Generatywna sztuczna inteligencja

Generatywna sztuczna inteligencja to kategoria modeli sztucznej inteligencji zaprojektowanych do generowania nowych danych. Modele te są trenowane na dużych zbiorach danych, które uczą je rozpoznawać wzorce i strukturę w tekstach, obrazach, filmach i dźwiękach. Po wytrenowaniu ich algorytmy mogą generować nowe dane o podobnych właściwościach w odpowiedzi na dane wejściowe użytkownika. Różne modele mogą generować akapity tekstu brzmiącego naturalnie, tworzyć obrazy w różnych stylach artystycznych lub generować próbki dźwiękowe.

Duże modele językowe

Modele generujące tekst (nazywane także dużymi modelami językowymi) mogą generować bloki tekstu na podstawie polecenia użytkownika. Mimo że wynik może wyglądać tak, jakby napisał go człowiek, generowany tekst jest w rzeczywistości formą zaawansowanego przewidywania tekstu. Model generuje jedno słowo naraz, przewidując następne słowo w sekwencji na podstawie materiałów, na których został wytrenowany. Dysponując odpowiednio dużym zbiorem danych, generatywne modele językowe mogą tworzyć eseje, teksty piosenek, a nawet działający kod źródłowy w wielu językach programowania.

Różne duże modele językowe korzystają z różnych zbiorów danych treningowych. Największe modele wykorzystują szeroki wybór tekstów, w tym książki, artykuły prasowe, wpisy w mediach społecznościowych, artykuły naukowe i eseje. Przykładami generatywnych modeli tekstowych są ChatGPT, Google Bard i Bing Chat.

Modele dyfuzyjne

Generatywne modele obrazów tworzą obrazy za pomocą metody nazywanej modelowaniem dyfuzyjnym. Modele te są trenowane z użyciem uczenia maszynowego — analizują duże zbiory danych oznaczone przez ludzi opisami dotyczącymi treści i stylu artystycznego każdego obrazu. Podczas treningu model używa tych oznaczeń, aby powiązać określone wzorce i struktury w obrazie z odpowiednim tekstem.

Podczas treningu model dyfuzyjny najpierw rozkłada obraz na długi ciąg etapów, stopniowo dodając losowy szum. Po zredukowaniu oryginalnego obrazu do szumu model powoli odtwarza obraz na podstawie oznaczeń jego treści, generując szczegóły w miejsce losowego szumu. Powtarza ten proces niezliczoną liczbę razy, gdy jego sieć neuronowa dostosowuje zmienne, aż odtworzony obraz zacznie przypominać oryginał. Po wytrenowaniu model może tworzyć całkowicie nowe obrazy na podstawie polecenia użytkownika, korzystając ze słów kluczowych i oznaczeń, których się nauczył. Przykładami generatywnych modeli obrazów są DALL-E, Midjourney i Stable Diffusion.

Kwestie etyczne

Szybki rozwój technologii generatywnej sztucznej inteligencji wiąże się z pewnymi kwestiami etycznymi. Modele te wymagają ogromnych zbiorów danych treningowych — dziesiątek terabajtów tekstu w przypadku modelu językowego i setek milionów obrazów w przypadku modelu dyfuzyjnego. Te zbiory treningowe często zawierają materiały objęte prawem autorskim, a modele mogą tworzyć materiały pochodne na ich podstawie bez podawania autorstwa ani wynagradzania pierwotnego twórcy. Zbiory treningowe mogą również zawierać zdjęcia osób wykonane bez ich zgody. Ponadto kwestia tego, czy wynik generatywnej sztucznej inteligencji może być chroniony prawem autorskim (i kto jest właścicielem tych praw), pozostaje prawnie nierozstrzygnięta.

Modele generatywnej sztucznej inteligencji są tylko tak dobre, jak pozwala im na to ich zbiór danych treningowych, a problemy występujące w tych zbiorach mogą pojawić się w wynikach modelu. Jeśli zbiór danych treningowych modelu zawiera materiały z językiem lub obrazami prezentującymi uprzedzenia, model może je przejąć i uwzględnić w swoich wynikach. Chociaż twórcy modeli generatywnej sztucznej inteligencji często filtrują mowę nienawiści, subtelne uprzedzenia są znacznie trudniejsze do wykrycia i usunięcia. Ponadto model wytrenowany na danych zawierających nieprawdziwe informacje może przekazywać te informacje dalej, potencjalnie wprowadzając użytkowników w błąd.