TL;DR: Generatiiviset AI-mallit, kuten DALL·E, muokkaavat digitaalista taidetta uudelleen - mahdollistaen instant-kuvan tuottamisen tekstistä. Vain muutama vuosi sitten digitaalisen taiteen luominen vaati monimutkaisten työkalujen hallintaa, kalliita laitteita ja viikkoja - ellei kuukausia - käytäntöä. Nykyään yksinkertaisella lauseella ja muutamalla sekunnilla keinotekoinen älykkyys voi keksiä maalauksen, joka kerran vei taiteilijan päiviä luomaan. From Brushstrokes to Pixels: The Traditional Digital Artist’s Journey Brushstrokesista pikseleihin: perinteisen digitaalisen taiteilijan matka Digitaaliseksi taiteilijaksi tuleminen vaatii paljon - paljon enemmän kuin silmänräpäys. Taiteilijana siirtyminen digitaaliseen luomiseen ei ole sujuvaa eikä halpaa.Se alkaa oikean laitteiston valinnasta, joka on monimutkainen päätös lukemattomien muuttujien vuoksi: käyttöjärjestelmät, laitteen mukavuus, näytön koko, kynän herkkyys, hinta ja paljon muuta. Sitten tulee alusta. Olitpa sitten tabletilla tai tietokoneella, käytettävissä olevien sovellusten määrä voi tuntua ylivoimaiselta. Photoshopista Procreateen, Clip Studioon Corel Painteriin, valinnat ovat valtavat - ja jokaisella on jyrkkä oppimiskäyrä, koska valikoima vaihtoehtoja ja kykyjä jokaisessa on valtava. Ohjelmiston hallinta on vain puolet taistelusta. On myös opittava kääntämään perinteiset taidot digitaaliseen maailmaan. Värien teoria, koostumus ja harjat ovat edelleen perustavaa laatua, mutta grafiitin tai vesivärin kosketuskokemus ei intuitiivisesti siirry Apple Pencilille tai kynälle. Jopa kokeneet taiteilijat kohtaavat oppimattomuuden ja uudelleenkoulutuksen ajan. Ja uusille tulokkaille matka on vielä jyrkempi. Digitaalinen maailma ei ohita tarvetta taiteellisiin perusteisiin - se yksinkertaisesti muokkaa tapaa, jolla heitä opetetaan. Muodon, valon, syvyyden ja tyylin ymmärtäminen on edelleen yhtä tärkeää, mikä tekee oppimisprosessista pidemmän ja kerroksellisemman niille, jotka alkavat tyhjästä. Olitpa kokenut maalari tai täydellinen aloittelija, siirtyminen digitaaliseen taiteeseen on kaikkea muuta kuin nopeaa. Ammattilaisille se tarkoittaa vuosien lihasmuistin mukauttamista uusiin työkaluihin ja työnkulkuihin. Uusille tulokkaille se edellyttää perustavanlaatuisten taiteellisten taitojen rakentamista alusta alkaen. Molemmissa tapauksissa polku on pitkä - täynnä kokeilua ja virhettä, loputtomia tunteja käytäntöä ja syvää kärsivällisyyttä ja omistautumista. Matka voi kestää kuukausia - vain tehdä jotain niin petollisesti yksinkertaista kuin omena, kissa tai tuoli. Then Came AI: A Paradigm Shift in Creative Process Sitten tuli AI: Paradigman muutos luovassa prosessissa Onneksi - tai ehkä väistämättä - tämä maisema on muuttunut. Kun keinotekoinen älykkyys nousee, aikaa vievä aloitus digitaaliseen taiteeseen ei ole enää välttämätöntä. Kirjoita lause, ja digitaalinen mestariteos toteutuu sekunneissa. Dalla ja Taidemaailmaa, kuten lähes kaikkia muita aloja, on ravistellut tekoälyn kyvyt. GPT-malleista, jotka vastaavat kysymyksiin ja korjaavat koodia, DALL·E: n tuottamiin kuviin, luova prosessi on muuttunut. Mutta miten se todella toimii? ja onko se niin maaginen kuin se näyttää? Learning Like a Human: The Foundation of AI Art Oppiminen kuin ihminen: AI: n taiteen perusta Ymmärtääksemme, miten AI voi tuottaa kuvia, meidän on ensin ymmärrettävä, miten se oppii. Kuvittele pienokainen - kutsumme häntä Oliveriksi - oppii tunnistamaan eläimiä. hänen äitinsä osoittaa mustalle kissalle ja sanoo: "Tämä on kissa." Huolimatta uudesta väristä Oliver tunnistaa yhteisiä piirteitä: neljä jalkaa, kuiskauksia, pistettyjä korvia, hännän ja meow. Eräänä päivänä Oliver näkee shih-tzu-koiran ja kutsuu sitä kissaksi.Se on hänen paras arvauksensa, joka perustuu tietoihin, joita hänellä on.