อย่าเพิ่งไล่นักวาดภาพประกอบของคุณออก
(sambleckley.com)- AI สร้างภาพสามารถสร้างผลลัพธ์ที่ดูน่าเชื่อถือได้ด้วย latent space, การกำจัด noise และการเชื่อมข้อความกับภาพ แต่มีข้อจำกัดเชิงโครงสร้างในการได้ภาพเฉพาะที่ต้องการอย่างแม่นยำ
- Stable Diffusion เรียนรู้โดยเติม noise ลงในภาพหลายล้านภาพแล้วฝึกให้ค่อย ๆ กู้คืนภาพเหล่านั้น จึงสามารถสร้าง ภาพที่ดูน่าเชื่อถือ จาก noise ล้วน ๆ ได้
- prompt แบบข้อความต้องถูกแปลงหลายครั้งจากพื้นที่ของคำไปสู่พื้นที่ของภาพ และโดยทั่วไปจัดการได้ครั้งละประมาณ 75 คำ เท่านั้น จึงควบคุมรายละเอียดได้ยาก
- งานที่ผลลัพธ์ไม่ได้สำคัญมาก เช่น header บล็อกธรรมดา ๆ หรือบทความสำหรับ SEO อาจถูก AI สร้างสรรค์ทดแทนได้อย่างรวดเร็ว แต่ข้อจำกัดที่ต้องการความแม่นยำ เช่น องค์ประกอบภาพ ท่าทาง สไตล์ และสี ยังต้องอาศัย อินพุตจากนักวาดภาพประกอบ
- สำหรับงานภาพประกอบเชิงพาณิชย์ เวิร์กโฟลว์แบบ ร่วมมือกัน ที่มนุษย์กำหนดเส้นร่าง องค์ประกอบภาพ และไอเดียหลัก แล้วให้ AI เติมรายละเอียดที่สำคัญน้อยกว่าอย่างสี แสง และฉากหลัง ก่อนที่มนุษย์จะกลับมาแก้ไขอีกครั้ง ดูสมจริงกว่า
latent space เพื่อทำความเข้าใจ Stable Diffusion
- สี คำ และภาพ ล้วนแทนได้ด้วยรายการตัวเลข และวิธีแทนที่ดีจะจัดให้ สิ่งที่คล้ายกันมีตัวเลขอยู่ใกล้กัน
- color space มีหลายแบบ เช่น RGB, Lch, CMYK และแต่ละแบบนิยาม “ความคล้าย” ต่างกัน
- ตัวเลขไม่ใช่ไฟล์ที่เก็บสีไว้โดยตรง แต่ใกล้เคียงกับ ป้ายกำกับและคำสั่ง ที่ชี้ไปยังสีนั้นมากกว่า
- คำก็แทนได้ด้วยตัวเลขหลายร้อยตัว โดย “mom” กับ “dad” อาจอยู่ใกล้กัน ส่วน “mom” กับ “prestidigitation” อาจถูกวางไว้ไกลกว่า
- ภาพซับซ้อนกว่าคำและสี แต่ก็สามารถสร้าง image space ด้วยตัวเลขหลายพันตัวได้
- หากเรียงค่า RGB ของทุกพิกเซล จะต้องใช้ตัวเลขหลายล้านตัว
- ภาพที่มีความหมายใกล้กัน เช่น แมวดำกับแมวขาว อาจอยู่ห่างกันมากหากดูเฉพาะค่าพิกเซล
image latent space ยืมมาจาก caption
- ภาพจำนวนมากมี caption, label หรือข้อความแวดล้อม จึงสามารถสร้าง image space ผ่านความสัมพันธ์ระหว่างภาพกับข้อความได้
- ภาพถ่ายที่ถูกติด label ว่า “cat” อาจถูกวางใกล้กัน และภาพถ่ายที่ถูกติด label ว่า “car” ก็อาจถูกวางใกล้กัน
- label อย่าง “Miyizaki cat-bus” อาจอยู่สักแห่งระหว่างแมวกับรถยนต์
- ในงานวิจัย AI สร้างสรรค์ พื้นที่แบบนี้เรียกว่า image latent space
