예술은 죽은 것이 아니라 기계가 생성한 것일 뿐입니다

AI 모델이 프로그래머를 대체하기 훨씬 전에 아티스트를 대체하는 이유

아마도 우리가 생성적 AI에서 볼 수 있는 가장 놀라운 의미는 창의성이 자동화에 직면한 인간 독창성의 마지막 보루가 될 것이라는 일반적인 견해와 달리 실제로는 훨씬 쉬움 상대적으로 간단한 프로그래밍 작업을 자동화하는 것보다 다소 어려운 창의적 작업을 자동화합니다. 이에 대한 이해를 돕기 위해 생성 AI에 대해 더 널리 사용되는 두 가지 사용 사례인 코드 생성과 이미지 생성을 비교합니다. 그러나 우리는 생성 모델이 더 복잡한 응용 프로그램으로 확장되더라도 주장이 더 일반적으로 유지된다고 믿습니다.

논쟁의 짧은 버전(아래에서 더 자세히 다루겠습니다)은 다음과 같은 제품이지만 GitHub 부조종사, 현재 형태에서는 코딩을 다소 효율적으로 만들 수 있지만 프로그래밍 지식을 갖춘 유능한 소프트웨어 개발자의 필요성을 배제하지 않습니다. 한 가지 큰 이유는 프로그램을 구축할 때 정확성이 정말 중요하기 때문입니다. AI가 프로그램을 생성하더라도 프로그램이 올바른지 확인하려면 사람이 여전히 필요합니다. 처음에는 프로그램을 만드는 것과 거의 같은 수준의 노력입니다.

반면에 입력할 수 있는 사람은 다음과 같은 모델을 사용할 수 있습니다. 안정적인 확산 훨씬 적은 비용으로 몇 분 안에 고품질의 독창적인 이미지를 생성할 수 있습니다. 창의적인 작업 결과물에는 엄격한 정확성 제약이 없는 경우가 많으며 모델의 출력은 놀랍도록 완벽합니다. 많은 용도에서 현재 AI가 생성할 수 있는 시각 자료는 이미 충분하고 우리는 아직 기술 초기 단계에 있기 때문에 창의적인 시각 자료에 의존하는 산업에서 완전한 위상 변화를 보지 않는 것은 어렵습니다.

우리는 현장이 움직이는 속도로 어떤 예측도 확신하기 어렵다는 것을 충분히 인정합니다. 그러나 지금은 제작자가 엄격하게 만든 사람이 디자인한 예술이 포함된 애플리케이션보다 프로그래머가 엄격하게 만든 창의적인 이미지로 가득 찬 애플리케이션을 볼 가능성이 훨씬 더 높은 것 같습니다. 

왜 과대 광고, 그리고 왜 지금?

코드 생성과 이미지 생성의 세부 사항을 살펴보기 전에 현재 AI 전체와 생성 AI가 얼마나 인기가 있는지 파악하는 것이 좋습니다.

제너레이티브 AI는 지금까지 본 개발자 중 가장 빠른 속도로 활용되고 있습니다. 우리가 이 글을 쓰면서 Stable Diffusion은 GitHub 리포지토리의 트렌드 차트에서 큰 차이로 쉽게 XNUMX위를 차지했습니다.. 그것의 성장은 인프라 또는 암호화의 최근 기술보다 훨씬 앞서 있습니다(위 그림 참조). 거의 매일 이 기술을 사용하는 신생 기업의 출시 및 자금 조달 발표가 있으며 온라인 소셜 네트워크는 생성 모델로 만든 콘텐츠로 넘쳐나고 있습니다.

지난 2010년 동안 AI에 대한 전반적인 투자 수준도 과장하기 어렵습니다. 20년대 중반 이후 출판물만 기하급수적으로 증가했습니다(아래 그림 참조). 오늘날 arXiv에 게시된 모든 기사의 약 XNUMX%가 AI, ML 및 NLP에 관한 것입니다. 중요한 것은 이론적 결과가 쉽게 소비할 수 있는 중요한 임계값을 넘어섰고 캄브리아기의 새로운 기술, 소프트웨어 및 신생 기업의 폭발을 촉발했다는 것입니다. 

