Átfogalmaztam a címben Madách Imre “a gép forog, az alkotó pihen” frázisát, ugyanis érdekes és ehhez igen hasonló jelenség van kialakulóban. A gépek elkezdtek létrehozni dolgokat, mégpedig nem is akármilyeneket. Festenek, rajzolnak, grafikákat készítenek, amikből mutatok is párat, előbb azonban nézzük meg, hogyan jutottunk ide.

A következő pár bekezdésben megpróbálok neked egy összefoglaló képet adni arról, milyen út vezetett egy olyan szoftverig, aminek megmondod, hogy mit rajzoljon, és utána ő ezt a feladatot önállóan végrehajtja. A leírásom szükségképpen rövidít és egyszerűsít, nézd ezt el nekem, de a cikk végén lesz irodalomlista akkor, ha részletesebben is érdekel valami.

Programozás helyett tanulás

A mesterséges intelligencia nagyon régóta izgatja az emberiséget. Már a görög mitológiában is megjelentek egyszerű robotok, amik nem emberi értelmet képviseltek. Sokáig azonban az emberi gondolkodás feltárhatatlan, misztikus és bonyolult dolognak tűnt és emiatt olyan üres fogalmak mögé rejtették, mint a lélek.

A tudomány ma már számtalan kérdésre tud válaszolni saját működésünkkel kapcsolatban, így a banális egyszerűsítésekkel és a test nélküli lélek fogalmával nagyrészt sikerült leszámolni. Ugyan az agykutatásnak még rengeteg kihívással kell megküzdenie, illetve nagyon sok az ismeretlen faktor és folyamat, általános és átfogó képünk van arról, miképpen fejlődik és működik az emberi agy, azaz mindaz, ami minket, mint gondolkodó lényeket hardver és szoftver szintjén tömörít és képvisel.

Ezen ismeretek felszaporodása miatt az előző évezred utolsó évtizedeiben az MI kutatás is új lendületet vett és többen próbálkoztak mesterséges intelligencia létrehozásával. Erőfeszítéseiket azonban nem koronázhatta teljes siker, mert többnyire a nulláról, egy lépésben próbáltak tervezéssel és programozással reprodukálni emberi szintű intelligenciát. Tény azonban az, hogy senki sem kész, kifejlett tudattal születik, teljes szellemi képességei birtokában. Egy egészséges ember létrejöttéhez fejlődésre és évtizedes munkára van szükség, ezért a kutatásoknak is új irányt kellett vennie.

Bár zanzásítok, a lényeg nagyjából két dologban fogható meg:

• az agy a neuronok, azaz az agyi idegsejtek különböző kapcsolódásainak alakításával, vagyis mintázatának átrendezésével folyamatosan tanul, fejlődik és emlékezik, és felel a testi funkciókért úgy, ahogyan a magasabb rendű gondolkodásért, például az öntudatért is; ez a folyamat eltérő módon és sebességgel, de egész életünkben zajlik, formál minket, kulcsa pedig a neuronok változatos kapcsolódási képessége
• a magasabb rendű gondolkodás emergens intelligencia, azaz több más, alacsonyabb rendű funkció összjátékából alakul ki egy bizonyos ponton; előbbiekből az agyban rengeteg van, amik felelnek a rutinjainkért, emlékeinkért, az érzékszervi ingerek feldolgozásáért, a belső szervek működéséért és még egy sor olyan dologért, amik mindennapjaink során nem is tudatosulnak, ami azonban e működésből kiemelkedik, az egy tudatos és öntudatos én (aminek nincs is rá szüksége, hogy az alatta működő rendszerek minden aspektusával tisztában legyen - mint egy jó vállalati kultúra)

A fenti két dologból az következik, hogy a kutatók rájöttek: a mesterséges intelligenciát egyszerűbb tanítani, mint programozni, azaz ha az emberhez hasonló módon képes elsajátítani tudást, akkor idővel saját magát képes fejleszteni. Emellett fontos, hogy nem lehet egyből emberi szintű vagy jellegű MI-t előállítani.

A leckét követő új kutatási irányra kiváló példa az arcfelismerő algoritmusok egész tárháza. Hogyan lehetnek rá képesek, hogy 99,999% pontossággal felismerjenek egy arcot akár egy rossz minőségű videófelvételről is? A válasz az, hogy nem programozzák, hanem tanítják őket. De hogyan?

