Seni Tidak Mati, Itu Hanya Hasil Mesin

Mengapa model AI akan menggantikan artis jauh sebelum mereka menggantikan pemrogram

Mungkin implikasi yang paling mencengangkan yang kita lihat dari AI generatif adalah bahwa, bertentangan dengan pandangan umum bahwa kreativitas akan menjadi benteng terakhir kecerdikan manusia dalam menghadapi otomatisasi, tampaknya memang demikian. jauh lebih mudah untuk mengotomatiskan tugas kreatif yang agak sulit daripada mengotomatiskan tugas pemrograman yang relatif sederhana. Untuk memahami hal ini, kami membandingkan dua kasus penggunaan yang lebih populer untuk AI generatif: pembuatan kode dan pembuatan gambar. Namun kami yakin klaim tersebut berlaku secara lebih umum, bahkan saat model generatif berkembang menjadi aplikasi yang lebih kompleks.

Versi singkat dari argumen (yang kami tangani lebih detail di bawah) adalah meskipun produknya seperti Kopilot GitHub, dalam bentuknya saat ini, dapat membuat pengkodean menjadi lebih efisien, tidak meniadakan kebutuhan akan pengembang perangkat lunak yang cakap dengan pengetahuan pemrograman. Salah satu alasan utamanya adalah, ketika membangun sebuah program, ketepatan sangatlah penting. Jika AI menghasilkan sebuah program, itu masih membutuhkan manusia untuk memverifikasi kebenarannya - upaya pada tingkat yang hampir sama dengan membuatnya sejak awal.

Sebaliknya, siapa saja yang bisa mengetik bisa menggunakan model like Difusi Stabil untuk menghasilkan gambar satu-satunya berkualitas tinggi dalam hitungan menit, dengan biaya yang jauh lebih murah. Produk karya kreatif seringkali tidak memiliki batasan kebenaran yang ketat, dan keluaran modelnya sangat lengkap. Sulit untuk tidak melihat pergeseran fase penuh dalam industri yang mengandalkan visual kreatif karena, untuk banyak kegunaan, visual yang dapat diproduksi oleh AI sekarang sudah cukup, dan kita masih berada di tahap awal teknologi.

Kami sepenuhnya mengakui bahwa sulit untuk percaya diri dalam prediksi apa pun dengan kecepatan pergerakan lapangan. Namun saat ini, tampaknya kita lebih cenderung melihat aplikasi yang penuh dengan gambar kreatif yang dibuat secara ketat oleh pemrogram daripada aplikasi dengan karya seni yang dirancang oleh manusia yang dibuat secara ketat oleh pencipta. 

Mengapa hype, dan mengapa sekarang?

Sebelum kita membahas secara spesifik pembuatan kode versus pembuatan gambar, ada gunanya untuk mengetahui seberapa populer AI secara keseluruhan dan AI generatif, khususnya, saat ini.

AI generatif melihat penggunaan tercepat oleh pengembang yang pernah kami lihat. Saat kami menulis ini, Difusi Stabil dengan mudah menduduki puncak grafik trending repositori GitHub dengan selisih lebar. Pertumbuhannya jauh di depan teknologi terbaru dalam infrastruktur atau crypto (lihat gambar di atas). Hampir setiap hari ada pengumuman peluncuran dan pendanaan startup yang menggunakan teknologi ini, dan jejaring sosial online dibanjiri dengan konten yang dibuat oleh model generatif.

Tingkat keseluruhan investasi dalam AI selama dekade terakhir juga sulit untuk dilebih-lebihkan. Kami telah melihat peningkatan eksponensial dalam publikasi sejak pertengahan 2010-an (lihat gambar di bawah). Saat ini, sekitar 20% dari semua artikel yang diposting di arXiv adalah tentang AI, ML, dan NLP. Yang penting, hasil teoretis telah melewati ambang kritis di mana mereka menjadi mudah dikonsumsi dan memicu ledakan Cambrian dari teknik, perangkat lunak, dan startup baru. 

Lonjakan terbaru pada gambar di atas sebagian besar disebabkan oleh AI generatif. Dalam satu dekade, kami beralih dari model AI khusus pakar yang dapat mengklasifikasikan gambar dan membuat penyematan kata menjadi model yang dapat digunakan publik yang dapat menulis kode efektif dan membuat gambar yang sangat akurat menggunakan perintah bahasa alami. Tidak mengherankan jika laju inovasi semakin meningkat, dan tidak mengherankan ketika model generatif mulai membuat terobosan ke area lain yang pernah didominasi oleh manusia.

AI dan pemrograman generatif

Salah satu penggunaan paling awal dari AI generatif adalah sebagai bantuan pemrogram. Cara kerjanya adalah model dilatih pada korpus kode yang besar (misalnya semua repo publik di GitHub) dan kemudian memberikan saran kepada pemrogram saat mereka membuat kode. Hasilnya luar biasa. Sedemikian rupa sehingga masuk akal bahwa pendekatan ini akan menjadi identik dengan pemrograman di masa mendatang.

