Ako vzniká obrázok z ničoho: difúzne modely vysvetlené na šume, hmle a sochárovi

Najdôležitejšie

• Difúzny model vytvára obrázok tak, že z náhodného šumu postupne krok za krokom odstraňuje to, čo do obrazu nepatrí.
• Textové zadanie model pri každom kroku usmerňuje k obrázku, ktorý zodpovedá popisu.
• Rovnaký prompt dáva zakaždým iný výsledok, lebo generovanie začína z iného náhodného šumu.
• Medzi riziká patria deepfaky, spory o autorské práva, predsudky z dát a typické vizuálne chyby.

Napíšete vetu „mačka v klobúku sedí na lavičke v parku pri západe slnka“ a o pár sekúnd máte obrázok, ktorý vyzerá ako fotografia. Žiadna mačka však nepózovala a žiadny fotograf nestláčal spúšť. Za väčšinou dnešných obrazových generátorov stojí technológia, ktorá sa volá difúzny model. Znie to zložito, no základná myšlienka sa dá vysvetliť aj bez matematiky.

Základná myšlienka: naučiť sa upratovať šum

Predstavte si starý televízor bez signálu. Na obrazovke vidíte len zrnitý „sneh“, teda náhodné bodky bez akéhokoľvek významu. Práve takýto náhodný šum je štartovacím bodom pri generovaní obrázka.

Difúzny model sa počas tréningu učí jednu konkrétnu zručnosť: odstrániť z obrázka trochu šumu. Tréning prebieha zhruba takto:

1. Vezme sa skutočný obrázok, napríklad fotografia psa.
2. Postupne sa k nemu pridáva čoraz viac šumu, až z neho zostane iba nečitateľný sneh.
3. Model dostáva obrázky v rôznych fázach zašumenia a musí odhadnúť, aký šum do nich bol pridaný, teda ako sa vrátiť o krok bližšie k pôvodu.

Keď sa toto zopakuje na obrovskom množstve obrázkov, model získa niečo ako intuíciu, ako vyzerajú tváre, stromy, autá či svetlo pri západe slnka. Nemá v sebe uložené konkrétne fotografie ako album. Naučil sa skôr štatistické zákonitosti toho, ako bežné obrázky vyzerajú.

Prirovnanie k sochárovi

Často sa používa prirovnanie k sochárovi, ktorý z neopracovaného kameňa odstraňuje všetko, čo nie je socha. Difúzny model robí niečo podobné: z náhodného šumu krok za krokom odoberá to, čo „nepatrí“, až kým sa neobjaví zmysluplný obraz. Iné prirovnanie je hmla nad krajinou, ktorá sa postupne rozplýva a odhaľuje stále viac detailov.

Ako sa do toho dostane váš text

Samotné odšumovanie by vytvorilo nejaký náhodný obrázok. Aby vznikla práve mačka v klobúku, potrebuje model vedieť, čo chcete. Na to slúži druhá časť systému, ktorá prekladá text do číselnej podoby, ktorej model rozumie.

Generátory sa trénujú na dvojiciach obrázkov a ich popisov. Vďaka tomu sa naučia prepojiť slová ako „západ slnka“ s teplými oranžovými tónmi a dlhými tieňmi alebo slovo „akvarel“ s rozpitými farbami. Pri každom kroku odšumovania potom text model usmerňuje: zo všetkých možných obrázkov, ktoré by zo šumu mohli vzniknúť, ho tlačí k tomu, ktorý zodpovedá vášmu zadaniu.

Preto tak veľmi záleží na formulácii. Kto chce lepšie výsledky, oplatí sa mu naučiť sa písať prompty, ktoré fungujú. Platí to pre textové aj obrazové nástroje.

Prečo dostanete zakaždým iný obrázok

Ak zadáte rovnaký text dvakrát, väčšinou dostanete dva rozdielne obrázky. Dôvod je jednoduchý: zakaždým sa začína z iného náhodného šumu. Niektoré nástroje umožňujú nastaviť takzvaný seed, teda počiatočné číslo pre náhodu. Pri rovnakom seede, texte a nastaveniach možno dostať veľmi podobný alebo rovnaký výsledok, čo sa hodí, keď chcete obrázok len jemne upraviť.

Prečo to trvá sekundy a potrebuje výkonný hardvér

Generovanie neprebehne naraz, ale v sérii krokov. Pri každom kroku musí model spracovať celý obrázok, čo je výpočtovo náročné. Mnohé moderné generátory, napríklad známy otvorený model Stable Diffusion, preto nepracujú priamo s miliónmi pixelov, ale so zmenšenou, skomprimovanou reprezentáciou obrázka. Až na konci sa táto reprezentácia „rozbalí“ do plnohodnotného obrázka. Výrazne to šetrí čas aj pamäť.

