Antradienį „Google“ pristatė Veo 3 – naują dirbtinio intelekto vaizdo sintezės modelį, galintį pasiekti kažką, ką iki šiol sukurti didieji AI vaizdo generatoriai nebuvo sugebėję: sukurti sinchronizuotą garso takelį kartu su vaizdu. Nuo 2022 iki 2024 metų ankstyvieji AI generuoti vaizdo įrašai būdavo tylūs ir dažniausiai labai trumpi. Dabar Veo 3 pateikia aštuonių sekundžių aukštos raiškos klipus su balsais, dialogais ir garso efektais. Po pristatymo žmonės nedelsdami iškėlė akivaizdų klausimą: kaip gerai Veo 3 gali sukurti suklastotą Oscarą laimėjusio aktoriaus Willo Smitho vaizdą, valgantį spagečius? Greita apžvalga: „spagečių benchmark’as“ AI vaizdo srityje prasidėjo 2023 metų kovą su ankstyvu, gana nerimą keliančiu AI sugeneruotu vaizdo įrašu, sukurtu naudojant atvirojo kodo sintezės modelį, pavadintą ModelScope. Tas spagečių pavyzdys tapo toks gerai žinomas, kad Smithas jį perdarė beveik po metų, 2024 metų vasarį. Štai priminimas, kaip atrodė tas virusinis vaizdo įrašas: Dažnai pamirštama, kad tuo metu Smitho parodija nebuvo sukurta naudojant geriausią turimą AI vaizdo generatorių – modelis „Gen-2“ iš „Runway“ jau teikė aukštesnės kokybės rezultatus, nors jis dar nebuvo plačiai prieinamas. Visgi ModelScope versija buvo pakankamai keista ir įsimintina, kad tapo pirmųjų AI vaizdo technologijų ribotumų atspindžiu, kai technologija toliau tobulėjo. Šį savaitgalį dirbtinio inteleko programėlių kūrėjas Javi Lopez atsakė į gerbėjų norą vėl išbandyti spagečių testą su Veo 3 ir pasidalijo savo pastebėjimais X platformoje. Tačiau žiūrint į rezultatus, garso takelis pasirodė keistas – netikras Smithas skambėjo lyg įkandantis spagečius. Ši klaida kyla dėl Veo 3 eksperimentinio gebėjimo pridėti garso efektų, tikriausiai todėl, kad jo mokymo duomenyse buvo daugybė pavyzdžių, kaip kramtyti ir traškėti. Generatyvūs AI modeliai veikia kaip modelių atitikimo prognozės sistemos, priklausomai nuo pakankamų mokymo duomenų įvairioms medijų rūšims, kad galėtų kurti įtikinamus rezultatus.

Kai tam tikri konceptai yra per dažnai arba per retai reprezentuoti duomenyse, susidaro keisti generacijos pėdsakai, kaip šis. Patys pabandėme įvesti tą patį užklausą į Veo 3, tačiau Google filtrai „Will Smith“ vardą blokuoja. Naudojant užklausą „Juodaodis vyras valgo spagečius“, rezultatas buvo panašus ir į traškantį garsą (tikriausiai Lopez’as turėjo ankstyvą prieigą be filtrų arba bandė variacijas užklausose, kurios praslydo). Veo 3 stebina savo gebėjimu generuoti nuoseklų dialogą ir muziką, jau įkvėpęs daugybę įspūdingų pavyzdžių „X“ platformoje. Nenorėdami apsiriboti tik vaizdu, kaip vyras valgo labai al dente makaronus, patikrino, ar galima juos dainuoti ir valgyti vienu metu, užklausa: „Vyras dainuoja anglų kalba komedijos operą apie spagečius ant virtuvės stalo, tuo pačiu juos valgydamas. “ Nuo 2023 metų padarėme reikšmingą pažangą, ir AI vaizdo generatoriai toliau tobulės, gerindami realizmą ir funkcionalumą. Jei ne Veo 3 dabartinis žvaigždžių filtras, galbūt lengvai galėtume sukurti vaizdų, kaip Smithas dainuoja – ar dar ko nors kita, – kas atskleidžia galimus rūpesčius dėl AI vaizdo technologijos. Kultūrinė singularumas artėja greitai. Su šia mintimi neseniai atlikome pačius išsamiausius savo vaizdo generavimo testus su Veo 3 ir netrukus pasidalinsime jų rezultatais specialiame leidinyje. O šiuo metu tegul tai būna trumpas atnaujinimas apie „Noodles’ų jauniklį“. Skanaus!