La IA que arroja ficción de OpenAI está aprendiendo a generar imágenes

Ben Barry / OpenAI

En febrero del año pasado, el laboratorio de investigación OpenAI con sede en San Francisco Anunciado que su sistema de inteligencia artificial ahora podía escribir pasajes convincentes en inglés. Introduzca el comienzo de una oración o párrafo en GPT-2, como se le llamó, y podría continuar el pensamiento durante tanto tiempo como un ensayo con una coherencia casi humana.

Ahora, el laboratorio está explorando qué sucedería si el mismo algoritmo se alimentara con parte de una imagen. Los resultados , que recibieron una mención de honor como mejor artículo en la Conferencia Internacional sobre Aprendizaje Automático de esta semana, abren una nueva vía para la generación de imágenes, llena de oportunidades y consecuencias.

En esencia, GPT-2 es un potente motor de predicción. Aprendió a comprender la estructura del idioma inglés al observar miles de millones de ejemplos de palabras, oraciones y párrafos extraídos de los rincones de Internet. Con esa estructura, podría manipular palabras en nuevas oraciones al predecir estadísticamente el orden en que deberían aparecer.

Entonces, los investigadores de OpenAI decidieron cambiar las palabras por píxeles y entrenar el mismo algoritmo en imágenes en ImageNet, el banco de imágenes más popular para el aprendizaje profundo. Debido a que el algoritmo fue diseñado para trabajar con datos unidimensionales (es decir, cadenas de texto), desplegaron las imágenes en una sola secuencia de píxeles. Descubrieron que el nuevo modelo, llamado iGPT, aún podía captar las estructuras bidimensionales del mundo visual. Dada la secuencia de píxeles de la primera mitad de una imagen, podría predecir la segunda mitad en formas que un ser humano consideraría sensatas.

A continuación, puedes ver algunos ejemplos. La columna más a la izquierda es la entrada, la columna más a la derecha es el original y las columnas del medio son las finalizaciones previstas de iGPT. (Ver más ejemplos aquí .)

ABIERTO

Los resultados son sorprendentemente impresionantes y demuestran un nuevo camino para usar el aprendizaje no supervisado, que se entrena con datos no etiquetados, en el desarrollo de sistemas de visión por computadora. Si bien los primeros sistemas de visión por computadora a mediados de la década de 2000 probaron tales técnicas antes, cayeron en desgracia ya que el aprendizaje supervisado, que utiliza datos etiquetados, demostró ser mucho más exitoso. Sin embargo, el beneficio del aprendizaje no supervisado es que permite que un sistema de IA aprenda sobre el mundo sin un filtro humano y reduce significativamente el trabajo manual de etiquetar datos.

El hecho de que iGPT use el mismo algoritmo que GPT-2 también muestra su adaptabilidad prometedora. Esto está en línea con La máxima ambición de OpenAI para lograr una inteligencia artificial más generalizable.

Al mismo tiempo, el método presenta una nueva forma preocupante de crear imágenes falsas. Redes antagónicas generativas , la categoría más común de algoritmos utilizados para crear deepfakes en el pasado, debe entrenarse con datos altamente seleccionados. Si desea que una GAN genere una cara, por ejemplo, sus datos de entrenamiento solo deben incluir caras. iGPT, por el contrario, simplemente aprende lo suficiente de la estructura del mundo visual a través de millones y miles de millones de ejemplos para escupir imágenes que podrían existir dentro de él. Si bien entrenar el modelo sigue siendo computacionalmente costoso y ofrece una barrera natural para su acceso, ese puede no ser el caso por mucho tiempo.

OpenAI no concedió una solicitud de entrevista, pero en una reunión del equipo de políticas internas a la que asistió MIT Technology Review el año pasado, su director de políticas, Jack Clark, reflexionó sobre los riesgos futuros de la generación de estilo GPT, incluido lo que sucedería si se aplicara a imágenes El video está llegando, dijo, proyectando dónde vio que iba la trayectoria de investigación del campo. Probablemente en cinco años, tendrá generación de video condicional en un horizonte de cinco a 10 segundos.' Luego procedió a describir lo que imaginó: introduciría una foto de un político y una explosión junto a ellos, y generaría una salida probable de que ese político fuera asesinado.

Actualizar: Este artículo ha sido actualizado para eliminar el nombre del político en el escenario hipotético descrito al final.

esconder