مولّدات الصور بالذكاء الاصطناعي لا تُبدع: الأسباب والحل

يمكن توليد رسوم توضيحية للنص في دقائق قليلة. لكن لماذا تبدو النتيجة غالبًا باهتة وغير مثيرة للاهتمام؟

المولّد موجود، والإبداع غائب

منحت نماذج الذكاء الاصطناعي لإنشاء الصور المحررين والمسوّقين ومديري المواقع أداة ضخمة. وصف نصي ← شبكة عصبية ← رسم توضيحي جاهز، دون الحاجة إلى طلبه من مصمم. وقد يبدو أن مشكلات المحتوى البصري حُسمت نهائيًا.

لكن الواقع يختلف. فحتى أقوى النماذج (DALL-E وMidjourney وFlux) تنتج بسهولة صورًا مبتذلة ومألوفة. تركيبات مكرّرة. وجوه بلا شخصية. مشاهد رآها الناس آلاف المرات.

المشكلة ليست في أن الصورة لا تناسب أسلوب الموقع، فالأسلوب الخاطئ يمكن تصحيحه. المشكلة في أمر آخر تمامًا: عند الطلب القياسي لا تُبدع الشبكة العصبية ببساطة. إنها تنتج ما هو موثوق، وما هو معروف، وما وُلّد مليون مرة من قبل.

لماذا تتجنب النماذج التجريب؟

هنا جذر المشكلة: يتدرّب الذكاء الاصطناعي على ملايين الأمثلة من الإنترنت. وما نسبة الصور الأصلية والإبداعية فعلًا بينها؟ ضئيلة جدًا. فمعظم المحتوى تكرار، وتنويعات على موضوع واحد. وعندما تقدّم وصفًا موجزًا، يميل النموذج إلى النتيجة المتوسطة الأكثر احتمالًا من الناحية الإحصائية.

إضافة إلى ذلك، تميل الشبكات العصبية إلى الحلول الوسط. فإذا كتبتَ «مبرمج في مكتب»، سيختار النموذج شيئًا وسطًا بين آلاف صور المكاتب من Pinterest وAdobe Stock. والنتيجة آمنة ومهنية، لكنها مملة.

• يعتمد النموذج على إحصاءات بيانات التدريب، حيث تظهر الصور المبتذلة بوتيرة أعلى
• تؤدي الأوامر النصية (prompts) الموجزة وغير الدقيقة إلى نتائج متوسطة
• تتجنب الشبكة العصبية التجريب في غياب تعليمات صريحة
• الأوصاف القياسية تضمن تقريبًا صورًا قياسية
• يتطلب استخراج شيء مثير للاهتمام صياغة دقيقة جدًا

كيف تدفع الشبكة العصبية إلى الإبداع؟

لا يوجد زر سحري. لكن هناك استراتيجية: صِغ ما تريده بأقصى دقة ممكنة. لا يكفي أن تكتب «مكتب»، بل «مكتب open-plan من ثمانينيات القرن الماضي بفواصل زجاجية، وإضاءة صفراء من مصابيح الفلورسنت، ولوحة ألوان خافتة». ولا يكفي «روبوت»، بل «ذراع روبوتية هيدروليكية، لقطة مقرّبة لتفاصيل الآلية، معدن بارد، إضاءة صناعية».

كلما كان وصف التفاصيل البصرية والجماليات والإضاءة والحقبة والمزاج والملمس أكثر تحديدًا، قلّ احتمال أن تنتقل الشبكة العصبية إلى وضع الحل الإحصائي الوسط. وأحيانًا يفيد ذكر أسلوب بصري أو مصدر إلهام: «بأسلوب ملصق علمي من ستينيات القرن الماضي»، «لقطة سينمائية على طريقة تاركوفسكي»، «صورة بأسلوب National Geographic».

ماذا يعني ذلك؟

مولّدات الصور تعمل فعلًا، لكنها تتطلب خبرة. فالأمر ليس مجرد ضغطة زر، بل هو أقرب إلى حرفة: القدرة على رؤية الصورة بدقة ووصفها بحيث لا تنزلق الشبكة العصبية إلى وضع الحل الإحصائي الوسط.

وبالنسبة لفرق المحتوى، يعني هذا ظهور طلب على اختصاصي جديد يقع بين كاتب المحتوى والمصمم، ويتقن في آن واحد هندسة الأوامر النصية (prompt engineering) واللغة البصرية.