Я торгував моїм скетчпадом за посібник - і мистецтво ніколи не буде однаковим

TL;DR: генеративні моделі AI, такі як DALL·E, перетворюють цифрове мистецтво - дозволяючи миттєве створення зображень з тексту. Лише кілька років тому створення цифрового мистецтва вимагало володіння складними інструментами, дорогим обладнанням і тижнями, якщо не місяцями, практики.Сьогодні, за допомогою простого речення і декількох секунд, штучний інтелект може придумати картину, яка колись займала дні художника для створення. From Brushstrokes to Pixels: The Traditional Digital Artist’s Journey Від кисті до пікселів: подорож традиційного цифрового художника Стати цифровим художником вимагає досить багато - набагато більше, ніж зустрічає око. Як художник, перехід до цифрового створення не є ні безшумним, ні дешевим.Він починається з вибору правильного апаратного забезпечення, рішення ускладнене безліччю змінних: операційні системи, комфорт пристрою, розмір екрану, чутливість ручки, ціна та багато іншого. Незважаючи на те, що ви перебуваєте на планшеті або комп'ютері, кількість доступних додатків може здатися переважною.Від Photoshop до Procreate, Clip Studio до Corel Painter, вибір величезний - і кожен з них поставляється з крутою кривою навчання, оскільки різноманітність варіантів і можливостей в кожному з них величезна. Освоєння програмного забезпечення - це лише половина битви. Треба також навчитися переводити традиційні навички в цифровий світ. Теорія кольору, композиція та кисті залишаються фундаментальними, але тактильний досвід графіту або водяного кольору не інтуїтивно переноситься на Apple Pencil або ручку. Навіть досвідчені художники стикаються з періодом ненавчання та перепідготовки. Цифровий світ не обходить необхідність в художніх фундаментах - він просто переформатує спосіб, яким вони навчаються. Розуміння форми, світла, глибини та стилю залишається не менш важливим, роблячи процес навчання довшим і більш шарованим для тих, хто починає з нуля. Незалежно від того, чи ви досвідчений живописець або повноцінний початківець, перехід до цифрового мистецтва є чим-небудь, крім швидкого. Для професіоналів це означає адаптацію років пам'яті м'язів до нових інструментів та робочих процесів. Для новачків це включає в себе побудову фундаментальних мистецьких навичок з нуля. У обох випадках шлях довгий - наповнений випробуванням і помилкою, нескінченними годинами практики, і глибоким колодязом терпіння і відданості. Подорож може зайняти місяці - просто зробити щось настільки обманливо просте, як яблуко, кіт або стілець. Then Came AI: A Paradigm Shift in Creative Process Тоді прийшов AI: зміна парадигми в творчому процесі На щастя - або, можливо, неминуче - цей ландшафт змінився. З появою штучного інтелекту, довготривале введення в цифрове мистецтво більше не є необхідністю. Введіть речення, і цифровий шедевр реалізується за секунди. Далл І Світ мистецтва, як і майже будь-яка інша галузь, був потрясений можливостями штучного інтелекту.Від моделей GPT, які відповідають на питання і фіксують код, до DALL·E, які генерують ілюстрації, творчий процес був трансформований. Але як це насправді працює? і чи це так магічно, як здається? Learning Like a Human: The Foundation of AI Art Навчання як людина: основа мистецтва AI To understand how AI can generate images, we must first understand how it learns. The concept is surprisingly human. Уявіть, що дитина – давайте назвемо його Олівер – вчиться ідентифікувати тварин. Його мати вказує на чорну кішку і каже: «Це кішка». Незважаючи на новий колір, Олівер розпізнає спільні риси: чотири ноги, віскерів, вказані вуха, хвіст і меу. Але помилки трапляються.Олівер одного разу бачить собаку ших-цзу і називає її кішкою.Це його найкраща здогадка, заснована на інформації, яку він має.