DALL-E ή πώς ζωγραφίζει μια τεχνητή νοημοσύνη
Δημοσιεύτηκε: 23 Δεκ 2022, 23:28
Επειδή είχαμε μια μακριά συζήτηση σε κάποιο άλλο σημείο του φόρουμ και σε άλλο νήμα για το τι ακριβώς κάνει η εφαρμογή DALL-E, που υποτίθεται ότι δημιουργεί on the spot καινούργιες εικόνες με τρομερή πίστη στην περιγραφή που τις δίνεις (σε κείμενο), αποφάσισα να την δοκιμάσω. Αυτά είναι τα αποτελέσματα. Σε εισαγωγικά είναι η περιγραφή που έδωσα για να πάρω το κάθε αποτέλεσμα.
Για αρχή, είναι εξαιρετικά καλή στο να δημιουργεί πράγματα που είναι πολύ ξεκάθαρα δοσμένα, όπως αυτό το "lonely huge tree in a hill" (υπόψη ότι εν πολλοίς αγνοεί τις προθέσεις, που ήθελα να τεστάρω δίνοντας "in" αντί "on":
Αρχίζει να δυσκολεύεται όταν η περιγραφή έχει συνδυασμό πραγμάτων που απαιτούν ανάμειξη, όπως εδώ στο "the Greek parliament in flames", με αποτέλεσμα να μοιάζει με κακά γραφικά της δεκαετίας του '80. Δεν υπάρχει ανάμειξη χρωμάτων, καπνοί και τα ατμοσφαιρικά εφέ που θα περίμενε κανείς:
Της είναι μακράν πιο εύκολο να φτιάχνει ζωγραφιές, όπως αυτό το εδώ το αρκετά πετυχημένο "Alexis Tsipras riding a pony":
Ή αυτό το "horse telling jokes to the pope". Να σημειώσω εδώ ότι αυτό είναι μόνο ένα από τα 4-5 εναλλακτικά αποτελέσματα που βγάζει. Αυτό ήταν το πιο κοντινό σε άλογο. Οι υπόλοιπες εικόνες ήταν κανονικοί άνθρωποι με περίεργες μύτες.
Ενώ έχει την δυνατότητα φωτορεαλιστικής απεικόνισης, τα πράγματα είναι τραγικά όταν πρέπει να φιλοτεχνήσει πρόσωπα. Εδώ δύο παραλλαγές στο θέμα "gorgeous man". Απλά τραγικό.
Ενδιαφέρον παρουσιάζει πώς αντιλαμβάνεται τελείως ράντομ κόνσεπτ, όπως ονόματα εταιρειών. Εδώ έχουμε "Google kicking Microsoft". Οι παραλλαγές ήταν όλες στυλ κουνγκ φου αλλά με φωτορεαλιστικούς ανθρώπους αντί ζωγραφιές. Αυτή ήταν η πιο διασκεδαστική και πετυχημένη.
Κάπου εδώ αρχίζει και δείχνει τους περιορισμούς της η εφαρμογή και με ποιον τρόπο ζωγραφίζει. Στην πραγματικότητα αυτό που κάνει είναι ότι έχει πρόσβαση σε μια τεράστια βιβλιοθήκη με εικόνες ακι έχει εκπαιδευτεί να συσχετίζει συγκεκριμένα αντικείμενα με συγκεκριμένες λέξεις. Αυτός είναι ο λόγος που δεν κατάφερα σε καμμιά μου προσπάθεια να βρω μια πετυχημένη εικόνα για το "Japanese building in the middle of the ocean". Όπως φαίνεται σ' αυτήν την εικόνα και σε κάθε εικόνα που μου έδωσε το πρόγραμμα, υπάρχουν στο βάθος βουνά. Μάλιστα προσπάθησα και με "with no mountains" και διάφορες παραλλαγές και πάντα έβγαζε βουνά στο βάθος. Γιατί; Γιατί η ΑΙ έχει εκπαιδευτεί σε εικόνες που πάντα τα παραδοσιακά γιαπωνέζικα κτήρια είχαν στο βάθος βουνά, οπότε συσχέτισε το κόνσεπτ "japanese building" με αυτές τις βασικές γεωμετρικές παραμέτρους που περιλάμβανουν ορεινούς όγκους στο βάθος. Η ΑΙ ήταν μη ικανή να αντιληφθεί ότι αυτό δεν είναι μέρος του κόνσεπτ.
