خلاقیت از دل معماری: چگونه ساختار مدل‌های تولید تصویر، نوآوری را ممکن می‌کند؟

مدل‌های هوش مصنوعی تولیدکنندۀ تصویر به گونه‌ای طراحی شده‌اند که داده‌های آموزشی خود را تقلید کنند. پس، این خلاقیت ظاهری که در تصاویر ساخته‌شده توسط آن‌ها دیده می‌شود، از کجا می‌آید؟ پژوهشی تازه نشان می‌دهد که این خلاقیت می‌تواند پیامدی اجتناب‌ناپذیر از معماری این مدل‌ها باشد.

مقدمه

مسیر رشد و تحول هوش مصنوعی تا رسیدن به وضعیت کنونی، با شگفتی‌های بسیاری همراه بوده‌است. یکی از این شگفتی‌ها (که بسیار شناخته‌شده است) این حقیقت است که انجام برخی از کارهایی که برای انسان بسیار ساده به نظر می‌رسند، برای یک سامانۀ هوش مصنوعی تا چه اندازه دشوار است و بالعکس؛ برای مثال، چگونه هوش ماشینی کارهایی مانند بازی شطرنج را که برای انسان پیچیده، سخت و زمان‌بر است، به‌سادگی و در کم‌ترین زمان انجام می‌دهد. یکی دیگر از این شگفتی‌ها، که کم‌تر به آن توجه شده‌است، این است که چگونه این مدل‌ها در حالی‌که به خودی خود و در الگوریتم آن‌ها اثری از خلاقیت دیده نمی‌شود، می‌توانند کارهای خلاقانه انجام دهند. سوژۀ این نوشتار به همین موضوع در مدل‌های هوش مصنوعی انتشاری و به‌ویژه در کاربرد آن‌ها برای تولید تصاویر اختصاص دارد.

مدل‌های انتشاری

مدل‌های انتشاری دسته‌ای از مدل‌های مولد هستند که می‌توانند داده‌های پیچیده‌ای مانند صدا و تصویر را تولید کنند. این توانایی با وارون‌سازی فرایندی ممکن می‌شود که در روند آن، داده‌های تمرینی گام‌به‌گام با نویز مخدوش می‌شوند. در واقع، برای یادگیری ساخت تصویر، این فرایند با یک تصویر اصلی شروع می‌شود و رفته‌رفته طی هر مرحله، مقداری نویز به‌طور تصادفی به آن اضافه می‌شود تا زمانی که تصویر تقریباً به‌طور کامل نویز شود؛ سپس مدل یاد می‌گیرد که در هر مرحله، چگونه این روند را وارون کند که تصویر نویزدار به نسخه‌ای نزدیک‌تر به تصویر حقیقی هم‌گرا شود.

بعد از یادگیری، مدل می‌تواند به سادگی با یک توزیع نویز کاملاً تصادفی شروع کرده و وارون‌سازی را انجام دهد تا به یک تصویر منسجم برسد. البته که به غیر از نگاشت آموخته‌شده توسط مدل، عوامل دیگری مانند نویز خالص اولیه و برخی از قیود برای جهت‌دهی به تصویر، در نتیجۀ نهایی تأثیرگذار هستند.

این قید در مدلی که برای تصویرسازی با متن کار می‌کند، می‌تواند یک «پرامپت» باشد که ما به آن مدل به‌عنوان ورودی می‌دهیـم. بدین معنی که اگر شما و دوست‌تان به یک مدل تصویرساز یکسان، متن‌های یکسانی بدهید و اطمینان حاصل کنید که نویز خالص اولیه نیز یکی باشد، به احتمال بسیار بالا با نتیجه‌های دریافتی یکسانی نیز مواجه خواهید شد.

از تمثیل‌های جالبی که برای توضیح نحوۀ کارکرد مدل‌های انتشاری بیان می‌شود، می‌توان به تلاش برای یادگیری کشیدن یک نقاشی با دیدن ویدیوی آموزشی آن به‌صورت معکوس و یا سر هم کردن خرده‌های بسیار ریز یک عکس بعد از چند بار رد کردن آن از یک کاغذ خردکن اشاره کرد.

پرسش‌ها

مدل‌های انتشاری، پایه و اساس بسیاری از ابزارهای تصویرسازی هستند که امروزه از آن‌ها استفاده می‌کنیم. پرسشی که ذهن همه را درگیر می‌کند این است که اگر این مدل‌ها به گونه‌ای طراحی شده‌اند که کپی تصویر‌هایی که بر روی آن‌ها تمرین کرده‌اند را تولید کنند، چگونه در عمل می‌توانند با بداهه‌پردازی و ترکیب المان‌ها با یک‌دیگر، دست به خلق آثاری نوآورانه بزنند؟ این، همان تناقضی است که پشت پردۀ عملکرد این مدل‌ها وجود دارد.

