Ваш ноутбук не спит. Он мечтает.
Пока вы отдыхаете, миллионы серверов заняты переосмыслением старых данных и генерацией странных, новых материалов. Двигателем этого цифрового осознанного сновидения является Google Deep Dream. Это программа, предназначенная для поиска паттернов на изображениях и их последующего искажения до неузнаваемости.
Вы загружаете фотографию. Алгоритм ищет узнаваемые элементы. Он усиливает их, пока они не захватывают всё изображение. Результат варьируется от забавного до художественного и вплоть до по-настоящему кошмарного.
Почему Deep Dream важен
Это не просто фокус для вечеринок. Это окно в то, как машины видят мир. Делая эти инструменты общедоступными, Google стремился понять, как его системы классифицируют и индексируют визуальные данные. Вы можете попробовать сами. Загрузите фото своей собаки. Через несколько секунд вы получите фантастическую, искажённую версию того же самого изображения.
Результат напоминает столкновение Сальвадора Дали с Иеронимом Босхом, после чего они врезаются в палитру Ван Гога. Листья превращаются в красочные вихри. Горы становятся повторяющимися прямоугольниками. Пустые пейзажи прорастают пагодами, автомобилями, мостами и частями человеческого тела.
И животные. Всегда животные.
Загрузите портрет Тома Круза. Программа не видит актёра. Она видит складки и пространства, напоминающие собачьи головы, рыбью чешую и других знакомых существ. Но это не обычные животные. Это фантастические реконструкции, перемешанные с калейдоскопом, пропитанным ЛСД. Они жуткие. Ужасающие.
Google не подмешивает галлюциногены в свои серверы. Он направляет эти стойки с кремнием на анализ изображений и их последующее воспроизведение в виде новых представлений нашего мира.
Нейроны в битах
Как это работает? Это связано с самой природой создания цифровых устройств. Речь идёт о том, как машины перерабатывают невообразимые объёмы данных, которые мы сбрасываем в облако. Процесс имитирует нейронные сети. Слои абстракции. Машина ищет края, затем формы, затем объекты. Deep Dream заставляет её ещё больше акцентировать внимание на том, что она находит первой.
Это не магия. Это математика. Но результат кажется живым.
Результаты обычно представляют собой причудливый гибридный цифровой образ, который выглядит так, будто Сальвадор Дали устроил безумную ночную вечеринку с Иеронимом Босхом и Винсентом Ван Гогом.
Мы тратим годы на то, чтобы заставить ИИ выглядеть как человек. Deep Dream делает наоборот. Он заставляет изображения выглядеть как ИИ. Он обнажает разрыв между тем, как видим мы, и тем, как код обрабатывает свет.
Последствия выходят за рамки странных произведений искусства. Если машину можно заставить видеть лица в облаках, что ещё она видит, пока мы этого не замечаем? Какие паттерны скрыты на виду, ожидая подходящих параметров для раскрытия?
Мы пока не знаем. Серверы продолжают работать. Изображения продолжают меняться. Сон продолжается.
Компьютеры неживые. Они не спят. Они не видят снов. Или так нам казалось. Однако Deep Dream служит ярким визуальным противоречием этой логике. Он доказывает, насколько извращенной может стать компьютерная программа, когда её заставляют переваривать данные из человеческого мира.
История возникновения не мистическая. Она бюрократическая. Инженеры Google создали первоначальную основу для конкурса ImageNet Large Scale Visual Recognition Challenge. Этот ежегодный конкурс, запущенный в 2010 году, сводит в противостояние десятки организаций. Цель проста: найти наиболее эффективный способ автоматического обнаружения и классификации миллионов изображений. Каждый год разработчики совершенствуют свои методы. Они стремятся к повышению точности. Они переоценивают подходы.
Почему это важно для вас?
Распознавание изображений остаётся очевидным пробелом в стандартном наборе инструментов интернета. Поисковые системы по-прежнему полагаются на введённые вручную ключевые слова. Вот почему вам приходится вручную размечать свою фотогалерею тегами «кот», «дом» или «Томми». Компьютерам трудно посмотреть на картинку и понять её. Визуальные данные хаотичны. Они загромождены. Они не поддаются чистой категоризации.
