\n\u017byjemy w czasach, w kt\u00f3rych sztuczna inteligencja potrafi na podstawie kilku s\u0142\u00f3w stworzy\u0107 dziwaczn\u0105 fantazj\u0119 lub hiperrealistyczne zdj\u0119cie. Ca\u0142a ta magia opiera si\u0119 na gigantycznych sieciach neuronowych, kt\u00f3re po cichu ucz\u0105 si\u0119 na podstawie milion\u00f3w \u2013 a czasem miliard\u00f3w \u2013 zdj\u0119\u0107 i opis\u00f3w tekstowych. Jednak kolejny prze\u0142om w sztuce opartej na sztucznej inteligencji mo\u017ce polega\u0107 na pewnym triku: a co, gdyby mo\u017cna by\u0142o tworzy\u0107 i przekszta\u0142ca\u0107 obrazy za pomoc\u0105 sztucznej inteligencji, ale bez skomplikowanych mechanizm\u00f3w tradycyjnego generatora obraz\u00f3w?\n<\/p>\n
\nW\u0142a\u015bnie ta my\u015bl zainspirowa\u0142a grup\u0119 naukowc\u00f3w z MIT i Facebook AI Research. Ich najnowszy artyku\u0142, zaprezentowany podczas Mi\u0119dzynarodowej Konferencji Uczenia Maszynowego (ICML) w 2025 roku, pokazuje, w jaki spos\u00f3b zaskakuj\u0105co prosta technika mo\u017ce radykalnie usprawni\u0107 spos\u00f3b, w jaki sztuczna inteligencja tworzy i edytuje obrazy.\n<\/p>\n
\nProjekt ten rozpocz\u0105\u0142 si\u0119 jako zadanie semestralne Lukasa Lao Beyera, studenta studi\u00f3w magisterskich na MIT, pod kierunkiem profesora Kaiminga He. To, co zacz\u0119\u0142o si\u0119 skromnie, wkr\u00f3tce przyci\u0105gn\u0119\u0142o kolejnych wsp\u00f3\u0142pracownik\u00f3w \u2014 Tianhonga Li, Xinlei Chena i Sertaca Karamana \u2014 i nabra\u0142o znacznie wi\u0119kszego rozmachu.\n<\/p>\n
\nInspiracj\u0105 dla Beyer\u2019a by\u0142y najnowsze badania przeprowadzone przez Politechnik\u0119 w Monachium oraz firm\u0119 ByteDance. Zesp\u00f3\u0142 ten stworzy\u0142 \u201ctokenizer 1D\u201d \u2013 niezwyk\u0142y model sztucznej inteligencji, kt\u00f3ry redukuje obraz o wymiarach 256\u00d7256 do zaledwie 32 token\u00f3w, z kt\u00f3rych ka\u017cdy stanowi 12-cyfrow\u0105 warto\u015b\u0107 binarn\u0105. Mo\u017cna to sobie wyobrazi\u0107 jako niezwykle skondensowany \u201cj\u0119zyk\u201d sk\u0142adaj\u0105cy si\u0119 z 4 000 s\u0142\u00f3w, z t\u0105 r\u00f3\u017cnic\u0105, \u017ce j\u0119zyk ten opisuje obrazy zamiast poj\u0119\u0107.\n<\/p>\n
\nZafascynowany ilo\u015bci\u0105 informacji zawartych w tych tokenach, Beyer zacz\u0105\u0142 eksperymentowa\u0107: zamieniaj\u0105c tokeny na obrazie, obserwowa\u0142, jak obraz si\u0119 zmienia\u0142 \u2014 rozdzielczo\u015b\u0107 gwa\u0142townie wzrasta\u0142a, kolory blak\u0142y lub nabiera\u0142y intensywno\u015bci, t\u0142o stawa\u0142o si\u0119 ostre lub rozmyte, a czasami po prostu zmienia\u0142 si\u0119 kierunek, w kt\u00f3rym patrzy\u0142 ptak.\n<\/p>\n