Його мати виправляє його: «Ні, це собака». Це суть того, як штучні нейронні мережі навчаються. Neural Networks: Digital Brains Built on Data Нейронні мережі: цифровий мозок, побудований на даних Нейронна мережа - це тип комп'ютерної моделі, надихнутої на те, як працює людський мозок.Вона побудована для розпізнавання шаблонів і вивчення з досвіду шляхом аналізу великих обсягів даних, як і малюк Олівер. Нейрони в людському мозку. ілюстрація створена автором за допомогою DALL-E 3. Ці мережі складаються з шарів дрібних обробних одиниць (названих "вузлами" або "синапсами"), які з'єднані один з одним - подібно до того, як зв'язуються нейрони в мозку. Під час тренування мережа регулює ці ваги з плином часу залежно від того, наскільки добре або погано вона виконує - так само, як Олівер поступово вчиться розрізняти кішку і собаку, виправляючи свої помилки. Для мовної моделі це, як правило, означає мільйони речень, кожна з яких побудована з слів, які, у свою чергу, побудовані з букв алфавіту. Чим більше і різноманітніше набір даних, тим точніше модель стає. Inside the Neural Network: How Data Flows and Decisions Form Внутрішня нейронна мережа: як формуються потоки даних і рішення Уявімо собі нейронну мережу, як це часто візуалізується в сучасних діаграмах: величезний граф, що складається з взаємопов'язаних вузлів. Ці вузли організовані в різні шари - розтягуються зверху вниз, як шари шарованої схеми. Ця загальна структура відома як Топологія визначає, скільки шарів містить мережа, скільки вузлів існує в кожному шарі, і як дані протікають між ними. topology Навчання починається з подачі вхідних даних - таких як зображення або речення - в перший шар мережі. Ці дані потім рухаються вперед через мережу, шар за шаром. На кожному етапі вузли застосовують математичні операції до даних, такі як множення матриці, функції активації, такі як ReLU (Rectified Linear Unit), або інші трансформації. Поки цей процес триває, а Цей графік ретельно записує кожну операцію і потік даних: який вузол виконував яку трансформацію. computation graph Цей обчислювальний графік необхідний - не тільки для прогнозування, але і для навчання від помилок.Коли модель дає неправильний результат (прогнозування), графік дозволяє системі відстежувати кожен крок і регулювати всі ваги. основний механізм, за допомогою якого нейронні мережі покращуються з плином часу. backpropagation - Backpropagation: Learning by Error Реферат на тему: Навчання через помилки Але повернемося до Олівера. Коли він неправильно позначає собаку як кішку, його мати виправляє його, і Олівер здатний відрегулювати його розуміння. Після того, як мережа зробить прогноз, результат порівнюється з реальним значенням, використовуючи Функція втрат вимірює, наскільки далека від істини була прогноза від фактичного результату. loss function У процесі зворотного розповсюдження шари графу перетинаються назад, щоб розрахувати, скільки кожна вага в мережі сприяла помилці. З розрахунків Кожен градієнт описує втрату по відношенню до кожної ваги. Ці розрахункові градієнти дозволяють нам вказати шлях виправлення помилки, розповідаючи про напрямок і величину зміни, необхідних для зменшення помилки. Правило ланцюга gradients Цей ланцюг зворотного зв'язку - перехід вперед, розрахунок помилок, перехід назад - повторюється знову і знову. Teaching Oliver to Draw: The Power of Generative Models Навчання Оліверу малювати: сила генеративних моделей Тепер, коли ми вивчили, як робляться прогнози за допомогою прогнозних моделей, ми можемо почати розуміти більш складну роботу генеративних моделей. Як показують їхні назви, прогнозні моделі призначені для аналізу існуючих даних і отримання обґрунтованих оцінок про ймовірні результати - як молодий Олівер, який після вивчення тварин може впевнено передбачити тип нового, з яким він стикається. Але