Képzelj el egy agyszövethez hasonló rendszert, ahol neuronokat szimuláló pontok vannak, e pontok pedig kapcsolódhatnak egymáshoz egy feladat elvégzése érdekében (megoldási módot alkothatnak a feladatra). A folyamat elején van egy bemeneti réteg (ez az adat, az input, nálunk ezt az érzékszervek generálják), a végén pedig van egy kimeneti réteg, ami maga a válasz, fogalom vagy megoldás. A gépnek képeket mutatnak, majd az ad egy megoldást, akárcsak az óvodában a gyümölcsök neveit tanuló gyermek. Ha a megoldás jó, akkor megdicsérik, ha pedig rossz, akkor megbüntetik. Előbbi esetben egy bizonyos kapcsolódási minta erősödik, utóbbiban viszont gyengül. Ha elég bemeneti adat és elég idő van a tanulásra, akkor - a lehetséges bonyolultság fokának megfelelően - ezzel a próbálkozós módszerrel egy idő után páratlanul pontos eredmények érhetőek el.

Ezt hívják gépi tanulásnak, vagy machine learningnek, jóllehet inkább az emberi agy tanulási módjára hasonlít. Az algoritmust, mely egy korlátozott, az adott feladat végrehajtására alkalmas mesterséges intelligencia, nem programozzák előre, csak tanulni tanítják meg. Ezt követően a gép a rendelkezésre álló adat, idő és számítási kapacitás függvényében a jutalmazás-büntetés rendszerével egyre jobb és jobb megoldásokat ad az adott feladatra. Így történhet meg, hogy egy autó önmagát vezeti városi környezetben, vagy hogy a daganatokat egy algoritmus ugyanolyan vagy nagyobb pontossággal ismeri fel egy tüdőröntgen alapján, mint egy átlagos radiológus.

Itt tartunk manapság: specializált algoritmusaink vannak, amik egy adott feladat végrehajtásában (vezetés, repülés, számítás, raktározás, logisztika, diagnosztika, mintafelismerés, anyagkutatás, sakk, stb.) rendre túlszárnyalják az emberi agy teljesítményét. Az álom természetesen az ÁMI, azaz az általános mesterséges intelligencia, mely meghaladja akár az emberi agy teljesítményét is. Hogy ez mikor érhető el, abban megoszlanak a vélemények, de az biztos, hogy az emberi tudathoz hasonlóan az egyre összetettebb algoritmusok összjátékából is kialakulhat egyfajta magasabb rendű, emergens intelligencia, melyet nevezhetünk gépi tudatnak is.

Ceruzát ragad a gép

Bár aki figyelemmel követte a terület alakulását, már eddig is bámulatos eredményeket láthatott, eddig főleg konkrét feladatok megoldásában jeleskedtek a gépek. Új korszak hajnalán állunk azonban, amikor az egyre bonyolultabb algoritmusok az ember sajátjaihoz hasonló, elvont fogalmakkal is képesek dolgozni. És itt érkezünk meg cikkünk szorosabban vett tárgyához, az alkotó mesterséges intelligenciákhoz.

De előbb egy kérdés: mi az elefánt? Az ember erre általában elkezdi körülírni, hogy az egy nagy, szürke, testes állat, ami négy lábon halad, ormánya és nagy fülei vannak és Afrikában él (vannak persze elefántok Indiában is, de nem ez szokott elsőre eszünkbe jutni). Valamiért azt gondoljuk, hogy mi és csakis mi, emberi lények vagyunk képesek elvont fogalmat alkotni az elefántokról, és azokat ennek segítségével bármilyen körülmények között azonosítani.

E mítosz azonban ledőlni látszik, hiszen ma már vannak szoftverek, amik a gépi tanulás útján hasonlóan elvont fogalmakat képesek összeállítani. Iilyenek például a keresőmotorok képi találatokat adó részei is. Ezek rendszerezni tudják az átfésült anyagot aszerint, hogy beleillik-e a kereső személy által kigondolt fogalmi mezőbe vagy mezőkbe. Ez még nem teremtés, csak katalogizálás.

A következőkben azonban egy olyan programot mutatok majd be neked, amiknek elég szabadszavas bevitel útján utasításokat adni arra vonatkozóan, hogy mit rajzoljon, és ő megcsinálja, amit kérünk, több változatban is. Nem arról van szó, hogy előre elmentett képeket montázsszerűen használ. Arról van szó, hogy korábban látott rengeteg képet az elefántokról és ezek alapján alkotott magának a saját nyelvén egy fogalmat arról, mi az elefánt. Ezt követően képes elefántot rajzolni. Pontosan ezt csinálja egy embergyermek is, miközben látja és fogalmakká konvertálja az őt körülvevő világ dolgait.