Deep Dream изменил это направление развития. Он помог машинам научиться видеть.
Архитектура восприятия
Чтобы Deep Dream функционировал, программисты использовали искусственную нейронную сеть (ИНС). Это не просто сложный алгоритм. Это система, предназначенная для самостоятельного обучения.
Архитектура имитирует человеческий мозг. Ваш мозг использует более 100 миллиардов нейронов. Эти нервные клетки передают импульсы, которые обеспечивают работу вашего тела. У Deep Dream нет тела. У него есть слои.
Как правило, сеть состоит из 10–30 слоёв искусственных нейронов.
Вот как это работает:
— Данные поступают в сеть.
— Искусственные нейроны фильтруют эти данные множеством различных способов.
— Процесс повторяется снова и снова.
— Система в конечном итоге выдаёт результат.
В случае Deep Dream результатом является изображение. Но не любое. Это галлюцинация.
Как Deep Dream искажает реальность
Вы можете задаться вопросом, как программа превращает знакомую сцену в компьютерную графику, способную напугать ваши кошмары.
Ответ кроется в том, что ценит сеть. Нейронная сеть была обучена распознавать паттерны. При обработке изображения она ищет края, формы и текстуры. Deep Dream усиливает эти паттерны. Он находит то, что узнаёт, и преувеличивает это.
Он не просто обнаруживает собаку. Он находит «собачесть» и внедряет её в каждый уголок фотографии. Ветвь дерева становится пушистой мордой. Тень превращается в внимательный глаз. Компьютер по сути проецирует свою внутреннюю модель мира на вашу фотографию.
Компьютерные мозги и велосипеды
Параллель между биологической и искусственной обработкой часто преувеличивают, но механика удивительно похожа. Подобно тому, как нейрон активируется на основе входных сигналов от других нейронов, каждый слой сети передаёт отфильтрованные данные следующему слою. Чем глубже сеть, тем более абстрактным становится представление.
Ранние слои могут обнаруживать простые линии. Более поздние слои выявляют сложные структуры. Deep Dream доводит это до крайности. Он не останавливается на распознавании. Он генерирует. Он берёт абстрактные концепции, изученные во время обучения, и навязывает им визуальную форму.
Так статичное изображение превращается в психоделический пейзаж. Компьютер не мечтает в человеческом смысле. У него нет подсознательных желаний. У него есть веса и смещения. У него есть функция потерь, которую он пытается минимизировать. Но результат? Результат выглядит как сон.
Нейронные сети не начинают сортировать данные волшебным образом. Им требуется обучение. Без справочной библиотеки примеров система слепа. Она перебирает пиксели без контекста.
Обучение опирается на повторение. В блоге Google механика объясняется ясно. Если вы хотите, чтобы искусственная нейронная сеть (ИНС) распознавала велосипед, вы подаете ей миллионы изображений. Вы также задаете конкретные правила: два колеса. Сиденье. Руль.
Затем вы позволяете ей работать. Результаты редко бывают идеальными. Система может принимать мотоциклы или мопеды за велосипеды. Здесь вступает в дело человеческое вмешательство. Программисты корректируют код. Они уточняют, что у велосипедов нет двигателей и выхлопных труб. Они снова запускают цикл. И снова. Тонкая настройка продолжается до тех пор, пока результат не станет приемлемым.
Команда Deep Dream заметила сдвиг. Как только сеть учится идентифицировать объекты, она также может их воссоздавать. Система, обученная на велосипедах, может генерировать новые изображения велосипедов без новых входных данных. Она классифицирует, сортирует, а затем создает.
Но процесс генерации несовершенен. Даже после анализа миллионов фотографий велосипедов компьютер допускает критические ошибки. Он может прикрепить человеческие руки к рулю. Или ноги к педалям. Почему? Потому что обучающие данные часто включают людей. Сеть с трудом отделяет части велосипеда от частей человеческого тела.
Эти ошибки возникают по многим причинам. Даже инженеры-программисты не до конца понимают поведение каждого нейрона. Но знание архитектуры помогает объяснить сбои.