Äiti korjaa hänet: ”Ei, se on koira.” Tämä on keinotekoisten hermoverkkojen oppimisen ydin. Neural Networks: Digital Brains Built on Data Neuroverkot: Digitaaliset aivot perustuvat tietoon Neuroverkko on tietokonemalli, joka on saanut inspiraationsa siitä, miten ihmisen aivot toimivat.Se on rakennettu tunnistamaan kuvioita ja oppimaan kokemuksesta analysoimalla suuria määriä tietoja, aivan kuten Baby Oliver. Neuroneja ihmisen aivoissa. Kuvitus luonut tekijä käyttäen DALL-E 3. Nämä verkot koostuvat kerroksista pieniä käsittelyyksiköitä (joita kutsutaan "solmut" tai "synapsit"), jotka ovat yhteydessä toisiinsa - samanlainen kuin miten neuronit yhdistävät aivoissa. Koulutuksen aikana verkko säätää näitä painoja ajan myötä sen mukaan, kuinka hyvin tai huonosti se suorittaa - aivan kuten Oliver oppii vähitellen kertomaan eron kissan ja koiran välillä korjaamalla virheensä. Koulutusprosessi edellyttää datasettia - rakenteellista tiedonkeruuta, jota käytetään mallin opettamiseen. Kielemallissa tämä tarkoittaa tyypillisesti miljoonia lauseita, joista kukin on rakennettu sanoista, jotka puolestaan on rakennettu aakkosen kirjaimista. Mitä suurempi ja monipuolisempi tietokokonaisuus on, sitä tarkempi malli tulee. Inside the Neural Network: How Data Flows and Decisions Form Neuroverkon sisällä: miten tietovirrat ja päätökset muodostuvat Kuvittele hermoverkko, kuten se on usein visualisoitu nykyaikaisissa kaavioissa: laaja kaavio, joka koostuu toisiinsa liittyvistä solmuista. Nämä solmut on järjestetty erillisiin kerroksiin - ulottuvat ylhäältä alas kuin kerroskerroksen kerrokset. Tämä kokonaisrakenne tunnetaan nimellä Topologia määrittelee, kuinka monta kerrosta verkko sisältää, kuinka monta solmua kussakin kerroksessa on ja miten tiedot virtaavat niiden välillä. topology Koulutus alkaa syöttämällä syöttötietoja - kuten kuvia tai lauseita - verkoston ensimmäiseen kerrokseen. Nämä tiedot siirtyvät sitten eteenpäin verkon läpi, kerros kerrallaan. Kussakin vaiheessa solmut soveltavat matemaattisia toimintoja tietoihin, kuten matriisin kertoimia, aktivointitoimintoja, kuten ReLU (Rectified Linear Unit), tai muita muutoksia. Kun tämä prosessi etenee, a Tämä kaavio tallentaa yksityiskohtaisesti jokaisen toiminnan ja tiedonkulun: mikä solmu suoritti mitä muutosta. Ajattele sitä yksityiskohtaisena reseptinä tai karttana mallin ajatteluprosessista. computation graph Tämä laskenta grafiikka on välttämätöntä - ei vain tehdä ennusteita, mutta myös oppia virheistä. Kun malli tuottaa virheellinen tulos (ennuste), grafiikka sallii järjestelmän jäljittää jokaisen vaiheen ja säätää kaikkia painoja. Ydinmekanismi, jonka kautta hermoverkot parantuvat ajan myötä. backpropagation - Backpropagation: Learning by Error Backpropagation: Oppiminen virheiden kautta Mutta palataanpa vielä Oliverin puoleen. Kun hän väärinkirjoittaa koiran kissaksi, hänen äitinsä korjaa hänet ja Oliver pystyy korjaamaan ymmärryksensä. Kun verkko tekee ennusteen, tulos verrataan todelliseen arvoon käyttämällä Menetyksen funktio mittaa, kuinka kaukana ennuste oli