پاسخ به این پرسش به تازگی توسط دو فیزیک‌دان به نام‌های «مِیسون کامب» و «سوریا گانگولی» داده شده‌است. آن‌ها در مقاله‌ای با ادعایی چشمگیر، مدلی ریاضیاتی ارائه کردند که نشان می‌دهد «خلاقیت» این مدل‌های انتشاری، جبرگرایانه است. بدین معنی که این خلاقیت، پیامدی مستقیم و اجتناب‌ناپذیر از معماری آن‌هاست. این پژوهش تازه، می‌تواند تأثیرات شگرفی بر آیندۀ تحقیقات هوش مصنوعی و حتی درک ما از ماهیت خلاقیت انسان داشته باشد.

ریخت زایی

فرایندی که شباهت زیادی به نحوۀ کارکرد این مدل‌ها دارد و الهام‌بخش محققین این پژوهش هم بوده‌است «ریخت‌زایی» نامیده می‌شود؛ روندی زیستی که طی آن جانداران، خود را «سرهم‌بندی» می‌کنند. برای توضیح این پدیده از مفهومی به نام «الگوی تورینگ» استفاده می‌شود که از دستاورد‌های مشهور آلن تورینگ است.

این الگو نشان می‌دهد که چگونه گروهی از سلول‌ها می‌توانند خود را سامان‌دهی کنند و در نهایت به اندام و اجزاء مختلف بدن تبدیل شوند. نکتۀ قابل‌توجه دربارۀ ریخت‌زایی این است که تمام این سامان‌دهی‌ها در سطح «محلی» رخ می‌دهند. به عبارت دیگر، هیچ ناظر مرکزی‌ای وجود ندارد که بر فعالیت هزاران میلیارد سلول نظارت کند تا مطمئن شود که همۀ آن‌ها مطابق با یک نقشۀ نهایی از بدن عمل می‌کنند.

آن‌ها فقط بر اساس سیگنال‌هایی که از همسایگان خود دریافت می‌کنند اقدام می‌کنند و اصلاحات را انجام می‌دهند. این سامانه معمولاً به خوبی کار می‌کند، اما بدون خطا نیست. همان‌گونه که گاهی اوقات انسان‌هایی هستند که شش انگشت دست دارند!

محلی بودن و معادل سازی انتقالی

هنگامی که اولین تصاویر ساخته‌شده توسط هوش مصنوعی سر از فضای مجازی در آوردند، بسیاری از آن‌ها به آثار هنری سورئال شباهت داشتند و از آن جالب‌تر که همان پدیدۀ «بیش‌انگشتی» در دست‌هایی که به تصویر می‌کشیدند مشاهده می‌شد.

این همان چیزی است که ما را فوراً به یاد سامانه‌های «پایین‌به‌بالا» و ریخت‌زایی می‌اندازد. پژوهش‌گران حوزۀ هوش مصنوعی تا به آن لحظه می‌دانستند که مدل‌های انتشاری از دو میان‌بر تکنیکی برای ساخت عکس‌ها استفاده می‌کنند. اولین آن‌ها «محلی بودن» است، بدین معنی که آن‌ها تنها به یک گروه یا ناحیۀ خاصی از پیکسل‌ها در زمان توجه می‌کنند.

دومین ویژگی ذاتی‌ای که از آن پیروی می‌کنند، «معادل سازی انتقالی» نام دارد که به‌طور خلاصه، یعنی وابستگی خاصی به مختصات پیکسل‌ها ندارند و قواعد محلی ای را که یاد گرفتند در سراسر تصویر به نحو یکسان اعمال می‌کنند. به عبارتی، اگر تصویر ورودی مدل را به اندازۀ چند پیکسل شیفت دهید، در خروجی نیز همین انتقال دیده می‌شود.

این‌ها ویژگی‌های اساسی‌ای هستند که پیچیدگی‌های یادگیری مدل را کاهش می‌دهند و همچنین سبب می‌شوند ساختار منسجم عکس‌هایی که تولید می‌شوند، حفظ شود و واقع‌گرایانه باشند. البته گاهی اشتباهات سیستماتیک مانند تعداد اضافی انگشتان دست رخ می‌دهد، چون هماهنگی مدل در سطح فراگیر ضعیف است.

پژوهش‌گران برای مدت‌ها محلی بودن و معادل‌سازی را از محدودیت‌های فرایند وارون‌سازی نویز‌ها می‌دانستند و گمان می‌کردند که همین ویژگی‌ها مانع تولید نسخه‌های بی‌نقص از داده‌های آموزشی توسط مدل می‌شوند. آن‌ها این دو ویژگی را به خلاقیت ربط نمی‌دادند، چرا که خلاقیت، پدیده‌ای سطح بالا و پیچیده در نظر گرفته می‌شد.