\nI tu robi si\u0119 naprawd\u0119 ciekawie: zamiast bezpo\u015brednio przerysowywa\u0107 piksele, Beyer i jego zesp\u00f3\u0142 zacz\u0119li edytowa\u0107 konkretne tokeny, aby uzyska\u0107 po\u017c\u0105dane zmiany w obrazie. Okazuje si\u0119, \u017ce tego rodzaju zamiana nie s\u0142u\u017cy wy\u0142\u0105cznie do eksperymentowania; oferuje ona r\u00f3wnie\u017c zupe\u0142nie nowy spos\u00f3b generowania obraz\u00f3w. \u0141\u0105cz\u0105c tokenizer 1D z dekoderem, kt\u00f3ry odtwarza obraz, oraz sieci\u0105 neuronow\u0105 o nazwie CLIP (kt\u00f3ra zapewnia zgodno\u015b\u0107 pracy sztucznej inteligencji z podanym tekstem), zesp\u00f3\u0142 m\u00f3g\u0142 \u201cpopycha\u0107\u201d wi\u0105zki token\u00f3w, a\u017c obraz, powiedzmy, czerwonej pandy zacz\u0105\u0142 przypomina\u0107 tygrysa \u2013 a nawet stworzy\u0107 co\u015b zupe\u0142nie nowego, zaczynaj\u0105c od losowych token\u00f3w i stopniowo je udoskonalaj\u0105c, aby pasowa\u0142y do polecenia.\n<\/p>\n
\nZaskakuj\u0105ce jest to, jak bardzo pozwala to unikn\u0105\u0107 konieczno\u015bci korzystania z generator\u00f3w obraz\u00f3w starej generacji. Tradycyjne generatory to pot\u0119\u017cne potwory \u2014 ich szkolenie trwa d\u0142ugo, a dzia\u0142anie wymaga ogromnych zasob\u00f3w energetycznych. Ta bardziej minimalistyczna metoda pozwala unikn\u0105\u0107 znacznej cz\u0119\u015bci obliczeniowego wysi\u0142ku, dzi\u0119ki czemu zaawansowana sztuka oparta na sztucznej inteligencji mo\u017ce sta\u0107 si\u0119 potencjalnie ta\u0144sza i bardziej powszechna. Pozwala ona r\u00f3wnie\u017c na wykonywanie takich zabieg\u00f3w jak uzupe\u0142nianie brakuj\u0105cych fragment\u00f3w obrazu przy u\u017cyciu tej samej konfiguracji tokenizatora i dekodera. Czasami naj\u015bmielsze post\u0119py wynikaj\u0105 z ponownego wykorzystania narz\u0119dzi w nieoczekiwany spos\u00f3b.\n<\/p>\n
\nEksperci zwracaj\u0105 na to uwag\u0119. Saining Xie z Uniwersytetu Nowojorskiego (NYU) okre\u015bli\u0142 wyniki jako \u201cdo\u015b\u0107 zaskakuj\u0105ce\u201d, natomiast Zhuang Liu z Uniwersytetu Princeton zwr\u00f3ci\u0142 uwag\u0119 na obiecuj\u0105c\u0105 mo\u017cliwo\u015b\u0107 obni\u017cenia koszt\u00f3w generowania obraz\u00f3w przez sztuczn\u0105 inteligencj\u0119.\n<\/p>\n
\nPotencja\u0142 tej technologii nie ogranicza si\u0119 jednak wy\u0142\u0105cznie do zdj\u0119\u0107. Sertac Karaman podkre\u015bli\u0142, \u017ce ta sama koncepcja \u2013 kompresja czynno\u015bci lub wskaz\u00f3wek dojazdu do postaci token\u00f3w \u2013 mog\u0142aby przynie\u015b\u0107 korzy\u015bci w takich dziedzinach jak robotyka czy samochody autonomiczne. Beyer zgadza si\u0119 z tym: \u201cMo\u017cliwo\u015bci zwi\u0105zane z tego rodzaju kompresj\u0105 mog\u0105 otworzy\u0107 drzwi do niesamowitych rozwi\u0105za\u0144\u201d \u2013 m\u00f3wi.\n<\/p>\n
\nW gruncie rzeczy to nowe podej\u015bcie pokazuje, co mo\u017ce si\u0119 wydarzy\u0107, gdy odwa\u017cy si\u0119 podwa\u017cy\u0107 stare schematy i w pe\u0142ni wykorzysta\u0107 dost\u0119pne narz\u0119dzia. Dzi\u0119ki nieszablonowemu my\u015bleniu zesp\u00f3\u0142 z MIT nie tylko znalaz\u0142 skr\u00f3t \u2014 wytyczy\u0142 te\u017c now\u0105 drog\u0119 dla kreatywno\u015bci sztucznej inteligencji.\n<\/p>\n