уявіть, що ви просите Олівера не ідентифікувати кішку, а намалювати її. Ми припускаємо, що він не має перед собою кішки, і він не може згадати кожної точної деталі кішок, які він бачив. проте, тепер його просять створити зовсім новий образ кішки, заснований на пам'яті, уяві та вивчених закономірностях. Генеративні моделі, такі як DALL·E, виходять за рамки розпізнавання зразків. Вони навчаються виробляти оригінальний контент, що нагадує те, з чим вони зіткнулися під час тренування. Вони відповідають на запитання, Ці моделі не просто розуміють дані - вони створюють з ними, генеруючи зовсім нові зображення, текст, аудіо або відео, які узгоджуються з структурами та стилями, які вони вивчили. «Що це таке?» Як би це виглядало, якби воно існувало?» When Language Takes Shape Коли мова приймає форму Генеративні моделі, такі як DALL·E, навчаються на великих наборах даних з парами зображення-тексту, навчаючись асоціювати візуальні елементи з мовою.Під час навчання модель бачить зображення поряд з його субтитром і поступово дізнається, які слова відповідають яким формам, текстурам, кольорам і концепціям. Він створює внутрішню карту значення, розуміючи, що «червоне яблуко» означає округлість, певний відтінок, стовп і т. Д. Пізніше, коли дається новий текст, модель перетворює слова в структуроване представлення і використовує це як керівництво для створення зображення - починаючи від випадкового шуму і уточнюючи його крок за кроком, поки не з'явиться узгоджена візуалізація, яка відповідає тексту. Цей процес дозволяє моделі створювати абсолютно нові зображення, які він ніколи не бачив раніше, залишаючись вірним шаблонам, які він навчився під час навчання. A Thousand Apples a Second: What AI Sees That Artists Can’t Тисяча яблук в секунду: що AI бачить, що художники не можуть Як це стосується мистецтва? Припустимо, що ви хочете створити цифрову картину яблука за допомогою DALL·E. Ви просто введіть запит - і протягом декількох секунд ви отримаєте зображення. На запит «генерувати цифрову картину яблука» DALL-E 3 відповів наступним зображенням: Це яблуко є продуктом мільйонів зображень, які модель побачила під час тренування. Навпаки, художник починав би шукати натхнення - вивчаючи посилання, переглядаючи спеціалізовані платформи, такі як Pinterest, креслюючи грубі форми, вдосконалюючи деталі, експериментуючи з кольорами і застосовуючи текстуру. Цей процес перегляду, збору посилань і уважного спостереження за об'єктами - наприклад, яблуками - є важливою частиною робочого процесу будь-якого художника. Це те, як вони будують візуальну бібліотеку у своєму розумінні: вивчаючи форму, текстуру, освітлення, варіації кольорів та стилістичні вибори. У багатьох аспектах це відображає те, як тренується модель AI. Перш ніж вона може генерувати зображення, модель також повинна бути піддана тисячам - часто мільйонам - прикладів. , serve the same purpose: to teach the model what an apple looks like from various angles, in different styles, and under varying lighting conditions. dataset Але є деякі важливі відмінності, такі як: . scale and speed Хоча художник-людина спирається виключно на власну пам'ять, досвід і здатність обробляти натхнення з плином часу, моделі AI тренуються з використанням великих обчислювальних ресурсів. Ці машини працюють паралельно, обробляючи і аналізуючи величезні обсяги зображень з неймовірною швидкістю.Високий нахил з мережевими зв'язками між машинами, високопропускними системами зберігання та спеціалізованим обладнанням штучного інтелекту дозволяють цим моделям тренуватися на величезних наборах даних протягом декількох днів або тижнів - що може зайняти людські роки для поглинання, якщо ніколи. Гауді 3 На відміну від цього, мозок художника є єдиним доступним «апаратним обладнанням».