AI pasaulyje, kuris kuria gražų meną ir bauginančias gilias klastotes

Nvidia





Per pastarąsias tris savaites išdėstėme AI pagrindus. Apibendrinant:

  • Dauguma dirbtinio intelekto pažangų ir taikomųjų programų yra pagrįsti tam tikru algoritmu, žinomu kaip mašininis mokymasis, kuris randa ir iš naujo pritaiko duomenų šablonus.
  • Gilus mokymasis , galingas mašininio mokymosi pogrupis, naudoja neuroninius tinklus, kad surastų ir sustiprintų net mažiausius modelius.
  • Neuroniniai tinklai yra paprastų skaičiavimo mazgų sluoksniai, kurie kartu analizuoja duomenis, panašiai kaip žmogaus smegenų neuronai.

Dabar pereiname prie linksmosios dalies. Vieno neuroninio tinklo naudojimas yra tikrai puikus būdas mokytis; naudojant du yra tikrai puiku kuriant juos. Sveiki atvykę į magišką, bauginantį generatyvių priešiškų tinklų arba GAN pasaulį.

GAN išgyvena šiokį tokį kultūrinį momentą. Jie yra atsakingi už pirmasis AI sukurtas meno kūrinys, parduotas Christie's , taip pat suklastotų skaitmeninių vaizdų kategorija, vadinama giliais klastotėmis.



Jų paslaptis slypi tame, kaip du neuroniniai tinklai veikia kartu, tiksliau, vienas prieš kitą. Pradedate tiekdami abiem neuroniniams tinklams daug mokymo duomenų ir kiekvienam suteikite atskirą užduotį. Pirmasis tinklas, žinomas kaip generatorius, turi sukurti dirbtinius rezultatus, pvz., rašyseną, vaizdo įrašus ar balsus, žiūrėdamas į mokymo pavyzdžius ir bandydamas juos imituoti. Antrasis, žinomas kaip diskriminatorius, tada nustato, ar rezultatai yra tikri, palygindami kiekvieną su tais pačiais mokymo pavyzdžiais.

Susijusi istorija

Susijusi istorija Supriešindamas neuroninius tinklus, Ianas Goodfellowas sukūrė galingą AI įrankį. Dabar jis ir mes visi turime susidurti su pasekmėmis.

Kiekvieną kartą, kai diskriminatorius sėkmingai atmeta generatoriaus išvestį, generatorius grįžta ir bando dar kartą. Pasiskolinant metaforą iš kolegos Martino Gileso, šis procesas imituoja pirmyn ir atgal tarp paveikslų klastotojo ir meno detektyvo, kuris nuolat bando pergudrauti vienas kitą. Galiausiai diskriminatorius negali pasakyti skirtumo tarp išvesties ir mokymo pavyzdžių. Kitaip tariant, mimika nesiskiria nuo tikrovės.

Galite suprasti, kodėl pasaulis su GAN yra vienodai gražus ir bjaurus. Viena vertus, galimybė sintetinti laikmenas ir imituoti kitus duomenų šablonus gali būti naudinga redaguojant nuotraukas, animuojant ir vaistas (pavyzdžiui, siekiant pagerinti medicininių vaizdų kokybę ir įveikti pacientų duomenų trūkumą). Tai taip pat atneša mums džiaugsmingų kūrinių, tokių kaip:



Ir šis:

Kita vertus, GAN taip pat gali būti naudojami etiškai nepriimtinais ir pavojingais būdais: kad uždengti įžymybių veidus ant pornografinių žvaigždžių kūnų Neseniai Niujorko universiteto ir Mičigano valstijos mokslininkai sugebėjo priversti Baracką Obamą pasakyti, ką tik norite, arba suklastoti kieno nors pirštų atspaudus ir kitus biometrinius duomenis. parodė a popierius .



Laimei, GAN vis dar turi apribojimų, dėl kurių įrengiami kai kurie apsauginiai turėklai. Jiems reikia gana daug skaičiavimo galios ir siauros apimties duomenų, kad būtų sukurta kažkas tikrai įtikimo. Pavyzdžiui, norint sukurti tikrovišką varlės atvaizdą, tokiai sistemai reikia šimtų tam tikros rūšies varlių vaizdų, pageidautina, nukreiptų panašia kryptimi. Be šių specifikacijų jūs tikrai gausite nemalonūs rezultatai , kaip ši būtybė iš tavo tamsiausių košmarų:

(Turėtumėte man padėkoti, kad neparodžiau jums vorų.)



Tačiau ekspertai nerimauja, kad matėme tik ledkalnio viršūnę. Algoritmams vis tobulėjant, trikdžiai vaizdo įrašai ir Pikaso gyvūnai taps praeitimi. Kaip man kartą pasakė skaitmeninių vaizdų kriminalistikos ekspertas Hany Faridas, esame prastai pasirengę išspręsti šią problemą.

Tai iš pradžių pasirodė mūsų AI informaciniame biuletenyje „Algoritmas“. Jei norite, kad jis būtų pristatytas tiesiai į jūsų pašto dėžutę, užsiprenumeruokite čia nemokamai.

paslėpti