ساختِ تصویر با هوش مصنوعی

در این فصل چه یاد می‌گیری#

تا اینجا فقط با کلمه‌ها کار کرده‌ای: پرامپت می‌فرستادی و متن می‌گرفتی. حالا وارد جعبه‌ابزارِ امروز می‌شویم، جایی که هوش مصنوعی دیگر فقط با متن سروکار ندارد. اولین کاری که یاد می‌گیری، ساختنِ تصویر است: یک جمله می‌نویسی و مدل از دلِ آن یک عکس بیرون می‌کشد که هرگز وجود نداشته. ولی قبل از آن باید یک چیزِ مهم را درست بفهمی — که مدلِ امروز چطور چند جنسِ داده (متن، تصویر، صدا) را کنارِ هم می‌فهمد. آخر این فصل هم می‌فهمی چرا این تصویرها گاهی دست‌های عجیب و نوشته‌های به‌هم‌ریخته دارند، و چطور دورش بزنی.

آخر این فصل می‌توانی:

• بگویی multimodal یعنی چه و چرا مدلِ امروز یک مدلِ واحد است، نه چند متخصصِ چسبیده به‌هم
• فرقِ «فهمیدنِ تصویر» (همان مدلِ واحد) و «ساختنِ تصویر» (گاهی مدلِ جدا) را توضیح بدهی
• یک پرامپتِ تصویری بنویسی که سبک، ترکیب‌بندی و نور را کنترل کند و خروجی را تکرار به تکرار بهتر کنی
• محدودیت‌های واقعیِ ساختِ تصویر (دست‌ها، متنِ داخلِ تصویر) را تشخیص بدهی و راهِ دورزدنشان را بدانی

قبل از شروع#

• از فصل ۶ ترم ۱: مدلِ زبانی با مدل‌های تصویر و صدا فرق دارد، و دستیارِ پیشرفتهٔ امروز می‌تواند چند جنسِ داده را با هم بفهمد.
• از فصل ۱ ترم ۲: نیتِ روشن — هدف و زمینه را به مدل بده، وگرنه جوابِ کلی می‌گیری.
• از فصل ۳ ترم ۲: حلقهٔ تکرار — اولین جواب یک پیش‌نویس است؛ پله‌پله بهترش می‌کنی.

مثل همیشه فقط یک مرورگر و دستیارِ هوش مصنوعی‌ات (با کلیدِ رایگانِ خودت) لازم داری.

۱. چندوجهی یعنی چه#

تا حالا شاید شنیده باشی که «هوش مصنوعی چشم و گوش ندارد». این جمله دیگر درست نیست. مدل‌های جدیِ امروز — از جمله همان Gemini رایگانی که در این دوره به‌کارش می‌بریم — از همان اول روی متن و تصویر و صدا با هم آموزش دیده‌اند. به این می‌گویند multimodal: یک مدلِ واحد که چند جنسِ داده را کنارِ هم می‌فهمد. این مهم است، پس آرام‌تر بگویمش: وقتی یک عکس به دستیارت می‌دهی و درباره‌اش سؤال می‌پرسی، یک «ابزارِ بینایی»ِ جدا وارد نمی‌شود که به مدل چسبانده باشند؛ همان مدلی که متن را می‌فهمد، خودِ تصویر را هم می‌فهمد.

ولی یک نکتهٔ ظریف هست که خیلی‌ها اشتباه می‌گیرند. فهمیدن با ساختن فرق دارد. فهمیدنِ یک عکس یا یک صدا کارِ همان مدلِ واحد است. ولی وقتی می‌خواهی مدل یک عکسِ تازه بسازد، اغلب پشتِ پرده یک مدلِ متخصصِ ساختِ تصویر این کار را انجام می‌دهد و دستیار فقط خواسته‌ات را به آن می‌رساند. یعنی برای فهمیدن یک مدل، و برای ساختن گاهی یک متخصصِ جدا. این تصویرِ درستِ امروز است: نه «هوشِ بی‌چشم‌وگوش»ِ قدیمی، و نه یک مدلِ جادوییِ همه‌کاره.

قبل از ادامه، جواب بده: اگر عکسی از یخچالت به دستیار بدهی و بپرسی «با این‌ها چه بپزم؟»، کارِ کدام است — همان مدلِ واحد، یا یک متخصصِ ساختِ تصویرِ جدا؟ و اگر بخواهی یک عکسِ تازه از یک غذای خیالی بسازد چه؟

۲. اولین تصویر: از کلمه تا عکس#

بیا یک تصویر بسازیم. مدلِ تصویر روی حجمِ عظیمی از عکس‌ها به‌همراهِ توضیحِ متنیِ هرکدام آموزش دیده، پس یاد گرفته کدام شکل‌ها به کدام کلمه‌ها می‌خورند. تو یک جمله می‌دهی، مدل یک تصویر می‌سازد. ساده‌ترین پرامپت را امتحان کن:

یک گربهٔ نارنجی که روی یک کتاب خوابیده.

