Bu Kişi Var Değil 2019'in En İyi One-Off Web Sitesi

Bir bakışta, web sitesinde yer alan görüntüler Bu Kişi Yok, rastgele lise portreleri veya belirsiz olarak tavsiye edilemeyen LinkedIn başlıkları gibi görünebilir. Ancak sitedeki her bir fotoğraf, üretici rakip ağlar (GAN) adı verilen özel bir tür yapay zeka algoritması kullanılarak oluşturuldu.

Site her yenilendiğinde, şok edici derecede gerçekçi - ama tamamen sahte - bir insanın yüzünün resmi görünür. Eski Uber yazılım mühendisi Phillip Wang, GAN'ların neler yapabileceğini gösteren bir sayfa hazırladı ve ardından Salı günü halka açık Facebook grubu “Yapay Zeka ve Derin Öğrenme” e gönderdi.

Ayrıca bakınız: Bu Kişi Var Değil içerik oluşturucu siteyi neden yaptığını açıklar

StyleGAN adlı, bunu mümkün kılan temel kod Nvidia tarafından yazılmış ve henüz hakem tarafından gözden geçirilmemiş bir makalede yer aldı. Bu kesin sinir ağı türü, video oyunu ve 3D modelleme teknolojisinde devrim yaratma potansiyeline sahiptir, ancak neredeyse her türlü teknolojide olduğu gibi, daha uğursuz amaçlar için de kullanılabilir. Sahte haber anlatılarını veya diğer aldatmacaları zorlamak için derin görüntüler veya mevcut fotoğraflara veya videolara eklenmiş bilgisayar görüntüleri kullanılabilir. Tam da bu yüzden Wang, büyüleyici ama aynı zamanda ürkütücü bir web sitesi oluşturmayı seçti.

“Bu cep için kendi ceplerimi kazmaya ve bazı kamuoyunda farkındalık yaratmaya karar verdim” dedi. “Yüzler bilişimize en belirgin olanıdır, bu yüzden önceden eğitilmiş bu belirli modeli uygulamaya koymaya karar verdim. Siteyi her yenilediğinizde, ağ 512 boyutlu bir vektörden sıfırdan yeni bir yüz görüntüsü oluşturur. ”

GAN'lar Nasıl Çalışır?

GAN kavramı ilk kez 2014 yılında saygın bilgisayar bilimcisi Ian Goodfellow tarafından tanıtıldı ve o zamandan beri Nvidia teknolojinin ön saflarında yer aldı. Şirketin ana araştırma bilimcisi olan Tero Karras, birçok GAN çalışmasına öncülük etti.

Temelde GAN iki ağdan oluşur: jeneratör ve ayrımcı. Bu bilgisayar programları, tam teşekküllü resimleri oluşturmak için yeterince iyi olana kadar görüntü oluşturma becerilerini geliştirmek için milyonlarca kez birbirleriyle rekabet eder.

Araştırmacılar, Nvidia'nın ünlü ProGAN makalesinde açıklanan bir tekniği kullanarak kodu kırdığı zaman, oldukça yakın bir zamana kadar - 2017 yılının sonlarına kadar - bu yöntemi kullanarak 1024x1024 boyutunda yüksek kaliteli görüntüler oluşturamadı. StyleGAN, araştırmacılara belirli görsel özellikler üzerinde daha fazla kontrol sağlayarak bu kavram üzerine kuruludur.

Nvidia, GAN'larda Neden Bu Kadar İyi?

Nvidia'nın ilk iş kolu, grafik işlem birimlerini (GPU'lar veya grafik kartları tasarlamak ve satmak). GPU'lar, stilGAN'lar gibi algoritmaları eğitmek için kullanılan ve makineyi öğrenen motorlardır. Kısacası, GPU'lar hızla çarparak mükemmel AI eğitildiği zaman kaputun altında olanlara benzer büyük satır ve sayı sütunları.

Şirket, en gelişmiş GPU'larına erişebilme avantajına sahip olup, araştırmacılarına sinir ağlarını eğitmek için en gelişmiş kaynakların ek avantajını sunmaktadır.

GAN'lerin Geleceği

Nvidia, Facebook, Google ve diğer birçok teknoloji şirketinin bu A.I.'nin versiyonlarını geliştiren araştırmacı filoları var. tekniği. Nihai hedef, potansiyel kodlama yerine otomatik yöntemler kullanarak, potansiyel olarak VR'de tamamen canlı sanal dünyalar oluşturmak için kullanmaktır. Ancak bu arada, GAN'lar sanal sosyal medya etkileyicileri için tomurcuklanma piyasasını geliştirmek için zaten kullanılıyor.

Moda markalarını ve yaşam tarzı şirketlerini tanıtan sayısız bilgisayar tarafından üretilen karakter, internet üzerinden milyonlarca takipçi biriktirdi. Risk sermayesi şirketleri konsepte milyonlarca yatırım yaptı ve GAN'lar bu 3B modelleri daha az emekle daha gerçekçi hale getirmeye hizmet edebilirler.

O zamana kadar, bizi, yanıltıcı derecede duygusal olmayan sahte yüzlerinin gözlerine unutulmaya bakarak, Bu Kişiyi Var Değil'i periyodik olarak canlandırırken bulabileceksiniz. Bu, geleceğin sahte dünyalarının ne kadar gerçekçi olacağına dair heyecan verici, ancak ürpertici bir örnek.