Για αρχή, είναι εξαιρετικά καλή στο να δημιουργεί πράγματα που είναι πολύ ξεκάθαρα δοσμένα, όπως αυτό το "lonely huge tree in a hill" (υπόψη ότι εν πολλοίς αγνοεί τις προθέσεις, που ήθελα να τεστάρω δίνοντας "in" αντί "on":
Αρχίζει να δυσκολεύεται όταν η περιγραφή έχει συνδυασμό πραγμάτων που απαιτούν ανάμειξη, όπως εδώ στο "the Greek parliament in flames", με αποτέλεσμα να μοιάζει με κακά γραφικά της δεκαετίας του '80. Δεν υπάρχει ανάμειξη χρωμάτων, καπνοί και τα ατμοσφαιρικά εφέ που θα περίμενε κανείς:
Της είναι μακράν πιο εύκολο να φτιάχνει ζωγραφιές, όπως αυτό το εδώ το αρκετά πετυχημένο "Alexis Tsipras riding a pony":
Ή αυτό το "horse telling jokes to the pope". Να σημειώσω εδώ ότι αυτό είναι μόνο ένα από τα 4-5 εναλλακτικά αποτελέσματα που βγάζει. Αυτό ήταν το πιο κοντινό σε άλογο. Οι υπόλοιπες εικόνες ήταν κανονικοί άνθρωποι με περίεργες μύτες.
Ενώ έχει την δυνατότητα φωτορεαλιστικής απεικόνισης, τα πράγματα είναι τραγικά όταν πρέπει να φιλοτεχνήσει πρόσωπα. Εδώ δύο παραλλαγές στο θέμα "gorgeous man". Απλά τραγικό.
Ενδιαφέρον παρουσιάζει πώς αντιλαμβάνεται τελείως ράντομ κόνσεπτ, όπως ονόματα εταιρειών. Εδώ έχουμε "Google kicking Microsoft". Οι παραλλαγές ήταν όλες στυλ κουνγκ φου αλλά με φωτορεαλιστικούς ανθρώπους αντί ζωγραφιές. Αυτή ήταν η πιο διασκεδαστική και πετυχημένη.
Κάπου εδώ αρχίζει και δείχνει τους περιορισμούς της η εφαρμογή και με ποιον τρόπο ζωγραφίζει. Στην πραγματικότητα αυτό που κάνει είναι ότι έχει πρόσβαση σε μια τεράστια βιβλιοθήκη με εικόνες ακι έχει εκπαιδευτεί να συσχετίζει συγκεκριμένα αντικείμενα με συγκεκριμένες λέξεις. Αυτός είναι ο λόγος που δεν κατάφερα σε καμμιά μου προσπάθεια να βρω μια πετυχημένη εικόνα για το "Japanese building in the middle of the ocean". Όπως φαίνεται σ' αυτήν την εικόνα και σε κάθε εικόνα που μου έδωσε το πρόγραμμα, υπάρχουν στο βάθος βουνά. Μάλιστα προσπάθησα και με "with no mountains" και διάφορες παραλλαγές και πάντα έβγαζε βουνά στο βάθος. Γιατί; Γιατί η ΑΙ έχει εκπαιδευτεί σε εικόνες που πάντα τα παραδοσιακά γιαπωνέζικα κτήρια είχαν στο βάθος βουνά, οπότε συσχέτισε το κόνσεπτ "japanese building" με αυτές τις βασικές γεωμετρικές παραμέτρους που περιλάμβανουν ορεινούς όγκους στο βάθος. Η ΑΙ ήταν μη ικανή να αντιληφθεί ότι αυτό δεν είναι μέρος του κόνσεπτ.