todellisesta tuloksesta. loss function Taaksepäin levittämisen prosessissa kaavion kerrokset ylitetään taaksepäin laskiakseen, kuinka paljon jokainen paino verkossa on vaikuttanut virheeseen. ja laskelmien mukaan, Jokainen gradientti kuvaa tappiota kunkin painon suhteen. Nämä lasketut gradientit antavat meille mahdollisuuden osoittaa tapa korjata virhe ilmoittamalla virheen vähentämiseksi tarvittavan muutoksen suunnan ja suuruuden. Ketjun sääntö gradients Tämä palauteputki - eteenpäin kulkeminen, virheiden laskenta, taaksepäin kulkeminen - toistetaan yhä uudelleen. Teaching Oliver to Draw: The Power of Generative Models Oliverin opettaminen piirtämään: Generatiivisten mallien voima Nyt kun olemme tutkineet, miten ennusteet tehdään ennustavien mallien avulla, voimme alkaa ymmärtää monimutkaisempia generatiivisten mallien toimintoja.Kuten niiden nimet viittaavat, ennustavat mallit on suunniteltu analysoimaan olemassa olevia tietoja ja tekemään tietoon perustuvia arvioita todennäköisistä tuloksista - aivan kuten nuori Oliver, joka eläinten tutkimisen jälkeen voi luottavaisesti ennustaa uuden tyypin, jonka hän kohtaa. Mutta kuvittele, että pyydät Oliveria ei tunnistamaan kissaa, vaan piirtämään sen. Oletamme, että hänellä ei ole kissaa edessään, eikä hän voi muistaa kaikkia tarkkoja yksityiskohtia kissoista, joita hän on nähnyt.Kuitenkin häneltä pyydetään nyt luomaan täysin uusi kuva kissasta muistin, mielikuvituksen ja oppineiden kuvioiden perusteella. Generatiiviset mallit, kuten DALL·E, ylittävät kuvioiden tunnistamisen. Heidät koulutetaan tuottamaan alkuperäistä sisältöä, joka muistuttaa sitä, mitä he ovat kohdanneet koulutuksen aikana. He vastaavat kysymykseen, Nämä mallit eivät vain ymmärrä tietoja - he luovat sen avulla, tuottaen täysin uusia kuvia, tekstiä, ääntä tai videota, jotka sopivat yhteen niiden rakenteiden ja tyylien kanssa, joita he ovat oppineet. ”Mikä tämä on?” Miltä tämä voisi näyttää, jos se olisi olemassa?” When Language Takes Shape Kun kieli ottaa muotoa Generatiivisia malleja, kuten DALL·E, koulutetaan valtavien tietokokonaisuuksien kuva-tekstin pariin, oppimalla yhdistämään visuaalisia elementtejä kieleen.Koulutuksen aikana malli näkee kuvan otsikon rinnalla ja oppii vähitellen, mitkä sanat vastaavat mitä muotoja, tekstuureja, värejä ja käsitteitä. Se rakentaa sisäisen merkityksen kartan, ymmärtää, että "punainen omena" merkitsee pyöreyttä, tiettyä sävyä, varren jne. Myöhemmin, kun annetaan uusi tekstiviesti, malli muuntaa sanat jäsennellyksi esitykseksi ja käyttää sitä oppaana kuvan luomiseksi - alkaen satunnaisesta melusta ja hienosäätämällä sitä askel askeleelta, kunnes ilmestyy johdonmukainen visuaalinen, joka vastaa tekstiä. Tämän prosessin avulla malli voi luoda täysin uusia kuvia, joita se ei ole koskaan ennen nähnyt, mutta pysyy silti uskollisena malleille, joita se on oppinut koulutuksen aikana. A Thousand Apples a Second: What AI Sees That Artists Can’t Tuhat omenaa sekunnissa: mitä AI näkee, että taiteilijat eivät voi Miten tämä pätee taiteeseen? Oletetaan, että haluat luoda digitaalisen maalauksen omenasta käyttämällä DALL·E. Kirjoitat vain pyynnön - ja sekunneissa saat kuvan. DALL-E 3 vastasi pyyntöön "luoda digitaalinen maalaus omenasta" seuraavalla kuvalla: Tämä omena on miljoonien kuvien tuote, jonka malli on nähnyt koulutuksen aikana. Sitä vastoin inhimillinen taiteilija aloittaisi etsimällä inspiraatiota - tutkimalla