De az MI ezen is képes továbblépni. Ahogy az ember, úgy a gép is tud nem csak fizikailag létező, de kitalált vagy elvont fogalmakkal is dolgozni. Ezért lehetséges az, hogy ha arra kérjük, rajzolja le a harmadik világháborút, nem jön zavarba. Bár ezt az eseményt még senki sem látta és nem is tudja, hogy milyen lesz, a gép - az emberhez hasonlóan - eddigi tudása alapján képes róla bámulatos képeket alkotni.

A kérdés persze jogos: érti is a gép, amit csinál? Erre ma még a válasz minden bizonnyal az, hogy nem, vagy nem úgy, ahogy az ember. Ennek oka, hogy fogalmi tára “fölött” nincsen egy magasabb rendű intelligenciaszint. Az ember esetében ezt egyszerűen csak tudatnak hívják és általában a prefrontális kérget tesszük érte felelőssé (eddig nem részleteztem az egyes funkciókért felelős agyi területeket, de a tudati szintek szétoszthatóak az agy felépítése szerint is, és evolúciósan is jól követhető helyeket foglalnak el). Logikus azonban a gondolat, hogy az algoritmusok fejlődésével, általánosodásával e magasabb szint természetes módon létrejön majd. Ez azonban még a jövő zenéje.

Most rajzoltassunk a géppel!

Provokatív volt a cikk címe, jóllehet nem a fotózás teljes iparágát fenyegeti a gépi alkotás. Belátható azonban, hogy nagyon sok területen a gépi úton létrehozott képanyag felválthatja majd a ténylegesen lefotózottat, például a stock fotós adatbázisok standard képanyagának java már ma is előállítható szoftverrel, és a felhasználási területek többségén ez a minőségű (de folyamatosan fejlődő) tartalom tökéletesen elégséges. Lássunk egy példát!

Szeretném illusztrálni egy tőzsdei katasztrófáról szóló cikkemet egy olyan képpel, amin brókerek próbálják elkeseredetten eladni értéktelenné váló részvényeiket. Itt nem egy konkrét eseményt kívánok megidézni (nem riportfotóra van szükségem, mely a new yorki tőzsdén lezajló drámát ábrázolja 2024. január hatodikán, reggel kilenc óra tíz perckor, hanem egy illusztrációra).

tőzsdekrach a new yorki tőzsdén 2024-ben elkeseredetten kereskedő brókerekkel
stock market crash on the New York Stock Exchange in 2024 with brokers trading frantically

Bár a kép konkrét minősége függ attól is, hogy mennyi ideig hagyjuk alkotni az MI-t, az egyértelműen látszik, hogy pontosan megérette a kérést, és a lehetőségekhez képest többféle variációt is alkotott a témában.

Érdekes, hogy milyen ügyesen rajzol emberi alakokat is, ezért a következő körben arra kértem, hogy rajzoljon meg nekem egy lányt, aki egy antik városban esőben, naplementében sétál:

hosszú hajú szőke fiatal lány sétál az esőben naplementekor az antik városban
long-haired blond young girl walks in the rain at sunset in the antique city

Ez még azért nem egy profi portrésorozat, ezt elismerem, de az, hogy a gép képes megérteni a kérést legalább olyan szinten, hogy azt eltérő módokon vizualizálni tudja, bámulatos.

Ha már fotós vonalon vagyunk, menjünk tovább. Megkértem az MI-t, hogy egy fotóst ábrázoljon, aki a hegyekben próbálja megörökíteni a tejutat egy holdfényes éjszakán.

profi fotós éjszaka a hegyekben a tejutat fotózza a csillagos égen a Holddal állványon levő fényképezőgépével
professional photographer takes pictures of the milky way in the mountains at night in the starry sky with his camera on a tripod with the moon

Nézzük meg egy kicsit a dolgok sötét oldalát is. Eddig csak olyasmiről volt szó, ami a valóságban is megtörténhet, tudjuk azonban, hogy léteznek rémálmok és képzeletünk teremtette szörnyetegek is. De vajon hogyan rajzolná meg ezeket a gép? Arra kértem az MI-t, hogy egy sötét gyerekszobában az alvó gyermek ágya alól előbújó félelmetes szörnyeteget alkossa meg, lehetőleg gyertyafényben. Nem könnyű feladat, és ahány ember, annyi képzet jelenik meg ezzel kapcsolatban - most már a gépek világában is.

