یکی از فناوری های اصلی هوش مصنوعی، شبکه های عصبی است. در مصاحبه ای که در قسمت اول این مقاله ارائه می شود، تام نگوین، استاد علوم کامپیوتر در دانشگاه دیتون، توضیح می دهد که چگونه شبکه های عصبی، برنامه هایی که در آن مجموعه ای از الگوریتم ها سعی در شبیه سازی مغز انسان را دارند، کار می کنند.
چند نمونه از شبکه های عصبی که برای اکثر مردم آشناست کدامند؟
برنامه های بسیاری از شبکه های عصبی وجود دارد. یکی از نمونه های متداول، توانایی دوربین گوشی های هوشمند شما در تشخیص چهره است.اتومبیل های بدون راننده مجهز به دوربین های متعددی هستند که سعی می کنند وسایل نقلیه دیگر، علائم راهنمایی و رانندگی و عابران پیاده را با استفاده از شبکه های عصبی تشخیص دهند و سرعت خود را بر اساس آن تنظیم کنند یا تغییر دهند.
شبکه های عصبی همچنین پشت پیشنهادهای متنی هستند که هنگام نوشتن متن یا ایمیل و حتی در ابزار ترجمه موجود به صورت آنلاین مشاهده می کنید.
آیا شبکه نیاز به دانش قبلی در مورد چیزی دارد تا بتواند آن را طبقه بندی کند یا تشخیص دهد؟
بله، به همین دلیل است که نیاز به استفاده از داده های بزرگ در آموزش شبکه های عصبی وجود دارد. آنها به این دلیل کار می کنند که روی مقادیر زیادی از داده ها آموزش دیده اند تا سپس موارد را شناسایی، طبقه بندی و پیش بینی کنند.در مثال اتومبیل های بدون راننده، باید میلیون ها تصویر و فیلم از همه چیزهای خیابان را ببینید و بگویید که هر یک از این موارد چیست. وقتی روی تصاویر پیاده روها کلیک می کنید تا ثابت کنید هنگام مرور اینترنت روبات نیستید، می توان از آن برای آموزش شبکه عصبی نیز استفاده کرد. فقط پس از دیدن میلیون ها گذرگاه از هر زاویه و شرایط نوری مختلف، یک اتومبیل خودران قادر به تشخیص آنها هنگام رانندگی در زندگی واقعی است.
شبکه های عصبی پیچیده تر در واقع قادر به آموزش خود هستند. مثلاً شبکه ای وظیفه رفتن از نقطه A به نقطه B را بر عهده گرفته است و شما می توانید مطمئن باشید که همه چیز را در مدل های مختلف امتحان می کند تا آنها را به انتهای مسیر برساند، تا زمانی که یک مدل را پیدا کند که بهتر از همه این کار را انجام می دهد.
شبکه های عصبی می توانند پس از دریافت دستور العمل های اساسی، به خود یاد دهند که چگونه یک کار را انجام دهند.
برخی از شبکه های عصبی می توانند با هم کار کنند تا چیز جدیدی ایجاد کنند. در یک مثال، شبکه ها چهره های مجازی ایجاد می کنند که هنگام به روز کردن صفحه، به افراد واقعی تعلق ندارند. یک شبکه سعی در ایجاد چهره دارد و شبکه دیگر سعی در قضاوت واقعی یا جعلی بودن آن دارد. آنها آن قدر رفت و برگشت می کنند تا این که دومی نتواند جعلی بودن صورت ایجاد شده توسط چهره اول را تشخیص دهد.
هنر شبکه عصبی اکنون نوعی عکاسی از چیزهای خیالی است.انسان ها نیز از داده های بزرگ بهره می برند. فرد در هر ثانیه حدود 30 فریم یا تصویر را درک می کند، و این به معنی 1800 تصویر در دقیقه و بیش از 600 میلیون تصویر در سال است. به همین دلیل است که باید فرصتی مشابه برای داشتن داده های کلان برای آموزش به شبکه های عصبی بدهیم.