viitteitä selaamalla erikoistuneita alustoja, kuten Pinterest, piirtämällä karkeita muotoja, hienostamalla yksityiskohtia, kokeilemalla värejä ja soveltamalla tekstuuria. Tämä prosessi selata, kerätä viitteitä ja tarkkailla tarkasti esineitä - kuten omenoita - on olennainen osa minkä tahansa taiteilijan työnkulkua. Näin he rakentavat visuaalisen kirjaston mielessään: tutkimalla muotoa, tekstuuria, valaistusta, värivaihteluita ja tyylivalintoja. Monin tavoin tämä heijastaa sitä, miten AI-malli on koulutettu. Ennen kuin se voi tuottaa kuvia, malli on myös altistuttava tuhansille - usein miljoonille - esimerkkeille. , joka palvelee samaa tarkoitusta: opettaa mallille, miltä omena näyttää eri näkökulmista, eri tyyleissä ja eri valaistusolosuhteissa. dataset Mutta on olemassa joitakin keskeisiä eroja, kuten: . scale and speed Vaikka ihmisen taiteilija luottaa yksinomaan omaan muistiinsa, kokemukseensa ja kykyyn käsitellä inspiraatiota ajan myötä, AI-mallit koulutetaan käyttämällä valtavia laskentavaroja. Suuren mittakaavan mallit, kuten DALL·E, koulutetaan tehokkaissa datakeskuksissa, joissa on tuhansia toisiinsa kytkettyjä GPU:ia, TPU:ia tai yritykseni tapauksessa - koulutukseen erikoistuneita kiihdyttimiä (kuten Nämä koneet toimivat rinnakkain, käsittelevät ja analysoivat valtavia määriä kuvia uskomattomilla nopeuksilla.Korkea taivutusverkkoyhteydet koneiden välillä, korkean läpäisevyyden tallennusjärjestelmät ja erikoistuneet AI-laitteet mahdollistavat näiden mallien kouluttamisen valtavilla tietokokonaisuuksilla päivinä tai viikkoina - mikä voi kestää ihmisen vuosia imeytyä, jos koskaan. Gaudi 3 Päinvastoin taiteilijan aivot ovat ainoa ”laitteisto”, joka on käytettävissä. Ei nopeita klustereita tai petabitteja kuvan tietoja - vain intuitio, muisti ja käytäntö. Se on tämä inhimillinen rajoitus, jonka tekoäly ohittaa, jolloin se voi ”nähdä” enemmän esimerkkejä, enemmän variaatioita ja enemmän tyylejä kuin yksittäinen henkilö voisi koskaan elinaikana. Matching Human Style: Mimicking Mediums Yhteensopiva inhimillinen tyyli: Mimicking Mediums Nykypäivän digitaaliset taiteilijat eivät rajoitu yhteen visuaaliseen tyyliin. Procreaten kaltaisilla työkaluilla he voivat simuloida öljyä, vesiväriä, kynää ja musteita - täydellinen paperin tekstuurilla ja harjan dynamiikalla. Haluatko jäljitellä vesivärin pehmeää pehmeyttä karkeassa paperissa? Siihen on harja. Mieluummin öljyn tiheä rikkaus kankaalla? AI voi myös jäljitellä näitä tyylejä - jos sitä kehotetaan oikein. Esimerkiksi: Jokainen näistä kehotuksista ohjaa mallia jäljittelemään paitsi aihetta myös väliaineita, värien sävyjä ja taiteellista tekstuuria. The Artistic Process Taiteellinen prosessi Jotta voitaisiin luoda samat tehosteet ilman tekoälyä, taiteilijan on kerättävä viiteaineistoa, rakennettava luonnoksia kerroksittain, kokeiltava harjan asetuksia, sovellettava perusvärejä, lisättävä kohokohtia ja varjoja ja säädettävä tekstuureja manuaalisesti. Se on aikaa vievä, mutta emotionaalisesti rikas kokemus. AI: n avulla prosessi muuttuu välittömämmäksi - mutta myös erillisemmäksi. Seuraamme luovan matkan vaiheita, joihin ryhdyin, vaihe kerrallaan. The Ghost in the Gallery: Why AI Still Can’t Replace You Gallerian aave: Miksi AI ei vieläkään voi korvata sinua Tämä herättää kriittisen kysymyksen: miksi kukaan valitsee perinteisen digitaalisen median enää? onko vielä tilaa aitoon taiteelliseen ilmaisun ja luovuuden, tai