W świecie sztucznej inteligencji, która tworzy piękną sztukę i przerażające deepfake

Nvidia





W ciągu ostatnich trzech tygodni przedstawiliśmy podstawy sztucznej inteligencji. Przypomnę:

  • Większość postępów i aplikacji AI opiera się na algorytmie znanym jako uczenie maszynowe, który znajduje i ponownie stosuje wzorce w danych.
  • Głębokie uczenie , potężny podzbiór uczenia maszynowego, wykorzystuje sieci neuronowe do znajdowania i wzmacniania nawet najmniejszych wzorców.
  • Sieci neuronowe to warstwy prostych węzłów obliczeniowych, które współpracują ze sobą w celu analizy danych, podobnie jak neurony w ludzkim mózgu.

Teraz przechodzimy do części zabawnej. Korzystanie z jednej sieci neuronowej jest naprawdę świetne do uczenia się wzorców; używanie dwóch jest naprawdę świetne do ich tworzenia. Witamy w magicznym, przerażającym świecie generatywnych sieci adwersarzy, czyli GAN.

GAN mają trochę kulturowego momentu. Są odpowiedzialni za pierwszy kawałek grafiki wygenerowanej przez sztuczną inteligencję sprzedany w Christie's , jak również kategorię fałszywych obrazów cyfrowych znanych jako deepfake .



Ich sekret tkwi w sposobie, w jaki dwie sieci neuronowe współpracują ze sobą – a raczej przeciwko sobie. Zaczynasz od zasilania obu sieci neuronowych dużą ilością danych uczących i przydzielania każdej z nich osobnego zadania. Pierwsza sieć, znana jako generator, musi wytwarzać sztuczne dane wyjściowe, takie jak pismo odręczne, filmy lub głosy, patrząc na przykłady treningowe i próbując je naśladować. Drugi, znany jako dyskryminator, określa następnie, czy wyniki są rzeczywiste, porównując je z tymi samymi przykładami uczącymi.

Powiązana historia

Powiązana historia Konfrontując sieci neuronowe ze sobą, Ian Goodfellow stworzył potężne narzędzie sztucznej inteligencji. Teraz on i reszta z nas musi ponieść konsekwencje.

Za każdym razem, gdy dyskryminator pomyślnie odrzuca wyjście generatora, generator wraca, aby spróbować ponownie. Zapożyczając metaforę od mojego kolegi Martina Gilesa, proces ten naśladuje przepychanki między fałszerzem a detektywem artystycznym, którzy wielokrotnie próbują się przechytrzyć. W końcu dyskryminator nie jest w stanie odróżnić przykładów wyjściowych od treningowych. Innymi słowy, mimikra jest nie do odróżnienia od rzeczywistości.

Możesz zobaczyć, dlaczego świat z GAN jest w równym stopniu piękny i brzydki. Z jednej strony możliwość syntezy multimediów i naśladowania innych wzorców danych może być przydatna w edycji zdjęć, animacji i Medycyna (takich jak poprawa jakości obrazów medycznych i przezwyciężenie niedoboru danych pacjentów). Przynosi nam również takie radosne kreacje:



I to:

Z drugiej strony, GAN mogą być również używane w etycznie niedopuszczalny i niebezpieczny sposób: nakładaj twarze celebrytów na ciała gwiazd porno , aby Barack Obama powiedział, co chcesz, lub sfałszować czyjś odcisk palca i inne dane biometryczne, ostatnio badacze umiejętności z NYU i Michigan State pokazał w papier .



Na szczęście sieci GAN wciąż mają ograniczenia, które stawiają niektóre barierki ochronne. Potrzebują dość dużej mocy obliczeniowej i danych o wąskim zakresie, aby stworzyć coś naprawdę wiarygodnego. Aby na przykład stworzyć realistyczny obraz żaby, taki system potrzebuje setek obrazów żab z określonego gatunku, najlepiej zwróconych w podobnym kierunku. Bez tych specyfikacji otrzymasz naprawdę zwariowane wyniki , jak ten stwór z twoich najciemniejszych koszmarów:

(Powinieneś mi podziękować, że nie pokazałem ci pająków.)



Ale eksperci martwią się, że widzieliśmy tylko wierzchołek góry lodowej. W miarę jak algorytmy stają się coraz bardziej wyrafinowane, kiepskie filmy i zwierzęta Picassa staną się przeszłością. Jak powiedział mi kiedyś Hany Farid, ekspert w dziedzinie kryminalistyki obrazów cyfrowych, jesteśmy słabo przygotowani do rozwiązania tego problemu.

Pierwotnie pojawiło się to w naszym biuletynie AI The Algorithm. Aby otrzymać go bezpośrednio do skrzynki odbiorczej, zapisz się tutaj za darmo.

ukryć