Votre ordinateur portable ne dort pas. C’est rêver.
Pendant que vous rattrapez votre retard sur les Z, des millions de serveurs sont occupés à réinterpréter d’anciennes données et à cracher du nouveau matériel étrange. Le moteur derrière ce rêve lucide numérique est Google Deep Dream. C’est un programme conçu pour trouver des motifs dans les images, puis les transformer en quelque chose de méconnaissable.
Vous téléchargez une photo. L’algorithme recherche les fonctionnalités qu’il reconnaît. Cela les amplifie jusqu’à ce qu’ils prennent le dessus. Le résultat va du ridicule au carburant artistique en passant par le véritable cauchemar.
Pourquoi le rêve profond est important
Ce n’est pas seulement une astuce de fête. C’est une fenêtre sur la façon dont les machines voient. En rendant publics ces outils, Google visait à comprendre comment ses systèmes classent et indexent les données visuelles. Vous pouvez l’essayer vous-même. Téléchargez une photo de votre chien. Quelques secondes plus tard, vous obtiendrez une version fantastique et déformée de cette même image.
Le résultat ressemble à Salvador Dali entrant en collision avec Jérôme Bosch, puis s’écrasant sur la palette de Van Gogh. Les feuilles deviennent des tourbillons colorés. Les montagnes se transforment en rectangles répétitifs. Des paysages vides poussent des pagodes, des voitures, des ponts et des parties de corps humains.
Et les animaux. Toujours des animaux.
Téléchargez un portrait de Tom Cruise. Le programme ne voit pas d’acteur. Il voit des plis et des espaces qui ressemblent à des têtes de chien, des écailles de poisson et d’autres créatures familières. Mais ce ne sont pas des animaux normaux. Ce sont des récréations fantastiques, croisées avec un kaléidoscope teinté de LSD. Ils sont étranges. Terrifiant.
Google n’alimente pas ses serveurs avec des produits chimiques hallucinogènes. Il guide ces supports de silicium pour analyser les images et les régurgiter comme de nouvelles représentations de notre monde.
Neurones en bits
Comment ça marche ? Cela témoigne de la nature de la façon dont nous construisons des appareils numériques. Il s’agit de la façon dont les machines digèrent la quantité inimaginable de données que nous déversons dans le cloud. Le processus imite les réseaux de neurones. Couches d’abstraction. La machine recherche des bords, puis des formes, puis des objets. Deep Dream l’oblige à doubler tout ce qu’il trouve en premier.
Ce n’est pas magique. C’est des mathématiques. Mais le résultat semble vivant.
Les résultats sont généralement une image numérique hybride bizarre qui donne l’impression que Salvador Dali a organisé une soirée de peinture endiablée avec Hieronymus Bosch et Vincent van Gogh.
Nous passons des années à essayer de faire ressembler l’IA aux humains. Deep Dream fait le contraire. Cela donne aux images l’apparence de l’IA. Cela expose l’écart entre la façon dont nous voyons et la façon dont le code traite la lumière.
Les implications vont au-delà de l’art étrange. Si une machine peut être amenée à voir des visages dans les nuages, qu’est-ce que nous ignorons d’autre ? Quels modèles se cachent à la vue de tous, en attendant que les bons paramètres se révèlent ?
Nous ne le savons pas encore. Les serveurs continuent de fonctionner. Les images ne cessent de changer. Le rêve continue.
Les ordinateurs sont inorganiques. Ils ne dorment pas. Ils ne rêvent pas. C’est du moins ce que nous avons supposé. Pourtant, Deep Dream se présente comme une contradiction visuelle flagrante avec cette logique. Cela prouve à quel point un programme informatique peut devenir tordu lorsqu’il est obligé de digérer des données du monde humain.
L’histoire d’origine n’est pas mystique. C’est bureaucratique. Les ingénieurs de Google ont construit le cadre initial du défi de reconnaissance visuelle à grande échelle ImageNet. Ce concours annuel, lancé en 2010, oppose des dizaines d’organisations. L’objectif est simple : trouver le moyen le plus efficace pour détecter et classer automatiquement des millions d’images. Chaque année, les développeurs peaufinent leurs méthodes. Ils réclament une meilleure précision. Ils réévaluent.
Pourquoi est-ce important pour vous ?
La reconnaissance d’images reste une lacune flagrante dans la boîte à outils Internet standard. Les moteurs de recherche s’accrochent toujours aux mots-clés saisis. C’est pourquoi vous devez étiqueter manuellement votre photothèque avec « chat », « maison » ou « Tommy ». Les ordinateurs ont du mal à regarder une image et à la comprendre. Les données visuelles sont compliquées. C’est encombré. Cela défie toute catégorisation claire.
