Uw laptop slaapt niet. Het is dromen.
Terwijl jij Zs aan het inhalen bent, zijn miljoenen servers druk bezig met het herinterpreteren van oude gegevens en het uitspugen van vreemd, nieuw materiaal. De motor achter dit digitale lucide dromen is Google Deep Dream. Het is een programma dat is ontworpen om patronen in afbeeldingen te vinden en deze vervolgens in iets onherkenbaars te veranderen.
Je uploadt een foto. Het algoritme zoekt naar kenmerken die het herkent. Het versterkt ze totdat ze het overnemen. Het resultaat varieert van dwaas tot artistiek tot regelrechte nachtmerriebrandstof.
Waarom diepe dromen belangrijk zijn
Dit is niet zomaar een feesttruc. Het is een venster op hoe machines zien. Door deze tools openbaar te maken, wilde Google begrijpen hoe zijn systemen visuele gegevens classificeren en indexeren. Je kunt het zelf proberen. Upload een foto van uw hond. Enkele seconden later krijg je een fantastische, vervormde versie van datzelfde beeld.
De afbeelding ziet eruit alsof Salvador Dali in botsing komt met Jheronimus Bosch en vervolgens tegen het palet van Van Gogh botst. Bladeren worden kleurrijke wervelingen. Bergen veranderen in repetitieve rechthoeken. Uit lege landschappen ontstaan pagodes, auto’s, bruggen en menselijke lichaamsdelen.
En dieren. Altijd dieren.
Upload een portret van Tom Cruise. Het programma ziet geen acteur. Het ziet plooien en ruimtes die lijken op hondenkoppen, vissenschubben en andere bekende wezens. Maar dit zijn geen normale dieren. Het zijn fantastische recreaties, gekruist met een LSD-getinte caleidoscoop. Ze zijn griezelig. Angstaanjagend.
Google voedt zijn servers geen hallucinogene chemicaliën. Het begeleidt die rekken met silicium om beelden te analyseren en ze uit te braken als nieuwe representaties van onze wereld.
Neuronen in bits
Hoe werkt het? Het spreekt over de aard van de manier waarop we digitale apparaten bouwen. Het gaat over hoe machines de onvoorstelbare hoeveelheid gegevens verwerken die we in de cloud dumpen. Het proces bootst neurale netwerken na. Lagen van abstractie. De machine zoekt naar randen, vervolgens naar vormen en vervolgens naar objecten. Deep Dream dwingt het om te verdubbelen wat het als eerste vindt.
Het is geen magie. Het is wiskunde. Maar de output voelt levend.
Het resultaat is typisch een bizar hybride digitaal beeld dat eruitziet alsof Salvador Dali de hele nacht een wild schilderfeestje had met Jheronimus Bosch en Vincent van Gogh.
We doen er jaren over om AI op mensen te laten lijken. Deep Dream doet het tegenovergestelde. Het zorgt ervoor dat afbeeldingen op AI lijken. Het legt de kloof bloot tussen hoe wij zien en hoe code licht verwerkt.
De implicaties gaan verder dan vreemde kunst. Als een machine ertoe kan worden overgehaald gezichten in wolken te zien, wat ziet hij dan nog meer dat we negeren? Welke patronen verbergen zich in het volle zicht, wachtend tot de juiste parameters zich openbaren?
We weten het nog niet. De servers blijven werken. De beelden veranderen steeds. De droom gaat verder.
Computers zijn anorganisch. Ze slapen niet. Ze dromen niet. Of dat dachten we tenminste. Toch is Deep Dream een grimmige, visuele tegenspraak met die logica. Het bewijst hoe verwrongen een computerprogramma kan worden als het gedwongen wordt gegevens uit de menselijke wereld te verwerken.
Het oorsprongsverhaal is niet mystiek. Het is bureaucratisch. De technici van Google hebben het eerste raamwerk gebouwd voor de ImageNet Large Scale Visual Recognition Challenge. Bij deze jaarlijkse wedstrijd, gelanceerd in 2010, nemen tientallen organisaties het tegen elkaar op. Het doel is simpel: de meest effectieve manier vinden om miljoenen afbeeldingen automatisch te detecteren en classificeren. Elk jaar passen de ontwikkelaars hun methoden aan. Ze streven naar een betere nauwkeurigheid. Ze evalueren opnieuw.
Waarom is dit belangrijk voor jou?
Beeldherkenning blijft een opvallend gat in de standaard internettoolkit. Zoekmachines houden zich nog steeds vast aan getypte trefwoorden. Daarom moet je je fotobibliotheek handmatig taggen met ‘kat’, ‘huis’ of ‘Tommy’. Computers hebben moeite om naar een afbeelding te kijken en deze te begrijpen. Visuele gegevens zijn rommelig. Het is rommelig. Het tart een zuivere categorisering.