یک عکسِ آبرومند می‌گیری: یک گربهٔ نارنجی، یک کتاب. ولی احتمالاً دقیقاً آن چیزی نیست که در ذهنت بود — شاید نورش سرد است، شاید از زاویه‌ای که نمی‌خواستی، شاید پس‌زمینه شلوغ است. این طبیعی است. یادت باشد مدل قطعی نیست: اگر همین پرامپت را دوباره بفرستی، یک گربهٔ متفاوت می‌سازد. تصویر از یک انبارِ آماده بیرون نمی‌آید؛ هر بار از نو ساخته می‌شود، دقیقاً مثلِ متن.

پس اولین جواب، مثلِ همیشه، یک پیش‌نویس است. حالا برویم سراغِ اینکه چطور آن را کنترل کنیم.

۴. محدودیت‌های واقعی: دست‌ها و متنِ داخلِ تصویر#

مدلِ تصویر معجزه نیست و دو ضعفِ مشهور دارد که باید بشناسی، وگرنه ساعت‌ها تلاش می‌کنی و گیج می‌مانی.

اول، دست‌ها. انگشت‌ها شکل‌های پیچیده و متنوعی‌اند و مدل «نمی‌شمارد» — فقط شکلِ محتملی می‌کشد که شبیهِ دست است. برای همین گاهی پیش می‌آید که دستِ آدمِ توی تصویر شش انگشت داشته باشد یا انگشت‌ها عجیب پیچ بخورند. مدل‌های پرچم‌دارِ امروز این را خیلی کمتر از قبل اشتباه می‌کنند، ولی هنوز اولین‌جایی که باید نگاه کنی همین است.

دوم، و مهم‌تر، متنِ داخلِ تصویر. مدلِ تصویر متن را مثلِ ما «هجی» نمی‌کند؛ بیشتر شکلِ حروفی را که دیده نقاشی می‌کند، بی‌آنکه لزوماً بداند املای درست چیست. برای متنِ کوتاهِ لاتین این چند سالِ اخیر خیلی بهتر شده و بعضی مدل‌ها یک کلمهٔ کوتاهِ انگلیسی را تمیز می‌نویسند؛ ولی برای فارسی و هر خطِ غیرلاتین هنوز نامطمئن است، و این همان قاعدهٔ ماندگاری است که باید یادت بماند. بیا خرابی‌اش را از نزدیک ببینیم. فرض کن یک تابلوی مغازه می‌خواهی که رویش نوشته باشد «کافه»:

یک تابلوی مغازهٔ کافه با نورِ گرم، که رویِ تابلو با خطِ خوش نوشته شده «کافه».

مدل یک تصویرِ زیبا می‌سازد — تابلو، نورِ گرم، همه‌چیز سرِ جایش. ولی وقتی به خودِ حروف نگاه می‌کنی، به‌جای «کافه» چیزی می‌بینی شبیهِ «کاڡھ» یا حروفی که اصلاً کلمه نیستند؛ انگار کسی که فارسی بلد نیست فقط شکلِ حروف را از رو کشیده. برای فارسی و هر خطِ غیرلاتین این خرابی شدیدتر است. راهِ درست این است که متن را اصلاً از مدلِ تصویر نخواهی: تصویر را بدونِ نوشته بساز، بعد خودت متن را رویش بگذار. این دقیقاً همان قاعده‌ای است که در کلِ این دوره برای تصویرها رعایت می‌کنیم.

✅ وارسی: اگر تصویری می‌سازی که قرار است چیزِ واقعی را نشان بدهد — یک نمودار، یک بنای واقعی، شکلِ درستِ یک وسیله — یادت باشد مدلِ تصویر جزئیات را می‌سازد، حتی وقتی غلط‌اند؛ یک نمودارِ زیبا می‌کشد که فِلِش‌ها و برچسب‌هایش بی‌معنی‌اند. سه قانونِ ثابتِ این دوره همیشه سرِ جایشان‌اند: «اول خودت فکر کن» — «وارسی کن، خط به خط» — «مدل مطمئن است؛ دلیل نمی‌شود درست باشد». تصویرِ آموزشی یا فنی را همیشه با یک مرجعِ واقعی تطبیق بده، نه اینکه چون خوش‌ساخت است باورش کنی.

⚠️ مواظب باش: اگر تصویری را که ساختی جایی منتشر می‌کنی، صادق باش که با هوش مصنوعی ساخته شده — همان قاعدهٔ صداقتی که در فصل ۷ ترم ۱ دیدی. و هیچ‌وقت چهرهٔ یک آدمِ واقعی را بی‌اجازه‌اش بازنساز؛ چرایش را در ترم ۶ کامل می‌بینی.

واژه‌های تازهٔ این فصل#

در فصل بعد#

این فصل تصویر را می‌ساختی؛ فصلِ بعد جهتش برعکس می‌شود: یک عکس به مدل می‌دهی و ازش سؤال می‌پرسی. یاد می‌گیری متنِ داخلِ یک عکس را با OCR بیرون بکشی، از مدل بخواهی یک نمودار را برایت توضیح بدهد — و ببینی چطور همین‌جا هم می‌تواند با اطمینان چیزی را که در تصویر نیست بسازد، پس باز هم وارسی لازم می‌شود.