پاسخ‌ها

مقاله‌ای که قبل‌تر به آن اشاره شد، از سیستمی ‌به نام «ماشین امتیاز محلی معادل‌پذیر» رونمایی می‌کند. این سیستم، یک مدل انتشاری آموزش‌داده‌شده نیست، بلکه مجموعه‌ای از معادلات است که می‌تواند ترکیب نهایی تصویرهایی که از نویز پاک‌سازی شده‌اند را صرفاً بر اساس دو ویژگی «محلی بودن» و «معادل‌سازی انتقالی» پیش‌بینی کند.

فرآیندی که شباهت زیادی به نحوۀ کارکرد این مدل‌ها دارد و الهام بخش محققین این پژوهش هم بوده است «ریخت‌زایی» نامیده می‌شود؛ روندی زیستی که طی آن جانداران، خود را «سرهم‌بندی» می‌کنند. برای توضیح این پدیده از مفهومی‌به نام «الگوی تورینگ» استفاده می‌شود که از دستاورد‌های مشهور آلن تورینگ است. این الگو نشان می‌دهد که چگونه گروهی از سلول‌ها می‌توانند خود را ساماندهی کنند و در نهایت به اندام و اجزای مختلف بدن تبدیل شوند. نکتۀ قابل توجه دربارۀ ریخت‌زایی این است که تمام این ساماندهی‌ها در سطح «محلی» رخ می‌دهند. به عبارت دیگر، هیچ ناظر مرکزی ای وجود ندارد که بر فعالیت هزاران میلیارد سلول نظارت کند تا مطمئن شود که همۀ آنها مطابق با یک نقشۀ نهایی از بدن عمل می‌کنند. آنها فقط بر اساس سیگنال‌هایی که از همسایگان خود دریافت می‌کنند اقدام می‌کنند و اصلاحات را انجام می‌دهند. این سامانه معمولاً به خوبی کار می‌کند، امّا بدون خطا نیست. همانگونه که گاهی اوقات انسان‌هایی هستند که شش انگشت دست دارند!

به عبارت دیگر، همان مکانیزم‌هایی که توجه مدل‌های انتشاری را در فرایند پاک‌سازی نویز‌ها محدود می‌کنند و آن‌ها را وادار می‌سازند در هر لحظه تنها بر تکه‌های خاصی از پیکسل‌ها (بدون در نظر گرفتن موقعیت نهایی آن‌ها در تصویر) تمرکز کنند، در عین حال، به‌طور طبیعی امکان بروز خلاقیت را برای آن‌ها فراهم می‌آورند.

کارشناسانی که این موضوع را بررسی کرده‌اند، معتقدند این پژوهش سازوکارهای پشت خلاقیت مدل‌های انتشاری را به شدت روشن می‌کند؛ اما بخش عمده‌ای از این پدیده همچنان مرموز باقی مانده‌است. برای مثال، مدل‌های زبانی بزرگ و برخی دیگر از سامانه‌های هوش مصنوعی، با وجود این‌که از دو ویژگی محلی بودن و معادل‌سازی انتقالی پیروی نمی‌کنند، رفتارهای خلاقانه‌ای از خود بروز می‌دهند.

خلق خلاقیت

این، نخستین بار است که پژوهش‌گران نشان داده‌اند می‌توان خلاقیت مدل‌های انتشاری را به‌عنوان محصول جانبی فرایند پاکسازی نویز در آن‌ها در نظر گرفت و حتی آن را به‌صورت ریاضی فرمول‌بندی و به‌طور دقیق پیش‌بینی کرد.

اگر بخواهیم این اتفاق را تشبیه کنیم، تقریباً مانند این است که تعدادی از عصب‌شناسان، با اسکن مغزی گروهی از انسان‌های خلاق در دستگاه MRI، بتوانند یک سازوکار عصبی مشترک را در همۀ آن‌ها شناسایی کنند که بشود آن را بر اساس مجموعه‌ای از معادلات مدل‌سازی کرد.

این قیاس با علوم اعصاب می‌تواند فراتر از یک تشبیه صرف باشد. پژوهش‌های انجام‌شده توسط این دو دانشمند، می‌تواند بینشی تازه دربارۀ سازوکار خلاقیت در ذهن انسان ارائه دهد. شاید آن‌قدرها هم که ما گمان می‌کنیم، خلاقیت انسان و هوش مصنوعی با یک‌دیگر متفاوت نباشند. ما همواره در ذهن خود در حال سرهم‌بندی چیزهایی هستیم که تجربه کرده‌ایم، دیده‌ایم، شنیده‌ایم و حتی آرزوی آن‌ها را داشته‌ایم.

هوش مصنوعی نیز با کنار هم چیدن بلوک‌های دانش خود و با توجه به آن‌چه از او خواسته شده، دست به خلق آثار متفاوتی می‌زند. همین سازوکارها و تلاش برای پر کردن شکاف‌های اطلاعاتی است که گاهی به خلق پدیده‌هایی نو و ارزشمند منجر می‌شود. در نهایت، شاید این فرایند مشترک، همان چیزی باشد که ما آن را «خلاقیت» می‌نامیم.

منبع اول

منبع دوم