یک شبکه عصبی اساسی چگونه کار می کند؟
شبکه عصبی شبکه ای از نورون های مصنوعی است که در نرم افزار برنامه ریزی شده است. این روش سعی در شبیه سازی مغز انسان دارد، و بنابراین دارای بسیاری از لایه های "نورون" دقیقاً مانند نورون های مغز ماست. اولین لایه نورون ها ورودی هایی مانند تصاویر، فیلم، صدا، متن و ... را دریافت می کند. این داده های ورودی از میان تمام لایه ها عبور می کنند، زیرا خروجی یک لایه به لایه بعدی منتقل می شود.بیایید به یک مثال از یک شبکه عصبی توجه کنیم که برای شناسایی سگ و گربه آموزش دیده است. لایه اول نورون ها تصویر حیوان را به مناطق روشن و تاریک تقسیم می کند. این داده ها برای شناسایی لبه ها در لایه بعدی مورد استفاده قرار می گیرند. سپس لایه بعدی سعی می کند اشکال تشکیل شده از ترکیب لبه ها را تشخیص دهد. داده ها از چندین لایه به روشی مشابه عبور می کنند تا سرانجام با توجه به داده هایی که روی آن آموزش داده شده است تشخیص دهند که آیا تصویری که از آن نشان داده اید سگ است یا گربه.
این شبکه ها می توانند به طرزی باور نکردنی پیچیده و متشکل از میلیون ها پارامتر برای طبقه بندی و تشخیص ورودی دریافت شده باشند.
چرا اکنون شاهد این همه کاربرد شبکه های عصبی هستیم؟
در واقع شبکه های عصبی مدت ها پیش، در سال 1943، هنگامی که وارن مک کالوچ و والتر پیتس یک مدل محاسباتی برای شبکه های عصبی بر اساس الگوریتم ها ایجاد کردند، اختراع شد. سپس این ایده از یک خواب زمستانی طولانی عبور کرد زیرا منابع محاسباتی عظیم مورد نیاز برای ساخت شبکه های عصبی هنوز وجود نداشت.اخیراً، به لطف منابع محاسباتی پیشرفته مانند واحدهای پردازش گرافیکی(GPU) ، این ایده به طرز گسترده ای بازگشته است. آنها تراشه هایی هستند که برای پردازش گرافیک در بازی های ویدیویی مورد استفاده قرار گرفته اند، اما مشخص شده است که برای خرد کردن داده های مورد نیاز برای اجرای شبکه های عصبی نیز بسیار عالی هستند. به همین دلیل است که اکنون شاهد تکثیر شبکه های عصبی هستیم.
نرم افزار شبکه عصبی
یک تصویر مصنوعی ایجاد شده روی سایت Ganbreeder. sgc / Ganbreeder
منبع آزاد مدلی برای توسعه نرم افزار است که در آن هرکسی می تواند به بسته های نرم افزاری باز کمک کند یا از آن استفاده کند.طی چند سال گذشته، بسیاری از هنرمندان شروع به استفاده از آن چه "نرم افزار شبکه عصبی" نامیده می شود، برای خلق آثار هنری کرده اند.
کاربران تصاویر موجود را وارد نرم افزار می کنند، که برای تجزیه و تحلیل آنها، یادگیری یک زیبایی شناسی خاص، و بیرون دادن تصاویر جدیدی که هنرمندان می توانند انتخاب و تنقیح کنند، برنامه ریزی شده است. با دستکاری در ورودی ها و پارامترهای این مدل ها، هنرمندان می توانند طیف وسیعی از تصاویر جالب و خاطره انگیز را تولید نمایند.
این کار از طریق نمایش های گالری، پوشش رسانه ای و دو حراج هنری پر رنگ به رسمیت شناخته شده است.
به عنوان یک محقق دانشگاهی، توسعه دهنده فناوری هنری و یک هنرمند آماتور، دیدن هنرمندان در حالِ در آغوش گرفتن این فناوری جدید برای ایجاد اشکال جدید بیان، همیشه من را هیجان زده می کند.
