A ChatGPT mögött álló cég következő nagy dobása a Sora – a videógenerátor szöveges parancsokból generál élethű videókat.
Ezzel véget érhet a generált videók inkább abszurd eredményeket hozó csecsemőkora, és beléphetünk az élethű és fiktív álrealitás korába. A Sora azonban ugródeszka is, amely elvezethet az emberivel egyenértékű általános mesterséges intelligenciához.
Tavaly még jókat lehetett szörnyülködni és mulatni a mesterséges intelligencia által generált videókon, de úgy tűnik, ez a korszak lezárult – és ami azt illeti, a fejlődés nem is vett igénybe túl hosszú időt. Azt persze nehéz megmondani, hogy hova vezet az MI fejlődése, ahogy azt is, hogy bizonyos mérföldköveket mikor érünk el – ha egyáltalán –, de az már körvonalazódni látszik, hogy most jó eséllyel nincs szó egy befektetőket vonzó lufiról. Sőt a terület fejlődésének a mértéke még a kutatókat is meglepi.
Hogy túl sokat várunk a mesterséges intelligenciától, indokolatlanul félünk-e tőle esetleg, vagy éppen hogy nem vagyunk tisztában a veszély mértékével – mind olyan kérdés, ami a szakértőket is megosztja – akárhogy is a szöveg és a képgenerálás után itt a következő lépés: a videógenerálás, ami működik is. A héten ugyanis a ChatGPT mögött álló OpenAI bemutatta a Sorát.
Így festett Kalifornia az aranyláz idején. A videót teljesen a Sora generálta:
A Sora egy fejlett mesterséges intelligencia-modell, amelyet arra terveztek, hogy valósághű és fiktív videojeleneteket hozzon létre szöveges utasításokból, és célja a mozgásban lévő fizikai világ szimulációja. A Sorát a közlemény alapján az emeli ki a sorból, hogy akár egy perces videókat is készít (ez jócskán túlmutat az eddig szokásos pár másodperces jeleneteken), és teszi ezt kiváló képminőséggel és a felhasználói utasításokhoz hűen. A Sorát jelenleg a szakértői csapatok értékelik a potenciális kockázatok szempontjából, valamint kreatív szakemberek is dolgoznak most már rajta, hogy visszajelzéseket küldjenek a hatékonyság fokozása érdekében.
A lenti videót a következő utasítással generálták: Egy stílusos nő sétál egy tokiói utcán, amelyet meleg fényű neonok és animált városi táblák töltenek meg. Fekete bőrdzsekit, hosszú piros ruhát és fekete csizmát visel, és fekete táskát hord. Napszemüveget és piros rúzst visel. Magabiztosan és laza módon sétál. Az utca nedves és visszatükröződő, tükrözve a színes fényeket. Sok járókelő sétál körülötte.
A Sora technológiája lehetővé teszi bonyolult jelenetek generálását több szereplővel, változatos mozgásokkal és részletes hátterekkel, miközben megőrzi a nyelv és a fizikai világ mély megértését is. Lenyűgöző képességei ellenére a Sorának akadnak az OpenAI által is bavallott korlátai, például pontatlanságok a bonyolult fizika szimulációk során, valamint a térbeli részletek és az idő múlásával kapcsolatos eseménysorozatok kapcsán is köhög még kicsit a rendszer.
A lenti videó mögötti utastítás csak annyi, hogy a régészek a sivatagban kiástak egy műanyagszéket. Mint látható, a videó jól szemlélteti a modell jelenlegi gyengeségeit:
A biztonság érdekében az OpenAI számos intézkedést hajt végre, mielőtt a Sorát integrálná a termékeibe. A biztonsági szakértők, az úgynevezett “red teamerek” például különféle támadási módszereket és próbálkozásokat alkalmaznak, hogy teszteljék a rendszert. Ezen szakemberek célja, hogy felfedezzék a rendszer esetleges biztonsági réseit és sebezhetőségeit, éppen úgy, mintha valódi támadók lennének. Ezen kívül jelenleg még a félrevezető tartalom észlelésére szolgáló eszközök fejlesztése folyik, valamint a DALL-E 3 meglévő biztonsági protokolljainak az alkalmazása. Ezek a lépések a félretájékoztatással, a gyűlöletkeltő tartalommal és az elfogultsággal kapcsolatos problémák mérséklését célozzák.
A modell diffúziós technikákat alkalmaz, amely a statikus zajból indul ki, majd ezt ismétlődően finomítja, hogy végül tiszta videókat készítsen. A Sora a méretezéshez a transzformátor architektúrát használja fel, és a videókat és a képeket adatfoltok gyűjteményeként kezeli, lehetővé téve a vizuális adatok betanításának a széles skáláját. A DALL-E és GPT modellek korábbi kutatásaira építve a Sora újrafeliratozási technikákat használ a szöveges utasítások jobb betartása érdekében, és képes animálni az állóképeket vagy kiterjeszteni a videókat figyelemre méltó részletességgel.
A Sorát azonban az OpenAI sem csak videogenrátornak, illetve terméknek szánja, ahogy a cég korábbi modelljei is (mint az fentebb tehát olvasható) elvezettek a későbbi modellekhez, úgy a Sora is egy mérföldkő a végső cél, az általános mesterséges intelligencia (AGI) felé vezető úton. Ennek oka pedig, hogy a Sora lehet az alapja azoknak a későbbi modelleknek, amelyek képesek megérteni és így szimulálni a valódi világot – ami tehát az emberi intelligenciával egyenértékű AGI talán legfontosabb jellemzője. (Rakéta)