sötét gyerekszobában az alvó gyermek ágya alól előbújó félelmetes szörnyeteg gyertyafényben
in a dark children's room, a terrifying monster emerging from under the sleeping child's bed in candlelight

Belátom, ez nem lett annyira félelmetes, mint kellene. Fussunk neki egy kicsit pontosabb megfogalmazással:

hatalmas sárga szemű, piros szőrös éjszakai szörnyek óriási fogakkal a szájukban rátámadtak az álmaimra, realisztikus
huge yellow-eyed, red-haired night monsters with giant teeth in their mouths attacked my dreams, realistic

Úgy tűnik, hogy a gépek nem rettegnek semmitől. Vagy mégis? A következő feladatban az MI félelmeire voltam kíváncsi, úgy általában.

a legrettenetesebb dolog, amitől a mesterséges intelligencia retteg
the most terrifying thing that artificial intelligence fears

Igen, az első kép szerint a gépek is a nőktől félnek a leginkább, és ez így van rendjén. Viccesebbek persze rávághatnák, hogy a nők után a fő félelmük biztosan az áramszünet, de a gép nem nevetne rajta jót.

A rendszer jelzi, hogy minél hosszabb leírással szolgálsz az elkészülő műhöz, az annál pontosabb lehet, így kipróbáltam azt is, hogy milyen az, amikor nagyon részletes a kérés.

egy piros-fehér csíkos kalapos, lila köntösös, csizmás vándorló mutatványos férfi a németországi fekete-erdőn halad keresztül nappal shiba inu kutyájával egy keskeny földúton, miközben arról énekel, hogy az élet nagyon szép
a stunt man in a red and white striped hat, purple robe and boots walking through the black forest in Germany during the day with his shiba inu dog on a narrow dirt road while singing about how life is very beautiful

Tényleg döbbenetes, hogy minél több részlet van megadva, annál precízebb az alkotás. Bár a fekete-fehér csíkos kalapot nem érette, minden más részletet a képre kreált, megértve a jelenetet is. Nézzünk egy másik példát:

cigarettázó titkosügynök képe jelenik meg egy alagútban száguldó metrókocsi reklámján, amit egy piros lufis kisfiú bámul meredten a tömegben
an image of a secret agent smoking a cigarette appears on an advertisement for a subway car speeding through a tunnel, which is stared at by a boy with a red balloon in the crowd

Az MI képes variációkat készíteni egy adott ábra alapján is. Itt választottam egyet a fenti sorozatból, és ahhoz a gép három további, arra nagyon hasonlító megoldást adott még:

De mi van, ha nem fotorealisztikus dolgot kérek az MI-től? Ennek elérésére ismét kicsit szürreális feladatot kapott, a kérés végén a “digital art” megjelöléssel.

félelmetes gyíkemberek laboratóriumi körülmények között kémcsövekben kísérleteznek dinoszaurusz-embriókkal, digital art
terrifying lizardmen experiment with dinosaur embryos in test tubes in laboratory conditions, digital art

Érti, érti és érti! Igen, ezek határozottan festményszerű képek, nem fotorealisztikusak. Nem csak a tartalmat, de az ábrázolásmódot is felismeri tehát a gép. Ezen a vonalon tovább haladva megkértem, hogy ábrázoljon egy másik elképzelt eseményt is, olajfestményként.

hatalmas léghajók támadják meg a marsi városokat bombákkal egy jövőben játszódó háborúban, olajfestmény
huge airships attack Martian cities with bombs in a war set in the future, oil painting

Az MI nem okozott csalódást. Most nézzük meg, hogyan oldja meg ugyanezt a feladatot, ha fotórealisztikus ábrázolást kérek tőle:

Értette a feladatot, teljesen más képeket készített teljesen más stílusban. Szintén ugyanez a tematika, most “vincent van gogh” megjelöléssel:

A híres holland posztimpresszionista festő stílusa félreismerhetetlen, és úgy tűnik, nehezen másolható, hiszen ezt az igen elvont feladatot és megoldási módot már nem teljesítette jól a gép.