اما، مانند جنبش های هنری پیشگامانه قبلی، هنر شبکه عصبی سؤال های دشواری را پیشِ رو می گذارد: وقتی این آثار هنری از مشارکت های بسیاری از افراد و الگوریتم های مختلف خلاق حاصل می شود، ما چگونه باید در باره حق تألیف و مالکیت فکر کنیم؟ چگونه اطمینان حاصل کنیم که با همه هنرمندانِ درگیر منصفانه رفتار می شود؟
حرکتی متولد می شود
دنیای پر جنب و جوش هنر شبکه عصبی در چند سال گذشته، تا حدی، از تحولات علوم کامپیوتر به وجود آمد.این کار در سال 2015 با برنامه ای به نام DeepDream آغاز شد که به طور اتفاقی توسط یک مهندس گوگل ساخته شد. او می خواست راهی برای تجسم عملکرد یک سیستم شبکه عصبی طراحی شده برای تجزیه و تحلیل تصاویر پیدا کند. برای این کار، او یک عکس ورودی به آن سیستم داد و از آن خواست تعداد قسمت های جسم شناسایی شده در تصویر را افزایش دهد. نتیجه، انبوهی از تصاویر عجیب و غریب و خاطره انگیز بود.
او روش خود را به صورت آنلاین به اشتراک گذاشت و هنرمندان بلافاصله شروع به آزمایش آن کردند. اولین نمایش گالری هنر DeepDream کمتر از یک سال بعد رخ داد.
از آن جا که این نرم افزار به صورت رایگان و بصورت آنلاین به اشتراک گذاشته می شود، هنرمندان دیجیتال می توانند با استفاده از این مدل ها آزمایش کرده و نتایج و اصلاحات خود را به اشتراک بگذارند.
هر تصویر Ganbreeder با پارامترهایی ورودی ایجاد می شود که با اصلاح پارامترهای سایر تصاویر موجود در سایت، انتخاب می کنید.یک انجمن خلاق فعال از هنرمندان شبکه عصبی در توییتر وجود دارد که در باره نتایج آزمایشات خود، همراه با آخرین تحولات و جنجال ها بحث می کنند. و با نمایش ها و اجراهای بزرگِ هنرمندانی مانندTrevor Paglen ، Refik Anadol و Jason Salavon، تعداد زیادی از هنرمندان جریان اصلی نیز از این ابزارها استقبال کرده اند.
با این وجود، این اشتراکِ باز، روش هایی را که از آن طریق در باره هنر فکر می کنیم به چالش می کشد. در آمد حاصل از فروش کریستی از تصویر “Edmond de Belamy, from La Famille de Belamy” در نوامبر 2018 به مبلغی نزدیک به 500،000 دلار نشان داد که یک جای کار خراب است.
چرا؟ چون که برای ساخت این تصویر، گروه هنرمندان Obvious از کد منبع و داده هایی استفاده کردند که هنرمند دیگری، رابی بارات، آزادانه در وب به اشتراک گذاشته بود.
بدیهی است که هر کسی حق استفاده از کد بارات و ادعای تألیف اثر را داشته باشد. با این وجود، بسیاری کریستی را به خاطر بالا بردن نام هنرمندانی که فقط نقشی کوچک در خلق اثر داشتند، مورد انتقاد قرار دادند. این به طور کلی به عنوان شکست کارهای کریستی خوانده شد، به ویژه در روش گمراه کننده ای که کار را ترویج کرد، به جای این که به لزوم یک تجدید نظر در باره حق تألیف یک هنر هوش مصنوعی فکر کند.
ظهور گانبریدر
این موضوعات درGanbreeder ، یک وب سایت جدید و جذاب برای ایجاد تصاویر با شبکه های عصبی، واقعاً اجتناب ناپذیر می شوند.Ganbreeder منبع بی انتهایی از تصاویر الهام بخش، جذاب، عجیب و شگفت انگیز است. برخلاف تصاویری که از DeepDream به وجود می آیند و به سرعت تکراری می شوند، به نظر می رسد هیچ ذهن واحدی از انسان ها قادر به تولید طیف متنوعی از تصاویر اصلی Ganbreeder نیست.
تصویر: چند تصویر اخیر از سایت گانبریدر
Ganbreeder در نوامبر گذشته توسط Joel Simon راه اندازی شد. هر تصویر Ganbreeder با پارامترهایی ورودی ایجاد می شود که با اصلاح پارامترهای سایر تصاویر موجود در سایت، انتخاب می کنید. این سایت اصل و نسب هر تصویر را ذخیره می کند، بنابراین شما می توانید تمام کسانی که در خلق یک تصویر نهایی همکاری کرده اند را ببینید.