Namun, peningkatan produktivitas relatif sederhana dibandingkan dengan pembuatan gambar, yang kami bahas di bawah. Bagian dari alasannya, seperti yang disebutkan di atas, adalah bahwa kebenaran sangat penting dalam pemrograman (dan memang masalah teknik secara lebih luas, tetapi kami fokus pada pemrograman di posting ini). Sebagai contoh, sebuah penelitian terbaru ditemukan bahwa untuk skenario pencocokan berisiko tinggi CWE (pencacahan kelemahan umum), 40% dari kode yang dihasilkan AI mengandung kerentanan.

Oleh karena itu, pengguna harus mencapai keseimbangan antara membuat kode yang cukup untuk memberikan dorongan produktivitas yang berarti, sambil tetap membatasinya sehingga memungkinkan untuk memeriksa kebenarannya. Alhasil, Kopilot punya membantu meningkatkan produktivitas pengembang — studi terbaru (di sini dan di sini) dapatkan keuntungan di urutan 2x atau kurang — tetapi pada tingkat yang setara dengan apa yang telah kita lihat di kemajuan bahasa dan alat pengembang sebelumnya. Lompatan dari perakitan ke C, misalnya, meningkatkan produktivitas 2-5x menurut beberapa perkiraan.

Untuk pemrogram yang lebih berpengalaman, kekhawatiran mungkin melampaui kebenaran kode dan kualitas kode secara keseluruhan. Sebagai cepatJeremy Howard telah menjelaskan sehubungan dengan versi terbaru dari model OpenAI Codex, “[I] t menulis kode verbose karena menghasilkan rata-rata kode. Bagi saya, mengambil kode rata-rata dan membuatnya menjadi kode yang saya suka dan saya tahu benar jauh lebih lambat daripada hanya menulisnya dari awal — setidaknya dalam bahasa yang saya kuasai dengan baik.”

Jadi meskipun pemrograman generatif jelas merupakan fungsi langkah dalam produktivitas pengembang, tidak jelas peningkatannya sangat berbeda dari yang telah kita lihat sebelumnya. AI generatif membuat pemrogram yang lebih baik, tetapi tetap harus memprogram.

AI dan visual generatif

Di sisi lain, pengaruh model generatif terhadap keluaran karya kreatif, seperti penciptaan citra, sangat ekstrem. Ini telah menghasilkan banyak peningkatan besar-besaran dalam efisiensi dan biaya, dan sulit untuk tidak melihatnya mengantarkan pergeseran fase di seluruh industri.

Cara kerja AI generatif di ruang ini adalah dengan mengambil input tekstual sederhana dari pengguna, yang disebut prompt, dan kemudian model menghasilkan output visual. Saat ini, ada model untuk membuat banyak format keluaran, termasuk gambar, video, model 3D, dan tekstur.

Yang sangat menarik adalah bagaimana model ini dapat diperluas untuk menghasilkan gambar baru atau khusus domain dengan hampir tanpa intervensi kreatif. Misalnya, Guido (salah satu penulis) mengambil model gambar pra-dilatih dan melatihnya kembali pada beberapa lusin foto dirinya. Dari situ, dia bisa menghasilkan gambar menggunakan di prompt. Di bawah ini adalah foto yang dihasilkan dari petunjuk berikut: ” sebagai kapten amerika"," di Paris"," dalam sebuah lukisan".

Di mana pembuatan gambar merupakan keberangkatan besar dari pembuatan kode dalam konteks bisnis adalah sejauh mana AI generatif mengubah kalkulus ekonomi. Untuk membuat gambar di atas, Guido melatih model pada beberapa foto dengan biaya sumber daya infrastruktur sekitar $50. Setelah dilatih, biaya pembuatan gambar sekitar $0.001 dalam sumber daya komputasi dan dapat dilakukan di cloud atau pada laptop generasi terbaru. Selanjutnya, menghasilkan gambar hanya membutuhkan beberapa detik. 

Tanpa AI generatif, satu-satunya cara untuk mendapatkan gambar khusus adalah dengan menyewa artis atau melakukannya sendiri. Bahkan jika kita mulai dengan asumsi bahwa seseorang dapat membuat gambar fotorealistik yang benar-benar sesuai pesanan dalam waktu satu jam seharga $10, pendekatan AI generatif dengan mudah empat urutan besarnya lebih murah dan urutan besarnya lebih cepat. Lebih realistis lagi, karya seni khusus atau proyek desain grafis kemungkinan akan memakan waktu berhari-hari atau berminggu-minggu, dan akan menelan biaya ratusan, bahkan ribuan dolar. 

Mirip dengan alat bantu pemrograman di atas, AI generatif akan menjadi diadopsi sebagai alat oleh seniman dan keduanya memerlukan beberapa tingkat pengawasan pengguna. Tapi sulit untuk melebih-lebihkan perbedaan dalam ekonomi yang diciptakan oleh kemampuan model gambar untuk meniru hasil artis sepenuhnya. Menggunakan model pembuatan kode, bahkan menulis program fungsional yang sangat mendasar yang melakukan tugas komputasi standar memerlukan peninjauan, pengeditan, dan penambahan pengujian untuk banyak cuplikan kode. Namun untuk gambar dasar, memasukkan perintah dan memilih gambar dari selusin saran dapat dilakukan dalam waktu kurang dari satu menit.

