Mesterséges intelligencia alkotta képek: „valami nem stimmel” a valósággal
Egy villamoson hazafelé tartva, bevásárlószatyrokkal a lábnál, egy nagy hirdetésre mutatva hangzik el a kérdés: vajon AI-generált-e a kép? A felismerés nem első látásra jön, hanem fokozatosan: először giccses stockfotónak tűnik, aztán a részletek vizsgálatánál süllyed a gyomor. A két kisgyerek álomtérben lebeg, kezükben nem fogott játékokkal, a térbeliség és a tárgyak fizikai viszonya hiányzik.
A jelenség egyre gyakoribb: netes hirdetések, éttermi menütáblák, megállók plakátjai között mindennapossá vált a mesterséges intelligencia által generált kép. A felismerést segítő klasszikus trükkök – a fogak és az ujjak megszámolása – mellett a hiányokat is figyelni kell: a fénycsillanásokat, az árnyékokat, a perspektivikus torzulásokat, a furcsa szögben hajló végtagokat. A nem-stimmel-érzés gyakran a tudatosítás előtt cikázik át az emberen.
A korábbi, Photoshoppal készült torzulásokban még volt valami kiszámítható és értelmezhető: mögöttük ott állt a lefotózott, digitalizált valóság, ismert szándékkal módosítva, és az eredményt össze lehetett vetni az érzékszervi valósággal. Az AI-generált kép ezzel szemben már a digitális térben „születik meg”: megfelelő színű pixelek egymás mellett előfordulásának számszerű valószínűségeként. A prompt-kulcsszó csupán egy hozzárendelt statisztikát fed, a kép tárgyában nincsenek jelentések, tárgyak, árnyékok vagy jelenetek, csak valószínűségi mintázatok átlagai.
Mivel a valószínűségi eloszlásban semmi szerepe nincs a mechanikai szerkezetnek és a strukturális értelmezésnek, nincsen benne előtt-mögött, és nem érvényesülnek az érzékelhető fizika korlátai. Innen erednek az AI-generált képek észlelhető hiányosságai is. A mai modellek ezen a lapos felszínen egyre jobban teljesítenek, amitől létrejön az „első ránézésre stimmel” érzete, mint egy optikai illúzió. Az emberi észlelés azonban összefüggésekben és kontextusokban értelmez, és éppen az értelmezési folyamat szakad meg a felszín alatt, az összefüggések és kontextusok hiányában. A hiány észlelése mentálisan nehezebb feladat, mint annak felismerése, hogy valami nem felel meg az érzékelhető valóság szabályosságainak.
A vizuális kultúra eddig embertől emberig forgó köre ezzel leborult a tengelyéről. A dizájnban és a grafikai tervezésben eddig emberi szándék érvényesült, amelyben a forma a tartalomhoz illeszkedett, a formai megvalósítás pedig a tartalmi értelmezés kommunikálását szolgálta. Az AI-generált képekben egy nagy átlagvonás tükröződik vissza a tréneléshez használt képek adataiból, mechanikus dizájnelvek másolása, ahol ugyanaz a sablon hirdet jógaórát, irodai állást vagy pékséget, és a tartalom nem értelmeződik tartalomként.
A generatív AI „fekete doboz”: a szöveg alapú generátorok tudnak ugyan üres lózungokkal értelmezést összestatisztikázni, de technikailag nincs betekintés abba, hogy egy adott képet milyen paraméterek és források mentén hoztak létre. A szándék megvalósulása ebből a betekinthetetlen dobozból indul, amelyben a szándék mint olyan többé nem hozzáférhető, ahogyan a forrásanyag és a létrehozás menete sem. Az emberi tényező a generatív AI felszólítása a működés elvégzésére, majd a generált képre rábólintás, már amennyiben ez még emberen keresztül történik. A láncolat túlsó végén a befogadó emberi percepció áll, amelynek esztétikai érzékét és ízlését a folyamatos kitevés formálja.
Vagy nem érződik annyira zártnak ez a kör, vagy a forráspontja áthelyeződik az AI fekete dobozába: emberi betekintés és értelmezhetőség elől elzárt számértékek kínálják önmaguk valóságként értelmezését, és válnak ezzel a mindennapok érzékelhető valóságának részeivé. A képgeneráló modellek működésüknél fogva eleve leszakadnak a valóságról: digitális reprezentációk adathalmazából nyert valószínűség-értékekből rajzolódnak ki sosemvolt gyerekek sosem tartott játékaikkal egy hazug marketingüzenet érzelmi alátámasztására.
A percepció folyamatosan telítődik ezeknek az értelmetlenségeknek a korrigálásával: értelmezni akarja a beérkező látványt, miközben tudat alatt vagy fél-tudatosan folyamatosan jelzi a felszín alatti ürességet és a tanult valósággal való összeegyeztethetetlenséget. A két mentális folyamat közötti disszonanciát nehéz egyetlen fogalommal leírni: a majdnem emberi, de a felszín alatt visszataszítóvá váló látvány, illetve a valóság megbicsaklását kívülről tagadó hatás kombinációja is felmerül.
A következmények egyre inkább kirajzolódnak: a saját valóságértelmezési képességben való elbizonytalanodás, a kognitív disszonanciákba való belefásulás, a felfokozott gyanakvás és bizonyítékkeresgélés, valamint a mentális és érzelmi kimerülés. Mindezek mellett ott a kiszolgáltatottság érzése is, amikor valaki a villamoson a másikhoz fordul, hogy egyeztessék a percepcióikat, és a „valami nem stimmel”-ből legyen bármiféle bizonyosság, amibe meg lehet kapaszkodni.