Aj tak ide o množstvo paralelných výpočtov, na ktoré sa najlepšie hodia grafické karty. Podrobnejšie to vysvetľujeme v článku Prečo AI potrebuje grafické čipy. Niektoré otvorené modely sa dajú spustiť aj na domácom počítači s dostatočne silnou grafickou kartou. Väčšina ľudí však používa webové služby, kde výpočet prebieha v dátových centrách.

Čo to prináša v bežnom živote

Obrazové generátory už dávno nie sú len hračkou pre nadšencov. Bežne sa používajú napríklad takto:

• Malé firmy a živnostníci si vytvoria ilustráciu na leták, príspevok na sociálne siete alebo návrh obalu bez drahého fotenia.
• Učitelia pripravia názorné obrázky do prezentácie, napríklad ako mohlo vyzerať stredoveké mesto.
• Dizajnéri a architekti rýchlo skúšajú desiatky variantov nápadu skôr, než sa pustia do detailnej práce.
• Bežní používatelia upravujú fotografie, odstraňujú z nich rušivé objekty alebo dopĺňajú chýbajúce okraje obrázka.

Praktický návod, ako si takto pripraviť obrázok k textu, nájdete v článku Titulný obrázok k článku pomocou AI.

Riziká a slabé miesta

Tá istá technológia, ktorá šetrí čas, prináša aj problémy, o ktorých by mal vedieť každý používateľ.

Falošné obrázky a dezinformácie

Generátory dokážu vytvoriť presvedčivé zábery udalostí, ktoré sa nikdy nestali, alebo zobraziť skutočných ľudí v situáciách, v ktorých nikdy neboli. Takéto deepfaky sa môžu zneužiť na podvody, ohováranie či šírenie poplašných správ. Pri šokujúcich obrázkoch na sociálnych sieťach preto platí zdravá skepsa: kto je pôvodným zdrojom a informujú o udalosti aj dôveryhodné médiá?

Autorské práva a tréningové dáta

Modely sa učia na obrovskom množstve obrázkov z internetu. Mnohí umelci a fotografi namietajú, že ich diela boli použité bez súhlasu a odmeny. O tom, čo je pri tréningu a používaní generátorov legálne, sa vedú spory a právna situácia sa v rôznych krajinách vyvíja.

Predsudky a chyby

Model odráža to, čo videl v dátach. Ak v nich prevládali určité stereotypy, napríklad pri povolaniach či vzhľade ľudí, môže ich opakovať. Generátory tiež majú alebo mali typické chyby: nesprávny počet prstov, nečitateľný text na nápisoch či fyzikálne nemožné detaily. Novšie modely sa v tomto výrazne zlepšili, no pri pozornom pohľade sa nedostatky stále objavujú.

Pravidlá a označovanie

Európska únia na tieto riziká reaguje aj legislatívne. Nariadenie o umelej inteligencii počíta s povinnosťou transparentnosti, teda s tým, aby bol umelo vytvorený alebo upravený obsah, najmä deepfaky, rozpoznateľný. Čo z toho vyplýva pre firmy, zhŕňame v článku AI Act v kocke.

Čo si z toho odniesť

Difúzne modely nie sú čarovná skrinka ani digitálny umelec s vlastnou predstavivosťou. Sú to systémy, ktoré sa naučili postupne meniť náhodný šum na obrázok podľa vzorov z obrovského množstva dát a podľa toho, čo im napíšete. Ak tomu princípu rozumiete, ľahšie pochopíte, prečo výsledky závisia od zadania, prečo sa líšia pri každom pokuse a prečo treba pri obrázkoch z internetu zostať ostražitý. Používané rozumne a s rešpektom k právam iných sú užitočným pomocníkom. Bez kritického myslenia sa však z nich ľahko stane nástroj klamu.

Časté otázky

Skladá generátor obrázok z kúskov existujúcich fotografií?

Nie v zmysle koláže. Model sa počas tréningu naučil všeobecné zákonitosti toho, ako obrázky vyzerajú, a nový obrázok vytvára postupným odšumovaním. Pri veľmi známych alebo často opakovaných motívoch však môže vytvoriť niečo, čo sa existujúcim dielam veľmi podobá.

Prečo majú AI obrázky niekedy zlé ruky alebo nečitateľný text?

Model nerozumie anatómii ani písmu tak ako človek, iba napodobňuje vzory z dát. Ruky a nápisy sú detailné a v obrázkoch veľmi rozmanité, preto sa v nich chyby objavovali najčastejšie. Novšie modely sa v tom výrazne zlepšili.

Dá sa obrazový generátor spustiť na vlastnom počítači?

Niektoré otvorené modely áno, ak máte dostatočne výkonnú grafickú kartu. Väčšina používateľov však siaha po webových službách, kde výpočet prebieha na serveroch poskytovateľa.

Ako spoznám, že obrázok vytvorila AI?

Spoľahlivo to často nejde. Pomôže všímať si nelogické detaily, overiť si pôvodný zdroj a skontrolovať, či o udalosti informujú dôveryhodné médiá. Niektoré služby obrázky označujú, no takéto označenie sa dá odstrániť.