위 그림에서 가장 최근에 급증한 것은 주로 생성 AI 때문입니다. XNUMX년 만에 우리는 이미지를 분류하고 단어 임베딩을 생성할 수 있는 전문가 전용 AI 모델에서 효과적인 코드를 작성하고 자연어 프롬프트를 사용하여 매우 정확한 이미지를 생성할 수 있는 공개적으로 사용 가능한 모델로 이동했습니다. 혁신의 속도가 빨라진 것은 놀라운 일이 아니며 생성 모델이 한때 인간이 지배했던 다른 영역으로 진출하기 시작하는 것도 놀라운 일이 아닙니다.

생성 AI 및 프로그래밍

제너레이티브 AI의 초기 사용 중 하나는 프로그래머의 도움이었습니다. 작동 방식은 모델이 대규모 코드 코퍼스(예: GitHub의 모든 공개 리포지토리)에서 훈련된 다음 코딩할 때 프로그래머에게 제안을 하는 것입니다. 결과는 탁월합니다. 이 접근 방식은 앞으로 프로그래밍과 동의어가 될 것입니다.

그러나 생산성 향상은 아래에서 다루는 이미지 생성에 비해 완만했습니다. 그 이유 중 하나는 위에서 언급했듯이 프로그래밍에서 정확성이 중요하기 때문입니다(실제로 엔지니어링 문제는 더 광범위하지만 이 게시물에서는 프로그래밍에 중점을 둡니다). 예를 들어, 최근 연구에서 발견 고위험과 일치하는 시나리오 CWE(공통 약점 열거), AI 생성 코드의 40%에 취약점 포함.

따라서 사용자는 의미 있는 생산성 향상을 제공하기 위해 충분한 코드를 생성하는 것과 정확성을 확인할 수 있도록 제한하는 것 사이에서 균형을 유지해야 합니다. 결과적으로 Copilot은 도움 개발자 생산성 향상 — 최근 연구(여기에서 지금 확인해 보세요. 와 여기에서 지금 확인해 보세요.) 2배 이하의 이득을 얻었지만 이전 개발자 언어 및 도구의 발전에서 보았던 것과 동등한 수준입니다. 예를 들어 어셈블리에서 C로 전환하면 생산성이 2~5배 향상되는 것으로 추정됩니다.

숙련된 프로그래머의 경우 우려 사항이 코드 정확성을 넘어 전체 코드 품질로 확장될 수 있습니다. 처럼 fast.ai의 제레미 하워드 설명했다 최신 버전의 OpenAI Codex 모델과 관련하여 “생성 중이기 때문에 장황한 코드를 작성하지 않습니다. 평균 암호. 저에게는 평균적인 코드를 가져와서 제가 좋아하고 올바른 것으로 알고 있는 코드로 만드는 것이 처음부터 작성하는 것보다 훨씬 느립니다. 적어도 제가 잘 아는 언어로 말입니다.”

따라서 생성 프로그래밍이 개발자 생산성의 단계적 기능인 것은 분명하지만 그 개선이 이전에 본 것과 크게 다른지는 분명하지 않습니다. Generative AI는 더 나은 프로그래머를 만들지만 여전히 프로그래밍해야 합니다.

제너레이티브 AI 및 비주얼

반면 생성 모델은 이미지 생성과 같은 창의적인 작업 출력에 미치는 영향이 매우 큽니다. 그 결과 효율성과 비용 면에서 몇 배나 많은 개선이 이루어졌으며 산업 전반에 걸쳐 위상 변화를 가져오는 것을 보지 않을 수 없습니다.

이 공간에서 생성 AI가 작동하는 방식은 사용자로부터 프롬프트라고 하는 간단한 텍스트 입력을 받은 다음 모델이 시각적 출력을 생성하는 것입니다. 현재 이미지, 비디오, 3D 모델 및 텍스처를 포함하여 많은 출력 형식을 만들기 위한 모델이 있습니다.

