Die Verwendung eines neuronalen Netzwerks ist wirklich großartig, um Muster zu lernen; die Verwendung von zwei ist wirklich großartig, um sie zu erstellen. Willkommen in der magischen, erschreckenden Welt der generative adversarial networks oder GANs.

GANs haben einen kleinen kulturellen Moment. Sie sind verantwortlich für das erste Stück von KI-generierten Kunstwerken, das bei Christie’s verkauft wurde, sowie für die Kategorie der gefälschten digitalen Bilder, die als „deepfakes“ bekannt sind.

Ihr Geheimnis liegt in der Art und Weise, wie zwei neuronale Netze zusammenwirken – oder besser gesagt, gegeneinander. Sie beginnen damit, beide neuronalen Netze mit einer ganzen Reihe von Trainingsdaten zu versorgen und geben jedem eine eigene Aufgabe. Der erste, der als Generator bekannt ist, muss künstliche Ausgaben wie Handschrift, Videos oder Stimmen erzeugen, indem er sich die Trainingsbeispiele ansieht und versucht, sie nachzuahmen. Der zweite, der als Diskriminator bekannt ist, bestimmt dann, ob die Ergebnisse real sind, indem er sie mit den gleichen Trainingsbeispielen vergleicht.

Jedes Mal, wenn der Diskriminator die Leistung des Generators erfolgreich ablehnt, geht der Generator zurück, um es erneut zu versuchen. Um eine Metapher von meinem Kollegen Martin Giles zu erhalten, imitiert der Prozess „das Hin und Her zwischen einem Bildfälscher und einem Kunstdetektiv, der immer wieder versucht, sich gegenseitig zu überlisten“. Irgendwann kann der Diskriminator den Unterschied zwischen dem Output und den Trainingsbeispielen nicht mehr erkennen. Mit anderen Worten, die Mimik ist nicht von der Realität zu unterscheiden.

Hier wird erkennbar, warum eine Welt mit GANs genauso schön und hässlich ist. Einerseits kann die Fähigkeit, Medien zu synthetisieren und andere Datenmuster nachzuahmen, in der Bildbearbeitung, Animation und in der Medizin nützlich sein (z.B. um die Qualität medizinischer Bilder zu verbessern und die Knappheit von Patientendaten zu überwinden). Es bringt uns auch freudige Kreationen wie diese:

Andererseits können GANs auch auf ethisch anstößige und gefährliche Weise verwendet werden: um Prominentengesichter auf die Körper von Pornostars zu legen, Obama dazu zu bringen, zu sagen, was immer Sie wollen, oder um den Fingerabdruck und andere biometrische Daten von jemandem zu fälschen, wie Forscher von NYU und Michigan State kürzlich in einem Papier zeigten.

Glücklicherweise haben GANs immer noch Einschränkungen. Sie benötigen eine ganze Menge Rechenleistung und eng gestaffelte Daten, um etwas wirklich Glaubwürdiges zu produzieren. Um zum Beispiel ein realistisches Bild eines Frosches zu erzeugen, benötigt er Hunderte von Bildern von Fröschen einer bestimmten Art, vorzugsweise in eine ähnliche Richtung. Ohne diese Spezifikationen erhältst du einige wirklich verrückte Ergebnisse, wie diese Kreatur aus deinen dunkelsten Alpträumen:

Aber Experten befürchten, dass wir nur die Spitze des Eisbergs gesehen haben, was für Wunder und Probleme uns GANs bringen werden. Mit zunehmender Verfeinerung der Algorithmen werden störende Videos und Picasso-Tiere der Vergangenheit angehören. Wie Hany Farid, eine Expertin für digitale Bildforensik, mir einmal sagte, sind wir schlecht vorbereitet, dieses Problem zu lösen.

Hoffentlich, wenn wir es herausfinden, wird es nicht zu spät sein.

Übersetzt mit www.DeepL.com/Translator

Orginalartikel: https://www.technologyreview.com/s/612501/inside-the-world-of-ai-that-forges-beautiful-art-and-terrifying-deepfakes/