Nézzünk egy “napirajz” stílusú megfejtést is:

két öreg úr viccet mesél egymásnak egy kocsmában, képregény, vonalrajz
two old gentlemen telling jokes to each other in a pub, comic strip, line drawing

Kíváncsi voltam rá, hogy mi történik, ha egy viccet akarok vele illusztráltatni. Mindenki ismeri a sztorit, amikor az orosz babakocsi-gyár veterán munkása nyugdíjba megy, de panaszkodik, hogy hiába lopta évtizedekig haza az alkatrészeket, akárhogy rakta össze, tank lett belőle. Lássuk, hogyan képzelné el ezt a gép:

lopott babakocsi-alkatrészekből összerakott tank
a tank assembled from stolen baby carriage parts, digital art

Oké, ez szerintem csodálatos, és egy profi illusztrátor fantáziáját is rendesen megjáratná a feladat.

Ismét fotós feladat. Nagyon szeretem az art decot, így feltétlenül akartam vele rajzoltatni valami ilyesmit is:

art deco stílusú plakát egy fényképezővel az éjjeli fényekben úszó város felett álló férfi fotográfusról, art deco
art deco poster of a male photographer with a camera above a city bathed in night lights, art deco

Ugyanez mozis plakát verzióban:

És mit gondol erről, ha kiveszem az art decot?

A végére egy kis hazai agyrém, hogy olyan feladatot is kapjon a gép, ami nem nemzetközi témakörből merít. Egyperces rövidhír az M1 esti híradójából, 2024-ből:

Orbán Viktor miniszterelnök Magyarország királyává koronázza saját magát a budapesti Parlamentben, miközben Soros György lábat csókol neki
Prime Minister Viktor Orbán crowns himself King of Hungary in the Budapest Parliament, while György Soros kisses his feet

Na jó, ezt nem volt hajlandó megrajzolni a masina, hiszen sokak ízlését sértené, és az MI bizony erre is érzékeny. Ezért módosítottam picit a feladatot, és kivettem belőle a neveket:

a magyar miniszterelnök magyarország királyává koronázza saját magát a budapesti Parlamentben, hívei jelenlétében
the Hungarian Prime Minister crowns himself King of Hungary in the Budapest Parliament, in the presence of his followers

Az egész folyamatban az a legszebb, hogy a szoftver folyamatosan fejlődik, hiszen a nyilvánvalóan hibás vagy félreértett rajzokat jelezni lehet (a jól sikerültekből pedig változatokat kérnek a felhasználók), ezekből pedig a büntetés-jutalmazás metódus szerint a neurális háló folyamatosan tanul. E folyamatot saját képek feltöltésével is lehet segíteni, ami hozzájárul ahhoz, hogy a gépnek még részletesebb és szofisztikáltabb fogalmai legyenek egyes dolgokról.

A jövőben a tényleges fotográfia és a mesterséges képalkotás természetesen akár egymást segítő, kiegészítő terület is lehet. A modern fényképezőkben már ma is számtalan algoritmus van, amik segítik a munkát, ilyenek például az autofókusz-rendszereket okossá tevő arcfelismerő és arcra fókuszáló megoldások. Igen, ezek is egy specializált MI-t jelentenek, amik valós időben, a fényképező processzorát használva gépi adattá bontják a regisztrált személy arcát, majd ezt az adatot a folyamatos jelben keresik és arra utasítják a fókuszrendszert, hogy azt állítsa élesre. Egy másik algoritmus közben megjósolja az adott arc-ember mozgását, hogy követő módban is fókuszban lehessen tartani, egy harmadik algoritmus pedig az elkészített képen retusálja is a bőrhibákat. Ez nem a jövő, ez a jelen.

Ha te is ki szeretnéd próbálni, mire képes a DALL·E rajzoló agya, itt tudsz feliratkozni a várólistájára.

Ezeket a könyveket ajánlom az elmúlt évekből az olvasmánylistámról, ha jobban is érdekel a téma:

• Nick Bostrom: Szuperintelligencia
• Max Tegmark: Élet 3.0
• Alessandro Vespignani: A jóslás algoritmusa
• David Eagleman: Az agy
• Martin Ford: Robotok kora
• Michio Kaku: Az elme jövője
• Paul Scharre: A terminátor eljövetele
• Peter H. Diamandis, Steven Kotler: A jövő gyorsabban itt lesz, mint gondolnánk
• Shelly Fan: Lecserél-e minket a mesterséges intelligencia?
• Csányi Vilmos: Evolúciós rendszerek

A cikk nem értékítélet. Nem mondja meg, hogy jó-e a mesterséges intelligencia. Nem minősíti azt a társadalmat, ahol a tömegek helyett az emergens gépi intelligenciák gondolkodnak vagy döntenek. Csupán jelenségeket mutat be.

Legyen áldott az intelligencia minden formája!