Ambil contoh kartunis kami sendiri (dan mitra investasi) Yoko Li (@stuffyokodraws). Kami melatih model menggunakan 70 gambar sebelumnya, dan model tersebut mampu menghasilkan gambar dengan tingkat mimikri yang menakutkan. Setiap seniman harus mencari tahu apa yang harus dibuat selanjutnya, dan dia bahkan menemukan bahwa model yang terlatih dapat memunculkan lebih banyak pilihan daripada yang dia pikirkan - setidaknya ketika ditekan untuk menghasilkan sesuatu dalam periode waktu tertentu. Ada ratusan cara untuk menggambar objek yang sama, tetapi model generatif langsung memperjelas jalur mana yang perlu ditelusuri. 

Jadi ketika datang ke tugas-tugas seperti itu, kami tidak memperdebatkan komputer itu perlu lebih baik daripada manusia pada basis 1:1. Tetapi seperti banyak tugas lainnya, ketika komputer dapat menghasilkan hasil kerja yang lengkap, mereka hanya membunuh kita skala. 

Coba tebak gambar mana di bawah ini yang digambar langsung oleh Yoko dan mana yang dihasilkan. 

Peningkatan besar-besaran di bidang ekonomi, fleksibilitas untuk dapat membuat gaya dan konsep baru, dan kemampuan untuk menghasilkan hasil kerja yang lengkap atau hampir selesai memberi kesan kepada kami bahwa kami siap untuk melihat perubahan nyata di semua industri di mana aset kreatif adalah a bagian utama dari bisnis. Dan ini tidak terbatas pada gambar, tetapi berlaku untuk seluruh bidang desain. Sebagai contoh:

• AI generatif dapat membuat seni 2D, tekstur, model 3D, dan membantu desain level untuk game. 
• Dalam pemasaran, tampaknya siap menggantikan stock art, fotografi produk, dan ilustrasi. 
• Kami sudah melihat aplikasi dalam desain web, desain interior, dan desain lansekap.

Dan kami benar-benar baru di awal. Jika kasus penggunaan membutuhkan pembuatan konten yang kreatif, sulit untuk melihat argumen mengapa AI generatif tidak akan mengganggu atau setidaknya menjadi bagian dari proses.

-

Oke, jadi apa inti dari postingan ini? Meskipun fokusnya agak sempit pada pembuatan kode dan pembuatan gambar, kami menduga hasilnya lebih luas. Secara khusus, upaya kreatif secara menyeluruh — baik visual, tekstual, atau musikal — kemungkinan besar akan terganggu oleh AI jauh sebelum sistem dibangun. 

Selain argumen kebenaran yang kami gunakan di atas, mungkin juga menggabungkan dan menggabungkan kembali semua seni sebelumnya mungkin cukup untuk rentang praktis keluaran kreatif. Industri musik dan film, misalnya, secara historis telah menghasilkan tiruan album dan film populer yang tak terhitung jumlahnya. Sangat mungkin bahwa model generatif dapat membantu mengotomatiskan fungsi-fungsi tersebut dari waktu ke waktu. Namun, hal yang luar biasa dari begitu banyak gambar yang dihasilkan oleh Stable Diffusion dan DALL-E 2 adalah mereka sangat bagus dan benar-benar menarik. Tidaklah sulit untuk membayangkan model AI menghasilkan perpaduan gaya musik yang benar-benar menarik atau bahkan "menulis" film berdurasi panjang yang menarik dalam cara menggabungkan konsep dan gaya. 

Sebaliknya, sulit membayangkan bahwa sistem sebelumnya akan berisi semua alat yang kami perlukan untuk mengembangkan semua sistem masa depan. Atau bahkan sistem yang rumit itu dapat dengan mudah dipadukan seperti berbagai gaya seni atau musik. Seringkali nilai dari suatu sistem, dan mengapa mereka begitu sulit untuk dibangun, berada dalam detail yang panjang - semua pengorbanan, solusi, pengoptimalan untuk ruang desain tertentu, dan pengetahuan kelembagaan / laten yang dikandungnya. Jadi terus membangun kita harus.

Kami akan menahan keinginan untuk memprediksi persis bagaimana AI generatif akan berdampak pada industri kreatif. Namun, sejarah menunjukkan bahwa alat-alat baru cenderung memperluas daripada kontrak definisi seni, dan membuatnya dapat diakses oleh jenis artis baru. Dalam hal ini, artis baru adalah pembangun sistem. Jadi, bagi para pendiri teknologi, kami yakin AI generatif benar-benar alat yang positif untuk memperluas jangkauan perangkat lunak – game akan lebih indah, pemasaran lebih menarik, konten tertulis lebih menarik, film lebih menginspirasi.

Siapa tahu: Suatu hari nanti, arsip internet akhir tahun 2022 mungkin akan dihargai sebagai salah satu repositori konten terakhir yang sebagian besar dibuat oleh manusia. Teks untuk artikel ini, setidaknya, seluruhnya dibuat oleh manusia.