tämä tavoite on tullut vanhentunut? ja jos ihmisen taiteilijoilla on vielä paikka, he voivat ylittää AI - ja missä yhteyksissä se voisi olla mahdollista? Tutkimme, mitä tapahtuu, kun yritämme luoda kehotuksen, jossa on tarkemmat ja vaativat ohjeet: Vastauksena pyyntöön "Generate an apple with two leaves in watercolour style", malli tuottaa seuraavan tuloksen: Tällöin verhot nostavat - ja halkeamat paljastuvat: kun esitetään hienostuneempi ja erityinen kehotus - "Luo omena kahdella lehdellä, jotka ovat samaan suuntaan vesiväreissä" - tulos vie kiehtovan ja odottamattoman käänteen. Tuntuuko sinusta samalta?Olen samaa mieltä. Mutta täyttääkö se vaatimuksen - selkeä ja suoraviivainen? Voiko se yksinkertaisesti ymmärtää?Oli syy minun - oli minun kiire liian epämääräinen? Epäselvyyksien poistamiseksi tarkennin pyyntöä entisestään: "Luo omenan kahdella lehdellä, joissa molemmat lehdet ovat kasvot vasemmalle puolelle vesivärisessä tyylissä" Kuten edellä todettiin, tulos poikkeaa vieläkin enemmän odotetusta tuloksesta. Itse asiassa tuntuu siltä, että mitä tarkemmin yritetään ohjata sitä, sitä epäselvämpi toivottu tulos tulee - usein seurauksena turhautuminen ja ajanhukkaa. Hämmästyttävää on, että pyyntö, joka on niin yksinkertainen, että lapsi voi ymmärtää sen, on osoittautunut mallille käsittämättömäksi. Kuvittele asiakas, joka tarjoaa yksinkertaisen ohjeen ihmisen taiteilijalle - vain kohtaamaan tyhjän väärinkäsityksen, ikään kuin lause oli puhuttu vieraalla kielellä. Final Thoughts: The Art We Make Together Lopulliset ajatukset: Taide, jonka teemme yhdessä Loppujen lopuksi tämä ei ole sotaa harjan ja koodin välillä, vaan vuoropuhelua.Kone tarjoaa nopeutta, tarkkuutta ja ääretöntä vaihtelua; taiteilija tuo tunteita, intuitiota ja sielua. Meillä on onni elää aikakaudella, jossa mielikuvitus ei enää rajoitu yksin käsiemme rajoihin. luomisen tulevaisuus ei ole kilpailussa, vaan harmoniassa - jossa ihmisen henki ja keinotekoinen älykkyys luovat rinnakkain, jokainen lainaamalla omanlaista taikaa. minusta minusta Olen Maria Piterberg - AI-asiantuntija, joka johtaa Habana Labsin (Intel) Runtime-ohjelmistoryhmää ja puoliksi ammattimainen taiteilija, joka työskentelee perinteisissä ja digitaalisissa välineissä. Olen erikoistunut laajamittaisiin AI-koulutusjärjestelmiin, mukaan lukien viestintäkirjastoihin (HCCL) ja runtime-optimointiin.

This story contains new, firsthand information uncovered by the writer.

Read My Stories

Tämä ääni on tuotettu tarinan alkuperäisellä kielellä!

Vaihdoin piirustustani prompt-laatikkoon - ja taide ei koskaan ole sama

About Author

KOMMENTIT

RIPUTA TAGSIA

TÄMÄ ARTIKKELI ESITETTIIN

Related Stories

How Apex Fusion Achieved FINMA Qualification Without Compromising Decentralization

10x Research: How a FIL Backed USD Stablecoin By Secured Finance Would Boost The Filecoin Ecosystem

Dotcom on edelleen uusien yritysten suosituin verkkotunnus, mutta käyttö laskee

The Spacecoin Writing Contest by Spacecoin and HackerNoon: Final Round Results 🎉

How Apex Fusion Achieved FINMA Qualification Without Compromising Decentralization

10x Research: How a FIL Backed USD Stablecoin By Secured Finance Would Boost The Filecoin Ecosystem

Dotcom on edelleen uusien yritysten suosituin verkkotunnus, mutta käyttö laskee

The Spacecoin Writing Contest by Spacecoin and HackerNoon: Final Round Results 🎉

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps