Képzeljünk el egy kaleidoszkópot, amit a kezünkben forgatunk. A fényforrás által megvilágítva folyamatosan új látványok jelennek meg a tükrök között. A színes üvegdarabok véletlenszerűen szórják a fényt a cső belsejében, minden pillanatban új látvány tárul a szemünk elő. Gyönyörű, ahogy a fraktál szerű mintázatok végtelen variációkra képesek. Nincs a látvány minőségében különbség, mindegyik tud újat mutatni valamiben az előzőhöz képest. Nincs egy olyan fázis, amit kiemelhetnénk, hogy végre megtaláltuk az igazit. A folyamatnak nincs eleje és vége. Teljesen mindegy, hogy a kaleidoszkóp tíz vagy húsz perce van a kezünkben, az eszközzel töltött idő értéke folyamatos. Nem mondanánk, hogy az első három percben fantasztikus dolgokat láttunk, de az utolsó két perc már gyenge volt. Lehet néha megdobban a szívünk, hogy ez most egy ritka pillanat, de mire eljutunk ide, már tovább is forgattuk a csövet, és egy újabb látványt kapunk.
A mesterséges intelligenciával működő képalkotó rendszerek (Dall-e, Midjourney, Leonardo stb.) egyfajta digitális kaleidoszkópok, amik a beolvasott fotók, rajzok és festmények pixelei nyomán képesek újat alkotni, így azok a kiadott utasításnak (prompt) megfelelő látványt nyújtanak.
Az AI kreativitása is egy kaleidoszkópé, nem értelmezhető a forgató kéz vagy a befogadó, arról döntést hozó emberi szem és agy nélkül. Nem hasonlítható össze az emberi kognitív kreativitással.
A képek feldolgozásának első fázisában a gép képes volt megtanulni, hogy mit ábrázol egy fotó. Milyen egy macska és egy autó pixelhalmaza. Ezekhez szavakat rendelt, és így a folyamatot megfordítva már képes a prompt alapján macskát vagy autót generálni különböző grafikai stílusban vagy fotó minőségben.
A generált macska soha nem lesz azonos egyik bemeneti fotón található macskával, már csak szerzői jogi kockázatok miatt is érdemes teljesen új macskát generálni. Ha a gép tudja, hogy ezt miként kell, ezer és millió új macskát tud készíteni, ezeket variálni az ábrázolásmód stílusa szerint. Ahány felhasználó, ahány prompt, a macskáknak nem hét, hanem végtelen életük van. Ez az álomgyár már valóság. Az emberiség egy olyan korba érkezett, ahol bármit meg tud fotó minőségben, látszólag fotóhitelesen mesterségesen alkotni. A legnagyobb képalkotó rendszerek naponta 35 millió képet generálnak. Csak összehasonlításként a fotográfia feltalálás óta 1975-ig 15 milliárd fénykép készült a világban, ezt az AI kevesebb, mint egy év alatt érte el.
Nem véletlen, hogy az egyik legnagyobb fényképezőgépeket gyártó cég, a Nikon Peruban plakátkampánnyal reagált a mesterséges fotók terjedésére. A szlogen úgy szól, hogy ne mondjuk le a valóságról, a való világról. A plakátok azt üzenik, hogy érdemes még a világot bejárni és a saját szemünkkel látni és megörökíteni a tájat. A valóság van olyan izgalmas, hogy ha azt szövegesen szeretnénk leírni, promptolni akkor a legextrémebb megfogalmazás is kevés.
Ezt leteszteltem és a hirdetésben látható promptot lefuttattam, így az alábbi képet kaptam a Midjourney 6.0 alkalmazásban:
Ezt a képet továbbfejlesztve a Midjourney által felkínált opciók közül az alábbi végső verzióig jutottam:
A Nikon hirdetésben szereplő másik példa Manhattan felhőkarcolóira utal, amik száz évvel a zombie apokalipszist követően már kövületté változtak és visszavette őket a természet. Forditott logikával, a természet leírhatatlan, de ha mégis szavakba akarjuk önteni, hogy azt a gép is értse, akkor egészen extrém dolgokat képzelhetünk a látvány mögé.
Az általam Midjourneyvel generált kép az alábbi lett:
Nyilván a Nikon hirdetést kiagyaló szakemberek célja az volt, hogy demonstrálják a valóság és a világ szépsége leírhatatlan.
Ha elvonatkoztatok a hirdetésben leírt prompttól, és magam írom le a Midjourney számára, hogy mit szeretnék látni, akkor már egy közelebbi eredményt kapok:
A Nikon hirdetés azért is érdekes, mert rámutat több fontos folyamatra: Egyrészt a fényképezőgép, mint drága képrögzítő eszköz piacának szűkülésére, valamint a valóság és annak a generált szintetikus változatának minőségbéli különbségére, az emberi tapasztalás elementáris szükségességére. A Nikon bátran vállalja, hogy tartanak a jövőtől, amikor az emberek ahelyett, hogy utaznának és mondjuk vízeséseket fotóznának Argentínában, inkább generálnak egyet maguknak. De valóban erről van szó?
Valószínű nem az utazás rovására terjed a szintetikus képalkotás, sokkal inkább a valóság és a digitális képzelet közötti egyre nagyobb űrről szól ez a kampány. Ha el is utazunk Argentínába, nem tudunk olyan látványos vízesést fotózni a Nikon fényképezőgépünkkel, mint amilyet a Midjourney generál. Az idevezető út a profiknak a Photoshop és később a széles tömegeknek az instagram filterekkel volt kikövezve.
A mobiltelefonunkkal készített valódi fényképeket effekt nélkül már nem töltjük fel az Instagramra. A valóság már kevés, és a szaturációt előregyártott hangulatokkal javítjuk fel. A folyamat teljesen érthető, a filmes világban a „color grading” egy külön szakma. A hatás eléréshez nélkülözhetetlen, hogy a filmnek színekben is külön világa legyen. Ugyanezt a filmes fikciós, „larger than life” hangulatot keressük a saját életünkben is, és a bekészített szűrőkkel egy gombnyomásra kölcsönözhetünk élményeinknek filmes hatást. Az Instagram-közösségben az számíthat nagyobb figyelemre, akinek a saját valós képei egy szimulált filmes világéra hasonlítanak.
A Nikon és más fényképezőgép-gyártók piacát nem az AI rengette meg, az csak tovább erodálja az amúgy is drasztikusan csökkenő keresletet. A 2010 óta 2022-ig a japán CIPA (Camera and Imaging Products Association) a legnagyobb japán gyártókat tömörítő szakmai egyesület jelentése szerint 93 százalékkal csökkent a digitális fényképezőgépek piaca. Ennek az oka elsősorban a mobiltelefonokba épített egyre jobb minőségű lencsék és fotós alkalmazások.
Tévedésből ott volt a vízjel
A professzionális fotósok egyik fontos bevételi forrása a stock fényképek piaca. Amikor Philadelphiában egyetemre jártam, telefonkönyv méretű katalógusokból tudtunk postán stock képeket rendelni, vagy azokat onnan kiszkennelni. Ez a piac az internet érkezésével teljesen átalakult, és a vízjellel ellátott bemutató (preview) képeken keresztül a Google képkeresőjének hála szinte minden témában találkozhatunk a Getty Images, Istockphoto, Shutterstock, Deposit, Adobe és még sok más szereplő képeivel.
A stock képek keresőoptimalizációja olyan erős, hogy a Google képkeresőjének eredményeit erősen dominálják a vízjellel védett preview fotók. A felhasználói szerződéseknek több fajtája van, lehet exkluzív (a fotó örökös jogon és kizárólagosan a vevőé lesz) és általános (használhatom, de utánam mások is megvásárolhatják) használatra megállapodást kötni.
Az AI képgenerátorok algoritmusát a világhálón elérhető fotókkal tanították meg, és ehhez egészen biztosan a stock adatbázisokban elérhető nézőképeket is felhasználtak.
Erre az egyik konkrét példa a Getty Images esete. A cég 2023-ban pert indított a Stability AI cég ellen, akik a Stable Diffusion open-source képgenerátort működtetik. A felperes megalapozottnak látta, hogy a 12 millió fotóból álló, a webre nézőképként feltöltött adatbázisukat a rendszer tanítására felhasználták. A Getty bizonyítékként többek között az alábbi példát hozta fel, ahol a Stable Diffusion a vízjelet is rágenerálta tévedésből az AI képre. Ez a hiba perdöntőnek látszik, de sok más művész és fotós, akik gyanítják, hogy szellemi tulajdonukkal az AI képgenerátorok visszaélnek, nincsenek ilyen könnyű helyzetben. Az AI képgenerátorokat működtető cégek bizonyára sok jogi csatát megvívnak még a jövőben, de ezek véleményem szerint nem lehetetlenítik el az iparágat. Ma már a Stable Diffusion sem követ el több ilyen egyértelmű hibát, az algoritmusok működését már sokkal nehezebb lefülelni.
A 15 millió felhasználót kiszolgáló Midjourney alapító ügyvezetője, David Holz a Forbes magazinnak egy interjúban úgy nyilatkozott, hogy
hamarosan eljön az az idő amikor a modell betanításához és továbbfejlesztéséhez képalapanyagra sem lesz szükség. Azaz lehetetlen lesz beazonosítani, hogy amit az AI generál, az milyen komponensekre vezethető vissza.
A kocka el van vetve, néhány kárpótlási peren túl kicsi az esély, hogy a képgenerátorok működését és azok tudását ellenérdekelt szereplők korlátozzák. A Getty a szóban forgó perben 2 millió dollárt kér minden egyes AI generálta „getty images” logóval ellátott hamis képért, magyarán ahányszor a rendszer felhasználta és visszaélt a márkával.
A Getty példáján látjuk, hogy a stock fotó képekből élő piacterek és a fotósok ambivalens viszonyban vannak az AI generálta képekkel. Úgy tűnik, hogy a tőlük elrabolt képekből épített alkalmazások pont a stock cégek piacát veszélyeztetik. Tehát duplán érte őket kár, és a hosszú távú következmények még beláthatatlanok. Szóval a pereskedésre minden okuk megvan, hiszen a szerzői jogi vitákon túl a hagyományos stock fotók iránti kereslet is folyamatosan csökken. Érthető, hiszen miért vásároljon valaki fotót, ha ahhoz hasonlót tud sokkal olcsóbban generálni? Sőt, lényeges különbség, hogy az AI generálta kép az egyedi, más cégek hirdetésében ugyanaz nem fog megjelenni.
Weiler Péter képzőművészettel és online kommunikációval foglalkozik, jelenleg a Dating Central Europe Zrt. társtulajdonosa. A MOME-n doktori kutatásában a mesterséges intelligencia művészetre való hatását vizsgálja.
A cikket szerdán folytatjuk, a második részben a szerző arról ír, hogy a stockfotó-cégek hogyan menekültek előre, és igyekeznek AI képgenerátort alkalmazni, milyen arányban változik a feltöltött képek aránya (AI vs. hagyományos képek), mitől jó egy stock fotó és a mesterséges intelligenciával generált képek hogyan vezetnek el a hiperrealitáshoz.