Deep Dream veranderde dat traject. Het hielp machines te leren zien.
De architectuur van perceptie
Om Deep Dream te laten functioneren, hebben programmeurs een kunstmatig neuraal netwerk (ANN) ingezet. Dit is niet alleen een mooi algoritme. Het is een systeem dat is ontworpen om zelfstandig te leren.
De architectuur bootst het menselijk brein na. Je hersenen gebruiken meer dan 100 miljard neuronen. Deze zenuwcellen zenden impulsen uit die uw lichaam draaiende houden. Deep Dream heeft geen lichaam. Het heeft lagen.
Meestal bestaat het netwerk uit 10 tot 30 lagen kunstmatige neuronen.
Hier is het proces:
– Gegevens komen het netwerk binnen.
– Kunstmatige neuronen filteren deze gegevens op talloze manieren.
– Het proces herhaalt zich keer op keer.
– Het systeem komt uiteindelijk tot een resultaat.
In het geval van Deep Dream is het resultaat een afbeelding. Maar niet zomaar een beeld. Het is een hallucinatie.
Hoe diepe dromen de werkelijkheid vervormen
Je vraagt je misschien af hoe een programma een bekende scène omzet in computerkunstweergaven die je nachtmerries kunnen achtervolgen.
Het antwoord ligt in wat het netwerk waardeert. Het neurale netwerk is getraind om patronen te herkennen. Wanneer het een afbeelding verwerkt, zoekt het naar randen, vormen en texturen. Deep Dream versterkt deze patronen. Het vindt wat het herkent en overdrijft het.
Het detecteert niet alleen een hond. Het vindt “hondigheid” en injecteert dit in elke hoek van de foto. Een boomtak wordt een harige snuit. Een schaduw wordt een waakzaam oog. De computer projecteert in wezen zijn interne model van de wereld op uw foto.
Computerhersenen en fietsen
De parallel tussen biologische en kunstmatige verwerking wordt vaak overdreven, maar de mechanismen zijn verrassend vergelijkbaar. Net zoals een neuron vuurt op basis van input van anderen, geeft elke laag in het netwerk gefilterde gegevens door aan de volgende. Hoe dieper het netwerk, hoe abstracter de representatie.
Vroege lagen kunnen eenvoudige lijnen detecteren. Latere lagen detecteren complexe structuren. Deep Dream drijft dit tot het uiterste. Het stopt niet bij herkenning. Het genereert. Het neemt de abstracte concepten die tijdens de training zijn geleerd en dwingt ze in visuele vorm.
Zo wordt een statisch beeld een psychedelisch landschap. De computer droomt niet in menselijke zin. Het heeft geen onbewuste verlangens. Er zijn gewichten en vooroordelen. Het heeft een verliesfunctie die het probeert te minimaliseren. Maar de opbrengst? De output ziet eruit als een droom.
Neurale netwerken beginnen niet zomaar op magische wijze gegevens te sorteren. Ze hebben training nodig. Zonder een referentiebibliotheek met voorbeelden is het systeem blind. Het doorzoekt pixels zonder context.
Training is afhankelijk van herhaling. De blog van Google legt de werking duidelijk uit. Als je wilt dat een Kunstmatig Neuraal Netwerk (ANN) een fiets herkent, voed je hem miljoenen afbeeldingen. Je codeert ook specifieke regels: twee wielen. Een stoel. Stuur.
Dan laat je het lopen. De resultaten zijn zelden perfect. Het systeem kan motorfietsen of bromfietsen markeren als fietsen. Dit is waar menselijke tussenkomst begint. Programmeurs passen de code aan. Ze verduidelijken dat fietsen geen motoren en uitlaatpijpen hebben. Ze lopen de lus opnieuw. En opnieuw. Het afstemmen gaat door totdat de uitvoer acceptabel is.
Het Deep Dream-team merkte een verschuiving op. Zodra een netwerk objecten leert identificeren, kan het deze ook opnieuw creëren. Een systeem dat is getraind op fietsen kan nieuwe fietsbeelden genereren zonder nieuwe input. Het classificeert, sorteert en creëert vervolgens.
Maar het generatieproces is gebrekkig. Zelfs na het analyseren van miljoenen fietsfoto’s maakt de computer kritische fouten. Het zou menselijke handen aan het stuur kunnen bevestigen. Of voeten naar pedalen. Waarom? Omdat de trainingsgegevens vaak mensen omvatten. Het netwerk heeft moeite om fietsonderdelen van menselijke delen te scheiden.
