OpenAIs fiktionsudspyende AI lærer at generere billeder

Ben Barry / OpenAI

I februar sidste år, det San Francisco-baserede forskningslaboratorium OpenAI annonceret at dets AI-system nu kunne skrive overbevisende passager på engelsk. Før begyndelsen af ​​en sætning eller et afsnit ind i GPT-2, som det hed, og det kunne fortsætte tanken lige så længe som et essay med næsten menneskelig sammenhæng.

Nu undersøger laboratoriet, hvad der ville ske, hvis den samme algoritme i stedet blev fodret med en del af et billede. Resultaterne , som fik en hæderlig omtale for bedste papir på denne uges internationale konference om maskinlæring, åbner en ny vej til billedgenerering, moden med muligheder og konsekvenser.

I sin kerne er GPT-2 en kraftfuld forudsigelsesmotor. Den lærte at forstå strukturen i det engelske sprog ved at se på milliarder af eksempler på ord, sætninger og afsnit, skrabet fra hjørnerne af internettet. Med den struktur kunne den så manipulere ord til nye sætninger ved statistisk at forudsige den rækkefølge, de skulle optræde i.

Så forskere ved OpenAI besluttede at bytte ordene ud med pixels og træne den samme algoritme på billeder i ImageNet, den mest populære billedbank til dyb læring. Fordi algoritmen blev designet til at arbejde med endimensionelle data (dvs. tekststrenge), udfoldede de billederne i en enkelt sekvens af pixels. De fandt ud af, at den nye model, kaldet iGPT, stadig var i stand til at forstå de todimensionelle strukturer i den visuelle verden. I betragtning af sekvensen af ​​pixels for den første halvdel af et billede, kunne den forudsige den anden halvdel på måder, som et menneske ville finde fornuftige.

Nedenfor kan du se et par eksempler. Kolonnen længst til venstre er input, kolonnen længst til højre er originalen, og de midterste kolonner er iGPT's forudsagte afslutninger. (Se flere eksempler her .)

ÅBEN

Resultaterne er overraskende imponerende og demonstrerer en ny vej til at bruge uovervåget læring, som træner på umærkede data, i udviklingen af ​​computersynssystemer. Mens tidlige computersynssystemer i midten af ​​2000'erne afprøvede sådanne teknikker før, faldt de i unåde, da overvåget læring, som bruger mærkede data, viste sig at være langt mere vellykket. Fordelen ved uovervåget læring er imidlertid, at det giver et AI-system mulighed for at lære om verden uden et menneskeligt filter, og det reducerer det manuelle arbejde med at mærke data betydeligt.

Det faktum, at iGPT bruger samme algoritme som GPT-2, viser også dens lovende tilpasningsevne. Dette er i overensstemmelse med OpenAIs ultimative ambition at opnå mere generaliserbar maskinintelligens.

Samtidig præsenterer metoden en bekymrende ny måde at skabe deepfake billeder på. Generative kontradiktoriske netværk , den mest almindelige kategori af algoritmer, der tidligere blev brugt til at skabe deepfakes, skal trænes på højt kurerede data. Hvis du f.eks. ønsker at få et GAN til at generere et ansigt, bør dets træningsdata kun omfatte ansigter. iGPT derimod lærer simpelthen nok om strukturen af ​​den visuelle verden på tværs af millioner og milliarder af eksempler til at spytte billeder ud, der kunne eksistere i den. Selvom træning af modellen stadig er beregningsmæssigt dyr, og den tilbyder en naturlig barriere for dens adgang, er det måske ikke tilfældet længe.

OpenAI imødekom ikke en interviewanmodning, men på et internt politisk teammøde, som MIT Technology Review deltog i sidste år, funderede dets politiske direktør, Jack Clark, over de fremtidige risici ved GPT-stil generation, herunder hvad der ville ske, hvis det blev anvendt på billeder. Video kommer, sagde han og projicerer, hvor han så feltets forskningsbane gå. Om sandsynligvis fem år vil du have betinget videogenerering over en horisont på fem til 10 sekunder.' Han fortsatte derefter med at beskrive, hvad han forestillede sig: du ville indlæse et billede af en politiker og en eksplosion ved siden af ​​dem, og det ville generere et sandsynligt output af, at den politiker blev dræbt.

Opdatering: Denne artikel er blevet opdateret for at fjerne navnet på politikeren i det hypotetiske scenario beskrevet til sidst.

skjule