Deep Dream a changé cette trajectoire. Cela a aidé les machines à apprendre à voir.
L’architecture de la perception
Pour faire fonctionner Deep Dream, les programmeurs ont déployé un réseau de neurones artificiels (ANN). Ce n’est pas seulement un algorithme sophistiqué. C’est un système conçu pour apprendre de manière autonome.
L’architecture imite le cerveau humain. Votre cerveau utilise plus de 100 milliards de neurones. Ces cellules nerveuses transmettent des impulsions qui permettent à votre corps de fonctionner. Deep Dream n’a pas de corps. Il a des couches.
Généralement, le réseau se compose de 10 à 30 couches de neurones artificiels.
Voici le processus :
– Les données entrent dans le réseau.
– Les neurones artificiels filtrent ces données de multiples façons.
– Le processus se répète encore et encore.
– Le système finit par arriver à un résultat.
Dans le cas de Deep Dream, le résultat est une image. Mais pas n’importe quelle image. C’est une hallucination.
Comment le rêve profond déforme la réalité
Vous vous demandez peut-être comment un programme convertit une scène familière en rendus d’art informatique qui pourraient hanter vos cauchemars.
La réponse réside dans ce que le réseau valorise. Le réseau neuronal a été formé pour reconnaître des modèles. Lorsqu’il traite une image, il recherche les bords, les formes et les textures. Deep Dream amplifie ces schémas. Il trouve ce qu’il reconnaît et l’exagère.
Il ne détecte pas seulement un chien. Il trouve le « caractère de chien » et l’injecte dans chaque coin de la photo. Une branche d’arbre devient un museau poilu. Une ombre devient un œil vigilant. L’ordinateur projette essentiellement son modèle interne du monde sur votre photographie.
Cerveaux informatiques et vélos
Le parallèle entre les procédés biologiques et artificiels est souvent exagéré, mais les mécanismes sont étonnamment similaires. Tout comme un neurone se déclenche en fonction des entrées des autres, chaque couche du réseau transmet les données filtrées à la suivante. Plus le réseau est profond, plus la représentation est abstraite.
Les premières couches peuvent détecter des lignes simples. Les couches ultérieures détectent des structures complexes. Deep Dream pousse cela à l’extrême. Cela ne s’arrête pas à la reconnaissance. Cela génère. Il reprend les concepts abstraits appris pendant la formation et les met sous forme visuelle.
C’est ainsi qu’une image statique devient un paysage psychédélique. L’ordinateur ne rêve pas au sens humain du terme. Il n’y a pas de désirs subconscients. Il a des poids et des préjugés. Il a une fonction de perte qu’il essaie de minimiser. Mais le résultat ? Le résultat ressemble à un rêve.
Les réseaux de neurones ne commencent pas à trier les données comme par magie. Ils ont besoin de formation. Sans une bibliothèque de référence d’exemples, le système est aveugle. Il passe au crible les pixels sans contexte.
La formation repose sur la répétition. Le blog de Google explique clairement les mécanismes. Si vous souhaitez qu’un réseau de neurones artificiels (ANN) reconnaisse un vélo, vous lui fournissez des millions d’images. Vous codez également des règles spécifiques : deux roues. Un siège. Guidon.
Ensuite, vous le laissez fonctionner. Les résultats sont rarement parfaits. Le système peut signaler les motos ou les cyclomoteurs comme des vélos. C’est là que l’intervention humaine entre en jeu. Les programmeurs modifient le code. Ils précisent que les vélos manquent de moteurs et de pots d’échappement. Ils refont la boucle. Et encore. Le réglage fin se poursuit jusqu’à ce que le résultat soit acceptable.
L’équipe Deep Dream a remarqué un changement. Une fois qu’un réseau apprend à identifier les objets, il peut également les recréer. Un système formé sur les vélos peut générer de nouvelles images de vélo sans nouvelle contribution. Il classe, trie, puis crée.
Mais le processus de génération est défectueux. Même après avoir analysé des millions de photos de vélo, l’ordinateur commet des erreurs critiques. Cela pourrait attacher des mains humaines au guidon. Ou les pieds aux pédales. Pourquoi? Parce que les données de formation incluent souvent des personnes. Le réseau a du mal à séparer les pièces de vélo des pièces humaines.
Ces erreurs se produisent pour plusieurs raisons. Même les ingénieurs logiciels ne comprennent pas pleinement le comportement de chaque neurone. Mais connaître l’architecture permet d’expliquer les problèmes.