Искусственные нейроны работают в виде стеков. Deep Dream использует от 10 до 30 слоев. Каждый слой захватывает различные детали изображения. Ранние слои обнаруживают базовые границы и края. Средние слои идентифицируют цвета и ориентацию. Другие слои ищут формы, напоминающие стулья или лампочки. Финальные слои реагируют только на сложные объекты, такие как автомобили, листья или здания.
Разработчики Google называют эту архитектуру инцепционизмом. Они даже опубликовали публичную галерею работ Deep Dream, чтобы продемонстрировать результаты.
Как только сеть изолирует различные аспекты изображения, открываются новые возможности. Для Deep Dream Google направил сеть на создание совершенно новых изображений на основе извлеченных признаков.
Тьма на краю
Петля обратной связи искусственного восприятия
Главный секрет заключается не просто в том, чтобы позволить алгоритму выбирать признаки. Важно заставить компьютер одержимо искать их. Инженеры Google дали Deep Dream задачу: находить паттерны и усиливать их. Если алгоритм распознает форму собаки в пейсли на вашем диване, он не просто фиксирует это. Он преувеличивает морду. Он делает уши более четкими. Он превращает безобидный текстильный узор в собачье лицо.
Каждая итерация добавляет новые детали. Шерсть. Глаза. Зубы. Исходное изображение оказывается погребено под весом собственных обнаруженных признаков. Вы начинаете с дивана, а заканчиваете собакой. Затем внутри этой собаки появляется еще одна собака. Это рекурсивное приближение, петля обратной связи, которая питает сама себя, пока изображение не превращается в что-то психоделическое.
Облака превращаются в космических саранчовых. Из статического шума появляются радужные автомобили. И всегда есть собаки. Почему? Потому что обучающие данные включали 120 различных подклассов собак. Сеть была тщательно обучена распознаванию собак. Поэтому при поиске форм статистически высока вероятность обнаружения собачьих морд. Это предвзятость, заложенная в код.
Создание искусства из ничего
Deep Dream даже не нуждается в исходном изображении. Подайте ему белый экран. Подайте случайный шум. Он все равно будет охотиться за структурой. Он рассматривает чистый холст как сырой материал для смысла. Программное ПО пытается наложить порядок на хаос. Оно ищет края. Оно конструирует формы из пустоты.
Это раскрывает основную цель проекта. Речь идет не просто о странном искусстве. Речь идет о том, чтобы научить машины контекстуализировать визуальные данные, которые заполонили интернет. Цель — улучшить распознавание изображений. Улучшить фильтрацию. Улучшить понимание того, что мы видим в интернете.
Мечтают ли они?
Мечтает ли компьютер? Или он просто обрабатывает данные таким образом, который нам кажется unsettling (тревожным/беспокойным)?
Никто не программирует конкретные задачи. Инструкции размыты. Находи детали. Подчеркивай их. Повторяй. Программное ПО работает без явного человеческого руководства. Результат — прямое отражение этой автономии.
Это произведения искусства, созданные машинами? Возможно. Они являются проявлением кремниевой логики. Но они также указывают на будущее, где компьютеры будут меньше полагаться на человеческий ввод. Вы можете бояться, что разумные машины захватят контроль. Но сейчас эта технология помогает вам быстрее просеивать миллионы фотографий. Она улучшает поиск. Она улучшает обработку визуальных данных.
Темпы развития ускоряются. Благодаря таким экспериментам, следующий скачок в распознавании изображений уже начался. Мы наблюдаем ранние стадии нового вида интеллекта. Интеллекта, который находит паттерны, которые мы можем пропустить. Интеллекта, который видит собак в облаках.
Часто задаваемые вопросы
Что такое Operation DeepDream?
Запущенная Google в 2015 году, DeepDream использует сверточную нейронную сеть для усиления паттернов в изображениях. Она добавляет слои к изображению, создавая странные, неземные визуальные эффекты за счет усиления признаков, которые обнаруживает ИИ.
Генератор DeepDream бесплатный?
Да, генератор DeepDream бесплатен для использования.