특히 흥미로운 점은 이러한 모델을 확장하여 창의적인 개입이 거의 없이 새롭거나 도메인별 이미지를 생성하는 방법입니다. 예를 들어 Guido(저자 중 한 명)는 사전 훈련된 이미지 모델을 가져와 수십 장의 자신의 사진에 대해 다시 훈련했습니다. 거기에서 그는 다음을 사용하여 사진을 생성할 수 있었습니다. 프롬프트에서. 다음은 다음 프롬프트에서 생성된 사진입니다. 캡틴 아메리카로"," 파리에서"," 그림에서".

이미지 생성이 비즈니스 맥락에서 코드 생성과 크게 다른 점은 생성 AI가 경제적 계산을 바꾸는 정도입니다. 위의 사진을 만들기 위해 Guido는 인프라 리소스에서 약 $50의 비용이 드는 사진 몇 장으로 모델을 교육했습니다.. 이미지를 생성하는 데 드는 비용은 약 $0.001입니다. 컴퓨팅 리소스에서 클라우드 또는 최신 세대 노트북에서. 또한 이미지를 생성하는 데 몇 초밖에 걸리지 않습니다. 

생성 AI가 없으면 사용자 정의 이미지를 얻는 유일한 방법은 아티스트를 고용하거나 직접 작업하는 것입니다. 한 사람이 10달러에 XNUMX시간 안에 완전히 맞춤형의 사실적인 이미지를 만들 수 있다는 가정으로 시작하더라도 생성 AI 접근 방식은 쉽게 XNUMX배 더 저렴하고 훨씬 더 빠릅니다. 보다 현실적으로 모든 맞춤형 아트워크 또는 그래픽 디자인 프로젝트는 며칠 또는 몇 주가 걸리며 비용은 수천 달러는 아니더라도 수백 달러입니다. 

위의 프로그래밍 지원과 유사하게 생성 AI는 도구로 채택 그리고 둘 다 어느 정도의 사용자 감독이 필요합니다. 그러나 전체 아티스트 출력을 모방하는 이미지 모델의 능력에 의해 생성되는 경제성의 차이를 과장하기는 어렵습니다. 코드 생성 모델을 사용하여 표준 컴퓨팅 작업을 수행하는 매우 기본적인 기능적 프로그램을 작성하려면 많은 코드 스니펫에 대한 테스트를 검토, 편집 및 추가해야 합니다. 그러나 기본 이미지의 경우 프롬프트를 입력하고 XNUMX개의 제안에서 이미지를 선택하는 데 XNUMX분도 걸리지 않습니다.

예를 들어 우리 자신의 만화가(및 투자 파트너) Yoko Li(@stuffyokodraws). 우리는 그녀의 이전 이미지 70개를 사용하여 모델을 훈련시켰고 모델은 으스스한 수준의 흉내를 내는 이미지를 생성할 수 있었습니다. 모든 아티스트는 다음에 무엇을 만들어야 하는지 알아내야 하며, 심지어 그녀는 훈련된 모델이 자신이 생각했던 것보다 더 많은 옵션을 표시할 수 있다는 사실을 발견했습니다. 동일한 개체를 그리는 방법은 수백 가지가 있지만 생성 모델을 사용하면 탐색할 가치가 있는 경로를 즉시 명확하게 알 수 있습니다. 

따라서 그러한 작업에 관해서는 컴퓨터가 반드시 더 사람보다 1:1로 그러나 다른 많은 작업과 마찬가지로 컴퓨터가 완전한 작업 출력을 생성할 수 있을 때 우리를 죽입니다. 규모. 

아래 그림 중 Yoko가 직접 그린 그림과 생성된 그림을 추측해 보세요. 