Les neurones artificiels fonctionnent en pile. Deep Dream utilise entre 10 et 30 couches. Chaque calque capture différents détails de l’image. Les premières couches détectent les bordures et les bords de base. Les couches intermédiaires identifient les couleurs et l’orientation. D’autres couches recherchent des formes ressemblant à des chaises ou des ampoules. Les couches finales réagissent uniquement aux objets complexes comme les voitures, les feuilles ou les bâtiments.
Les développeurs de Google appellent cette architecture l’inceptionnisme. Ils ont même publié une galerie publique du travail de Deep Dream pour présenter les résultats.
Une fois que le réseau isole différents aspects de l’image, les possibilités s’ouvrent. Pour Deep Dream, Google a demandé au réseau de générer des images entièrement nouvelles à partir de ces fonctionnalités extraites.
L’obscurité à la limite
La boucle de rétroaction de la perception artificielle
La véritable astuce ne consiste pas simplement à laisser l’algorithme sélectionner les fonctionnalités. Cela rend l’ordinateur obsédé par eux. Les ingénieurs de Google ont donné une directive à Deep Dream : trouver des modèles et les amplifier. S’il repère une forme de chien dans le tissage cachemire de votre canapé, il ne se contente pas de le remarquer. Cela exagère le museau. Cela aiguise les oreilles. Il transforme une impression textile inoffensive en visage canin.
Chaque itération ajoute plus de détails. Fourrure. Yeux. Dents. L’image originale est ensevelie sous le poids de sa propre détection. Vous commencez avec un canapé. Vous vous retrouvez avec un chien. Puis un autre chien à l’intérieur de ce chien. C’est un zoom récursif, une boucle de rétroaction qui se nourrit d’elle-même jusqu’à ce que l’image se transforme en quelque chose de psychédélique.
Les nuages deviennent des sauterelles spatiales. Les voitures arc-en-ciel sortent de l’électricité statique. Et il y a toujours des chiens. Pourquoi? Parce que les données de dressage comprenaient 120 sous-classes distinctes de chiens. Le réseau a été savamment classé en reconnaissance canine. Ainsi, lorsqu’il recherche une forme, il est statistiquement susceptible de trouver des visages de chiot. C’est un biais inscrit dans le code.
Créer de l’art à partir de rien
Deep Dream n’a même pas besoin d’une image source. Nourrissez-lui un écran blanc. Nourrissez-le avec un bruit aléatoire. Il recherchera toujours une structure. Il traite la toile vierge comme une matière première pour donner du sens. Le logiciel tente d’imposer de l’ordre dans le chaos. Il recherche des bords. Il construit des formes à partir du vide.
Cela révèle l’objectif principal du projet. Il ne s’agit pas seulement d’art étrange. Il s’agit d’apprendre aux machines à contextualiser les données visuelles qui inondent Internet. L’objectif est une meilleure reconnaissance des images. Meilleur filtrage. Meilleure compréhension de ce que nous voyons en ligne.
Est-ce qu’ils rêvent ?
L’ordinateur fait-il rêver ? Ou s’agit-il simplement d’un traitement des données d’une manière qui nous semble troublante ?
Personne ne code des tâches spécifiques. Les instructions sont vagues. Trouvez des détails. Accentuez-les. Répéter. Le logiciel fonctionne sans assistance humaine manifeste. Le résultat est le reflet direct de cette autonomie.
S’agit-il d’œuvres d’art créées par des machines ? Peut-être. Ce sont des manifestations de la logique du silicium. Mais ils laissent également entrevoir un avenir dans lequel les ordinateurs dépendront moins de la contribution humaine. Vous pourriez craindre que des machines sensibles prennent le relais. À l’heure actuelle, cette technologie vous aide à parcourir des millions de photos plus rapidement. Cela améliore la recherche. Il améliore le traitement des données visuelles.
Le rythme des progrès s’accélère. Grâce à des expériences comme celle-ci, la prochaine étape dans la reconnaissance d’images est déjà en cours. Nous assistons aux premiers stades d’un nouveau type d’intelligence. Celui qui trouve des modèles qui pourraient nous manquer. Celui qui voit des chiens dans les nuages.
Questions fréquemment répondues
Qu’est-ce que l’Opération DeepDream ?
Lancé par Google en 2015, DeepDream utilise un réseau neuronal convolutif pour améliorer les motifs des images. Il ajoute des couches à l’image, créant des visuels étranges et surnaturels en amplifiant les caractéristiques détectées par l’IA.
Le générateur DeepDream est-il gratuit ?
Oui, le générateur DeepDream est gratuit.
