Microsoft vytvára neexistujúcich ľudí
Vývojári z Microsoftu odhalili svoj najnovší AI model VASA-1, ktorý zvládne niečo, čo vydesilo odborníkov. Ide o virtuálnu štruktúru, ktorá dokáže generovať ľudské tváre, teda deepfake. O svojom projekte informovali prostredníctvom oficiálneho blogu.
Podobné nástroje existujú už nejaký čas a okrem nevinných fórov ich ľudia využívajú aj na manipuláciu a zavádzanie. VASA-1 je až tak pokročilá, že zatiaľ nebude prístupná verejnosti. Čo teda dokáže?
Stačí jej jedna fotka
Tejto umelej inteligencii stačí dodať len jeden jediný statický obrázok ľudskej tváre a nahraný zvuk hovorenej reči. Už vo svojej prvej verzii dokáže VASA-1 od Microsoftu z obrázku rozpohybovať túto ľudskú tvár a synchronizovať pohyb pier s poskytnutým audiom. Okrem toho majú tváre na vygenerovanom videu „široké spektrum nuansy tváre a prirodzené pohyby hlavy, ktoré prispievajú k vnímaniu autentickosti a živosti,“ uvádza Microsoft.
Zaujímavé na tom je, že pri testovaní Microsoft nevyužil žiadne reálne tváre. Miesto toho ich taktiež vygeneroval pomocou nástrojov StyleGAN2 alebo DALL-E 3. Vo výsledku tak vznikli videá s rozprávajúcimi ľuďmi, ktorí sú úplne fiktívni.
Firma je opatrná
Spoločnosť si je vedomá rizík, ktoré prináša ich vyspelý framework VASA-1. V oficiálnom blogu teda upozorňujú na svoj zámer pre vývoj nástroja:
„Skúmame generovanie vizuálnych afektívnych zručností pre virtuálne, interaktívne postavy. Nie pre vydávanie sa za osoby v skutočnom svete.“
Pravdepodobne aj preto nemá Microsoft s VASA-1 žiadne komerčné plány. „Toto je len demonštrácia výskumu,“ uvádza spoločnosť a dopĺňa, že aktuálne s týmto modelom neexistuje „žiadny produkt alebo plán na vydanie API.“
Výsledok nie je dokonalý a v tomto momente dokážete rozpoznať, že ukážky vygenerovala umelá inteligencia. Sú prítomné zvyčajné AI artefakty, ako napríklad pohybujúce sa zuby a neprirodzene pevný pohyb hlavy. Avšak VASA-1 má oproti konkurencii aj zásadné výhody.
Nový nástroj Microsoftu zvládne online generáciu videí AI tvárí v reálnom čase. Výsledné video má rozlíšenie 512×512 pixelov a plynulých 40 FPS. Spoločnosť tým otvára dvere „realistickým avatarom, ktoré napodobňujú konverzačné schopnosti ľudí,“ uvádzajú vývojári.
Ku nástroju zatiaľ nemá prístup verejnosť ani súkromné spoločnosti na obchodné účely. Nikde sa však nevylučuje, že v budúcnosti nejaká verzia tohto frameworku bude dostupná ako online služba. Nateraz si však Microsoft uvedomuje potenciálne riziká, ktoré by zverejnenie VASA-1 mohlo priniesť.