اگر تصویری که پیدا کرده اید یا ایجاد کرده اید را دوست دارید، می توانید به یک کارآفرین و هنرمند به نام دانیل باسکین چاپ سفارشی آن روی چوب را سفارش دهید. او چاپ را با رنگ روتوش و دستکاری می کند، اما به جای امضای آن، پشت کار را با کد QR برچسب گذاری می کند که به اصل و نسب منحصر به فرد تصویر اشاره دارد.
او این کار را به این دلیل انجام می دهد که خلق هر تصویر نتیجه مشارکت بسیاری از افراد است، که این پیوست دادن نام هر کدام از این هنرمندان به تنهایی به هر اثر هنری جدید را دشوار می سازد.
دادن اعتبار در جایی که اقتضا می کند
با این حال، یک هنرمند منفرد قبلاً اعتبار خود را به دست آورده است.هنر شبکه عصبی سؤال های دشواری را پیشِ رو می گذارد.هنگامی که الکساندر ربن نقاشی هایی را که از تصاویر گانبریدر ساخته بود به نمایش گذاشت، باسکین او را به سرقت متهم کرد، زیرا او و دیگران ساعت ها در سایت گانبریدر برای ساخت تصاویر صرف کرده بودند. برای دفاع از خود، ربن اشاره کرد که آثار گانبریدر هنگامی که او تصاویر خود را انتخاب می کرد بی نام بودند؛ لزوم ورود و انتساب کاربر فقط در ماه فوریه اضافه شد.
قوانین و کنوانسیون های موجود در حال حاضر مواردی را نشان می دهند که در آن آثار هنری به نوعی از طریق همکاری یا ساخت مجدد ایجاد می شوند. به طور کلی پذیرفته شده است که یک هنرمند می تواند به سادگی با انتخاب یک تصویر نهایی ادعای تألیف کند، هرچند، وقتی که ممکن است، باید در مورد منابع از ابتدا صادق و صریح باشند. به نظر می رسد که اتهامات مربوط به سرقت گریبان گیر کسانی است که علیه روش مرسوم، دارای فعالیت شدید هستند که هنرمندان متصاحبی مانند اندی وارهول و ریچارد پرینس هستند که به طور مشهور پست های اینستاگرامی ساخته شده توسط سایر کاربران را بزرگ و اصلاح کرده بودند.
با این حال به نظر می رسد این کارهای شبکه عصبی به نوعی متفاوت هستند. مشارکت های مدل شبکه عصبی و سایر کاربران سایت همه جدا از نتیجه نیستند. هیچ مشارکت کننده منفردی به نظر نمی رسد "تمامِ هنرمند" باشد.
یکی از راه های ممکن برای مشاهده این آثار هنری جدید، فکر کردن به آنها مثل یک نرم افزار منبع باز است. منبع آزاد مدلی برای توسعه نرم افزار است که در آن هرکسی می تواند به بسته های نرم افزاری باز کمک کند یا از آن استفاده کند. این امر منجر به ایجاد ابزارهای اصلی نرم افزاری، مانند لینوکس و نرم افزارهای اصلی شبکه عصبی شده است، که غیر از این روش نمی توان آنها را توسعه داد. به همین ترتیب، آثار هنری جدید شبکه عصبی بدون اشتراک باز نرم افزار و داده ها قادر نبود ایجاد شود و توسعه یابد
پروژه های منبع باز قوانین روشنی را برای نحوه استفاده و اعتبار نرم افزار مشخص می کنند: برخی از نرم افزارها ممکن است تمدید و فروخته شوند، در حالی که سایر پروژه ها همیشه باید به صورت رایگان توزیع شوند. سهم هر برنامه نویس ثبت می شود. نحوه اعتبار آنها نیز به پروژه منفرد بستگی دارد.
مانند نرم افزار منبع باز، سایت هایی مانند Ganbreeder می توانند قوانین روشنی برای تألیف هنری و اعتبار ایجاد کنند. این دستور العمل ها باید نحوه ادعای اعتبار برای یک اثر، افراد دیگری که باید اعتبار داشته باشند و همچنین این که چه زمانی می توان یک اثر را فروخت یا آیا دارای حق چاپ است را تعیین کنند.