경제성의 엄청난 향상, 새로운 스타일과 개념을 만들 수 있는 유연성, 완전하거나 거의 완전한 작업 결과물을 생성할 수 있는 능력은 우리가 크리에이티브 자산이 중요한 모든 산업에서 현저한 변화를 볼 준비가 되어 있음을 시사합니다. 사업의 주요 부분. 그리고 이것은 이미지에 국한되지 않고 전체 디자인 분야에 적용됩니다. 예를 들어:

• Generative AI는 2D 아트, 텍스처, 3D 모델을 생성하고 게임의 레벨 디자인을 지원할 수 있습니다. 
• 마케팅에서는 스톡 아트, 제품 사진, 일러스트레이션을 대체할 태세를 갖추고 있습니다. 
• 우리는 이미 웹 디자인, 인테리어 디자인 및 조경 디자인에서 응용 프로그램을 보고 있습니다.

이제 시작에 불과합니다. 사용 사례에 창의적인 콘텐츠 생성이 필요한 경우 생성 AI가 이를 방해하거나 최소한 프로세스의 일부가 되지 않는 이유를 알기 어렵습니다.

-

자, 그럼 이 포스트의 요점은 무엇인가요? 코드 생성 및 이미지 생성에 다소 좁게 초점을 맞추었지만 결과가 더 광범위하게 유지될 것으로 예상됩니다. 특히 시각, 텍스트, 음악 등 전반에 걸친 창의적 노력은 시스템 구축 훨씬 전에 AI에 의해 중단될 가능성이 높습니다. 

위에서 사용하는 정확성 인수 외에도 모든 선행 기술을 결합하고 재결합하는 것이 창의적인 출력의 실제 범위에 충분할 수 있습니다. 예를 들어, 음악과 영화 산업은 역사적으로 인기 있는 앨범과 영화를 무수히 복제해 왔습니다. 생성 모델이 시간이 지남에 따라 이러한 기능을 자동화하는 데 도움이 될 수 있다는 것은 전적으로 생각할 수 있습니다. 그러나 Stable Diffusion과 DALL-E 2로 생성된 많은 이미지에서 놀라운 점은 그들은 정말 좋다 와 진정으로 흥미로운. 진정으로 흥미로운 음악 스타일의 융합을 생성하거나 개념과 스타일을 결합하는 방식이 흥미로운 장편 영화를 "작성"하는 AI 모델을 상상하는 것은 어렵지 않습니다. 

반대로 이전 시스템에 미래의 모든 시스템을 개발하는 데 필요한 모든 도구가 포함될 것이라고 상상하기는 어렵습니다. 또는 그 복잡한 시스템도 다양한 스타일의 예술이나 음악처럼 쉽게 결합될 수 있습니다. 종종 시스템의 가치와 구축하기 어려운 이유는 세부 사항의 긴 꼬리에 있습니다. 모든 장단점, 해결 방법, 주어진 설계 공간에 대한 최적화, 시스템에 포함된 제도적/잠재적 지식입니다. 따라서 계속해서 구축해야 합니다.

우리는 예측하려는 충동에 저항할 것입니다. 정확하게 생성 AI가 창조 산업에 미치는 영향. 하지만, 역사는 새로운 도구가 확장 예술의 정의를 계약하기보다, 새로운 유형의 아티스트가 액세스할 수 있도록. 이 경우 새로운 아티스트는 시스템 빌더입니다. 그래서, 기술 창업자들에게 제너레이티브 AI는 순전히 긍정적인 도구라고 믿습니다. 소프트웨어의 도달 범위를 확장하기 위해 – 게임은 더욱 아름다워지고, 마케팅은 더욱 매력적이며, 작성된 콘텐츠는 더욱 매력적이며, 영화는 더욱 고무적일 것입니다.

누가 알겠습니까: 언젠가는 2022년 말 인터넷 아카이브가 대부분 인간이 생성한 마지막 콘텐츠 저장소 중 하나로 소중하게 여겨질 수 있습니다. 적어도 이 기사의 이 텍스트는 전적으로 인간에 의해 생성되었습니다.