A ChatGPT-vel nagyot robbantó vállalat legújabb fejlesztése a Sora, egy olyan mesterséges intelligencia modell, ami minden korábbinál valósághűbb videókat generál, csupán a bevitt szöveg alapján.
Az elmúlt napok legforróbb AI témáját ismét a ChatGPT-t alkotó OpenAI szolgáltatta, ezúttal viszont nem a nyelvi modell újabb fejlesztésével, hanem egy teljesen új mesterséges intelligencia bejelentésével. A Sora névre keresztelt text-to-video AI egyperces kisfilmeket hoz létre, de olyan vizualitással, mintha azt egy profi stáb forgatta volna, valós helyszínen. Az egyelőre csak tesztelők szűk köre számára elérhető AI alkalmazással az OpenAI azt a célt tűzte ki, hogy megtanítsa a gépnek a fizikai világ megértését, majd e szerinti szimulálását.
Az amerikai vállalat közölte: a Sorát nem csak a benne rejlő kockázatokat felmérő tesztelők, hanem olyan szakemberek számára is rendelkezésre bocsátotta, akik vizuális művészként és tervezőként vagy filmkészítőként adnak visszajelzést, majd tesznek javaslatot az AI fejlesztésének további irányára. Fontos, hogy ők is részt vegyenek az előzetes vizsgálatban, mert a videó generáló újdonság a jövőben pont a kreatív szakembereket célozza meg.
„Idejekorán megosztjuk a kutatásunkat OpenAI-n kívüli emberekkel, hogy visszajelzést kérjünk tőlük, illetve bemutassuk a nyilvánosságnak, hogy milyen mesterséges intelligencia képességek vannak láthatáron” - írja az OpenAI. A közleményük alapján a Sora képes összetett jeleneteket generálni több szereplővel, meghatározott típusú mozgásokkal, valamint a téma és a háttér pontos részleteivel. A modell nemcsak azt érti meg, hogy a felhasználó mit kért a promptban (bevitt leírásban), hanem azt is, hogy ezek a dolgok hogyan léteznek a fizikai valóság szintjén. „A modell mélyen érti a nyelvet, így képes pontosan értelmezni az utasításokat, és lenyűgöző, élénk érzelmeket kifejező karaktereket generálni. A Sora egyetlen generált videón belül több felvételt is képes létrehozni, amelyek pontosan követik a karaktereket és a vizuális stílust.”
A Sorának egyelőre megvannak a maga gyengeségei is - vallja be az OpenAI, arra utalva, hogy a modell nehezen tudja pontosan szimulálni egy összetett jelenet fizikáját, és nem érti az ok-okozati összefüggések konkrét eseteit. Példaként kiemelik: „egy személy [a videóban] beleharaphat egy sütibe, de utána a sütin nem biztos, hogy látszik a harapásnyom”. Mint írják, a modell összekeverheti a felszólítás térbeli részleteit is (pl. bal vagy jobb oldal), és nehézségekbe ütközhet az időben lezajló események pontos leírásával kapcsolatban, mondjuk egy adott kamerapálya követésével.
A világ, és különösen az AI-fejlesztésben konkurens Kína egyszerre figyeli csodálattal és aggodalommal az OpenAI legújabb innovációját. A shenzheni genomikai óriásvállalat vezérigazgatója, Yin Ye például „az AI-fejlesztés newtoni pillanatának” nevezi a Sorát, mivel az már képes összekapcsolni a fizika törvényeit a digitális valósággal. A South China Morning Post idézi a játékfejlesztő és -kiadó Kunlun Tech vezetőjét, Fang Hant is, aki már kicsit szkeptikusabb a technológiával kapcsolatban. Mint mondta: a Sora demó videói nem győzték meg arról, hogy a valóság megértésében nagy áttörést értek volna el. Igaza lehet, tekintve, hogy a közzétett kisfilmeken gondos takarásban (pl. napszemüveg mögé rejtve) maradnak az emberi tekintetek, amelyek, ha láthatóvá tennék őket, sokat ronthatnának a fotorealisztikus illúzión, és ha jobban megnézzük, az utcán sétáló lány talpa alatt bizony „csúszik” a talaj. Ettől függetlenül persze lenyűgöző, hogy ebben a videóban egyetlen valós képkocka sincs:
Az OpenAI leszögezte: a Sora fejlesztésével egyidőben rengeteg biztonsági intézkedést alkalmaznak. Együtt dolgoznak például egy ún. „vörös csapattal”, akik a félretájékoztatás, a gyűlöletkeltő tartalom és az elfogultság szakértői. Egyelőre náluk pattog a labda, hogy ellentmondásos promptokkal tárják fel a Sora gyengeségeit. Közben építenek eszközöket a félrevezető tartalmak felismerésére, amelyek kiszűrik, mi készült Sorával és mi nem. Ez rendkívül fontos lesz a közeljövőben, hiszen az új generatív AI-val készült felvételek jelentős részéről – hacsak nem valami abszurd dolog szerepel rajtuk – már most is nehéz megállapítani, hogy nem egy profi videós csapat, hanem egy mesterséges intelligencia készítette, csupán néhány sor szövegből. Félelmetes, de tényleg.
Gábor János
Főoldali kép: OpenAI
A HIPA támogatásával megvalósuló 1,9 millió eurós beruházás révén az amerikai NI egyebek mellett új generációs tesztelési megoldásokat fejleszt.
Pályakezdők és évtizedes tapasztalattal rendelkezők is csatlakozhatnak a Paks II. szakembergárdájához. Az aktuális lehetőségeket a tavaszi állásbörzéken is meg lehet ismerni.