شبکه های عصبی پیچیده تر در واقع قادر به آموزش خود هستند.پرداخت هزینه یک مسئله مشکل است. چه اتفاقی می افتد اگر از تصاویر Ganbreeder برای کارهای تجاری استفاده شود - مثلاً برای جلد کتاب یا تولید فیلم؟ برای مشارکت های پیش پا افتاده بیشتر، باسکین پیشنهاد کرده است که پرداخت می تواند در میان بسیاری از مشارکت کنندگان تقسیم شود. این می تواند سود آور شود. حق الزحمه حاصل از یک کمپین تبلیغاتی عمده می تواند هزینه بسیاری از وعده های غذایی هنرمندان را تأمین کند.
یک "عکاسی از چیزهای خیالی"
سپس مسئله ارزش و قصد وجود دارد. آیا این آثار می توانند هرگز به مقام هنر بزرگ برسند؟برخی از ارزش های یک اثر هنری صرفاً در خصوصیات زیبایی شناختی ذاتی آن نهفته است، از جمله زیبایی کوه. اما ما همچنین برای کار به این دلیل ارزش قائل هستیم که کار از بینش، قصد و مهارت یک هنرمند ظهور پیدا می کند.
یک اثر هنری منبع باز جایی در وسط ماجرا قرار دارد. این تصاویر نشان دهنده نتیجه بسیاری از ذهن های آدمی است که به انتخاب هنری آگاهانه اقدام می کنند. اما هدف کجا بوده است؟ مطمئناً، یک مشارکت کننده اولیه هیچ تصوری از این که کار در کجا مورد استفاده واقع می شود نداشته است.
آیا این مثل این است که دنبال نیت پشت یک کوه باشیم؟ یا آیا هنرمند، انتخاب نهایی را تنها منبع قصد خود تعیین می کند؟
نیاز به استفاده از داده های بزرگ در آموزش شبکه های عصبی وجود دارد.فناوری هنری قبلی، به ویژه با اختراع عکاسی، سؤالات مشابهی را به وجود آورد. هنگامی که این رسانه برای اولین بار ظهور کرد، بسیاری ادعا کردند که عکاسی به هیچ وجه نمی تواند کاری هنری باشد. به هر حال، آنها استدلال می کردند که این یک ماشین است که همه کاری انجام می دهد - احساسی که اکنون در ادعاهای نادرست امروز که "هوش مصنوعی هنر خود را ایجاد می کند" انعکاس یافته است.
مدتی طول کشید اما سرانجام عکاسی به عنوان رسانه هنری خود شناخته شد. علاوه بر این، جنبش هنر مدرن را با مجبور کردن هنرمندان به توقف و قرار دادن واقع گرایی بر روی پایه، کاتالیز کرد. از آن جا که آنها هرگز نمی توانستند با واقع بینی دوربین کنار بیایند، لازم بود راهی برای خلق آثاری که هیچ دستگاهی نتواند تکرار کند، پیدا کنند.
هنر شبکه عصبی اکنون نوعی عکاسی از چیزهای خیالی است.
همانند عکاسی، هنر شبکه عصبی می تواند مجموعه ای از تصاویر به ظاهر نامحدود را ایجاد کند که به نظر می رسد هیچ کدام به تنهایی ارزش چندانی ندارند. این مقدار از طریق روش منحصر به فردی که هنرمند به وسیله آن از این ابزار استفاده می کند به دست می آید – روش هایی مانند نحوه تنظیم پارامترها، انتخاب سوژه ها، تنظیم جزئیات تصویر یا تصحیح مجموعه ای از تصاویر که نقطه بزرگتری را می سازند.
شبکه های عصبی همچنین پشت پیشنهادهای متنی هستند که هنگام نوشتن متن یا ایمیل و حتی در ابزار ترجمه موجود به صورت آنلاین مشاهده می کنید. با انتشار مدل های جدید شبکه عصبی با سرعتی خیره کننده، فقط لزوم پرداختن به این مسائل با ظهور تصاویر عجیب و غریب و الهام بخش، فوری تر می شود.
منبع: تام نگوین، آرون هرتزمن، University of Dayton، University of Washington