Deze fouten kunnen om vele redenen optreden. Zelfs software-ingenieurs begrijpen het gedrag van elk neuron niet volledig. Maar het kennen van de architectuur helpt de problemen te verklaren.
De kunstmatige neuronen werken in stapels. Deep Dream gebruikt tussen de 10 en 30 lagen. Elke laag legt verschillende beelddetails vast. Vroege lagen detecteren basisgrenzen en randen. Middelste lagen identificeren kleuren en oriëntatie. Andere lagen zoeken naar vormen die op stoelen of gloeilampen lijken. De laatste lagen reageren alleen op complexe objecten zoals auto’s, bladeren of gebouwen.
De ontwikkelaars van Google noemen deze architectuur inceptionisme. Ze publiceerden zelfs een openbare galerij met het werk van Deep Dream om de resultaten te laten zien.
Zodra het netwerk verschillende beeldaspecten isoleert, openen de mogelijkheden zich. Voor Deep Dream gaf Google het netwerk de opdracht om geheel nieuwe afbeeldingen te genereren uit deze geëxtraheerde functies.
Duisternis aan de rand
De feedbacklus van kunstmatige perceptie
De echte truc is om het algoritme niet alleen functies te laten kiezen. Het zorgt ervoor dat de computer geobsedeerd raakt door hen. De technici van Google gaven Deep Dream een richtlijn: vind patronen en versterk ze. Als hij een hondenvorm in het paisley-weefsel van uw bank ziet, merkt hij dat niet alleen op. Het overdrijft de snuit. Het scherpt de oren. Het verandert een onschuldige textielprint in een hondengezicht.
Elke iteratie bevat meer details. Bond. Ogen. Tanden. Het originele beeld raakt bedolven onder het gewicht van zijn eigen detectie. Je begint met een bank. Je eindigt met een hond. Dan nog een hond in die hond. Het is een recursieve zoomlens, een feedbacklus die zichzelf voedt totdat het beeld verandert in iets psychedelisch.
Wolken worden ruimtesprinkhanen. Regenboogauto’s komen tevoorschijn uit de statische elektriciteit. En er zijn altijd honden. Waarom? Omdat de trainingsgegevens 120 verschillende hondensubklassen omvatten. Het netwerk werd vakkundig geclassificeerd op het gebied van hondenherkenning. Dus als het naar vorm scant, is het statistisch gezien waarschijnlijk dat het puppygezichten vindt. Het is een vooroordeel dat in de code is ingebakken.
Kunst creëren vanuit het niets
Deep Dream heeft niet eens een bronafbeelding nodig. Geef het een wit scherm. Voer het willekeurige ruis. Het zal nog steeds op zoek zijn naar structuur. Het behandelt het lege canvas als grondstof voor betekenis. De software probeert orde in de chaos te brengen. Er wordt gezocht naar randen. Het construeert vormen uit de leegte.
Dit maakt het kerndoel van het project duidelijk. Het gaat niet alleen om vreemde kunst. Het gaat erom machines te leren de visuele gegevens die het internet overspoelen te contextualiseren. Het doel is een betere beeldherkenning. Betere filtering. Beter begrip van wat we online zien.
Dromen ze?
Droomt de computer? Of verwerken we gegevens gewoon op een manier die wij verontrustend vinden?
Niemand codeert specifieke taken. De instructies zijn vaag. Vind details. Accentueer ze. Herhalen. De software werkt zonder openlijke menselijke begeleiding. De output is een directe weerspiegeling van die autonomie.
Zijn dit machinaal gemaakte kunstwerken? Misschien. Het zijn manifestaties van siliciumlogica. Maar ze wijzen ook op een toekomst waarin computers minder afhankelijk zijn van menselijke input. Je bent misschien bang dat bewuste machines het overnemen. Op dit moment helpt deze technologie je sneller door miljoenen foto’s te bladeren. Het verbetert het zoeken. Het verbetert de visuele gegevensverwerking.
Het tempo van de vooruitgang versnelt. Dankzij dit soort experimenten is de volgende sprong in beeldherkenning al aan de gang. We zien de eerste stadia van een nieuw soort intelligentie. Eén die patronen ontdekt die we misschien missen. Eén die honden in de wolken ziet.
Veelgestelde vragen
Wat is Operatie DeepDream?
DeepDream werd in 2015 door Google gelanceerd en gebruikt een convolutioneel neuraal netwerk om patronen in afbeeldingen te verbeteren. Het voegt lagen toe aan het beeld en creëert vreemde, buitenaardse beelden door de functies die de AI detecteert te versterken.
Is de DeepDream-generator gratis?
Ja, de DeepDream-generator is gratis te gebruiken.
