, kuru vadīja Tero Karras, izmantoja ģeneratīvo pretinieku tīklu jeb GAN, kuru sākotnēji teorētiski novērtēja cienījamais datorzinātnieks Ians Goodfolds. Tas bija pamatā Google DeepDream rīka pamatā, kas radīja viļņus laukā un tiešsaistē.

GAN sastāv no diviem tīkliem: ģenerators un diskriminētājs. Šīs datorprogrammas miljoniem reižu savstarpēji konkurē viena ar otru, lai uzlabotu savu tēlu radošās prasmes, līdz tās ir pietiekami labas, lai radītu to, kas galu galā kļuvis pazīstams kā deepfakes.

Ģenerators tiek apgādāts ar fotogrāfijām un sāk izmēģināt un pēc iespējas labāk sacensties. Pēc tam tas parāda oriģinālos un ģenerētos attēlus diskriminatoram, kura uzdevums ir atdalīt tos. Jo vairāk pētījumu tika veikts, jo labāk ģenerators iegūst attēlus, un jo labāks ir diskriminētājs, kas tos izstaro. Tā rezultātā ir diezgan pārliecinoši, bet pilnīgi viltoti sejas un gleznas.

Kā šī tehnoloģija var palīdzēt māksliniekiem

A.I. mākslas pasaulē jau ir sevi nosaukusi. Papildus datorizētam portretam, kas tika pārdots Christie's, DeepDream ir izveidojis trippy ainavas, jo pirms dziļi kraukšķīgas lietas.

Heiss uzskata, ka mūsdienās radītie mašīnu mācību rīki ir pienācīgi izmantojami māksliniekiem, bet to izmantošana prasa tehnisku spēju. Tāpēc ZKM rīko atklāto kodu eksponātu, lai iedvesmotu lielāku sadarbību starp tehnoloģiju un radošo nozari.

„Pašlaik radītie rīki var būt ļoti noderīgi instrumenti māksliniekiem, bet māksliniekam tas ir grūti, bez jebkādām zināšanām par programmēšanas un sistēmas administrēšanas prasmēm,” viņš teica. “Šī saikne starp zinātni un mākslu var novest pie lielām lietām, bet tai ir nepieciešama sadarbība abos virzienos.”

Agrīnās A.I. iterācijas, tāpat kā GANS, spēj miljoniem datu punktu piesaistīt miljoniem datu, lai redzētu modeļus un pat attēli, ko cilvēki nekad nevarētu nākt klajā. Tomēr to radošo redzējumu joprojām ierobežo tas, ko cilvēki izvēlas dot šos algoritmus kā neapstrādātus datus.

Ar asu acu par estētiku un kodēšanas prasmēm, nākotnes A.I.-mākslinieki var izmantot mašīnu mācīšanos, lai pārietu uz jaunu jaunrades laikmetu vai ieelpotu dzīvi vecākos mākslas stilos. Bet tas prasīs daudz datu, lai mācītu mašīnas, kā labāk atdarināt cilvēka atjautību un veikt to, ko dators izspiež vēl vienu soli tālāk.