Ні високошвидкісні скупчення або петабайти даних зображень - тільки інтуїція, пам'ять і практика.Це це людське обмеження, яке AI обходить, дозволяючи йому «бачити» більше прикладів, більше варіацій і більше стилів, ніж одна людина могла б упродовж життя. Matching Human Style: Mimicking Mediums Співвідношення людського стилю: Мімікація медіа Сьогодні цифрові художники не обмежуються одним візуальним стилем.За допомогою інструментів, таких як Procreate, вони можуть імітувати масло, водяний колір, олівець та мастило - повний з текстурами паперу та динамікою кисті. Хочете наслідувати похмуру м'якість водяного кольору на грубому папері? Для цього є кисті. AI також може імітувати ці стилі - якщо запропонувати правильно. Наприклад: Кожна з цих порад вказує моделі наслідувати не тільки суб'єкт, але і середовище, колірний тонус і художню текстуру. The Artistic Process Художній процес Щоб створити ті ж ефекти без штучного інтелекту, художник повинен збирати референтний матеріал, будувати ескізи шар за шаром, експериментувати з налаштуваннями кисті, застосовувати базові кольори, додавати акценти і тіні, а також ручно регулювати текстури. Це довготривалий, але багатий на емоції досвід. З AI процес стає більш негайним - але також більш відокремленим. Давайте простежимо кроки творчої подорожі, на яку я пішов, один етап за одним. The Ghost in the Gallery: Why AI Still Can’t Replace You Привид в галереї: чому AI все ще не може замінити вас Це викликає критичне питання: чому хтось більше не вибирає традиційні цифрові медіа? чи є ще місце для автентичного художнього вираження і творчості, або це прагнення стало застарілим? І якщо людські художники все ще мають місце, вони можуть перевершити AI - і в яких контекстах це може бути можливо? Розглянемо, що відбувається, коли ми намагаємося генерувати прохання з більш точними та вимогливими інструкціями: У відповідь на запит «Створюйте яблуко з двома листами у водяному стилі», модель дає наступний результат: Саме тут піднімається завіса - і виявляються тріщини: коли подається більш вишуканий і специфічний промпт - "Створюйте яблуко з двома листами, що схиляються в одному напрямку у водяному стилі" - результат приймає інтригуючий і непередбачений поворот. Чи виглядає це так само для вас?Я згодний. Але чи відповідає вона вимогам - ясним і прямим, при цьому? Чи могла вона просто не зрозуміти?Чи була моя провина - чи була моя прохання занадто неясною? Щоб усунути будь-які неоднозначності, я уточнив запит далі: «Створюйте яблуко з двома листами, де обидва листя обличчям до лівого боку в стилі водяного кольору» Як бачимо вище, результат відрізнявся ще більше від запланованого результату. Цей випадок неправильного спілкування з моделлю AI далеко не ізольований.Насправді, здається, що чим точніше людина намагається керувати ним, тим більш незрозумілим стає бажаний результат - часто призводячи до фрустрації та втраченого часу. Що вражає, це те, що запит настільки простий, що дитина могла зрозуміти, що виявився незрозумілим для моделі. Уявіть собі клієнта, який пропонує простої інструкції людському художнику - тільки щоб зустрітися з порожнім непорозумінням, ніби речення було вимовлено іноземною мовою. Final Thoughts: The Art We Make Together Останні думки: Мистецтво, яке ми створюємо разом В кінцевому підсумку, це не війна між щіткою і кодом, а діалог.Машина пропонує швидкість, точність і нескінченну варіацію; художник приносить емоції, інтуїцію і душу. Майбутнє творіння полягає не в суперництві, а в гармонії - де людський дух і штучний інтелект створюють поруч, кожен позичаючи свій власний вид магії. Про мене Про мене Я - Марія Пітерберг - експерт з інтелектуального інтелекту, який очолює команду програмного забезпечення Runtime в Habana Labs (Intel) і напівпрофесійний художник, який працює на традиційних і цифрових носіях.