- latent space สามารถประมาณรายการตัวเลขให้กับแทบทุกภาพที่อยากเห็น รวมถึงภาพสุ่มที่ตีความไม่ได้ด้วย
- พื้นที่นี้ถูกเปรียบเหมือน Library of Babel สำหรับภาพวาด
วิธีการทำงานของ Stable Diffusion
- Stable Diffusion ไม่ใช่วิธีเดียวในการสร้างภาพ แต่เป็นวิธีที่ใช้กันอย่างแพร่หลาย
- การฝึกทำโดยเติม noise เล็กน้อยลงในภาพหลายล้านภาพ แล้วฝึกคอมพิวเตอร์ให้ กู้คืนกลับมาให้สะอาด
- จากนั้นเติม noise มากขึ้น และฝึกให้แปลงกลับเป็นภาพที่มี noise น้อยลงอีกครั้ง
- เมื่อทำซ้ำจนภาพแทบหายไป คอมพิวเตอร์จะเรียนรู้วิธีค่อย ๆ ย้อนกลับไปเป็นภาพใด ๆ ก็ได้
- มีการฝึกเชื่อมข้อความกับภาพควบคู่กันไปด้วย
- ภาพแมวมีแนวโน้มสูงที่จะมี caption อย่าง “my cute kitty mister french fry”
- และมีแนวโน้มต่ำที่จะมี caption อย่าง “the engine from a 1959 Austin Healey”
- Cross attention คือวิธีเชื่อมระบบ AI หลายส่วนเข้าด้วยกัน เพื่อผลักภาพให้เข้าใกล้ caption ข้อความที่กำหนดมากขึ้นระหว่างลด noise ของภาพ
- AI สร้างสรรค์ผสานเป้าหมายอื่นเข้ากับกระบวนการกำจัด noise เพื่อชี้นำภาพไปในทิศทางเฉพาะ
ทำไมนิ้วและใบหน้าจึงเพี้ยน
- latent space ไม่ใช่พื้นที่ที่บรรจุภาพฝึกไว้ตามเดิม แต่เป็นพื้นที่ที่แทน ภาพที่เป็นไปได้ทั้งหมด
- แรงที่พาออกห่างจาก noise ให้ความสำคัญกับความคมชัดของภาพ ส่วนแรงที่ไปทาง label ข้อความจะมุ่งทำให้ได้ภาพที่น่าจะถูกติด label ด้วยข้อความนั้น
- caption ของภาพมักไม่พูดถึงความถูกต้องของมือคนหรือจำนวนนิ้วบ่อยนัก
- label เชิงปฏิเสธอย่าง “no deformed hands” จะมีผลจำกัด หากมีภาพที่ติด label ว่า “deformed hands” ไม่มาก
- “polydactyly” อาจดีกว่า เพราะเป็น label ที่เชื่อมโยงอย่างแรงกับนิ้วส่วนเกิน
- ใบหน้าก็มีปัญหาเดียวกัน และระบบสร้างภาพจำนวนมากมีองค์ประกอบแยกต่างหากเพื่อแก้ใบหน้า
- ระบบหลักอาจตัดสินว่าแค่ดูเหมือนใบหน้าก็เพียงพอแล้ว
- สายตามนุษย์ไวต่อความถูกต้องของใบหน้าอย่างมาก เช่น ทิศทางของดวงตาทั้งสองข้าง
- การใส่ ชื่อนักวาด อย่าง James Gurney ลงใน prompt อาจช่วยให้ภาพทั้งภาพมีความสอดคล้องดีขึ้น
- caption ทั่วไปมักเน้นคำนามและวัตถุหลักที่โฟกัส
- สไตล์ของนักวาดเป็น gestalt ที่ครอบคลุมพิกเซลทั้งภาพ ไม่ใช่ส่วนใดส่วนหนึ่ง จึงอาจนำไปสู่ผลลัพธ์ที่สอดคล้องกันมากกว่า
งานที่ AI สร้างสรรค์ทดแทนได้ง่าย
- ความต้องการของมนุษย์ต่อ สื่อกายภาพ เช่น ภาพวาดจริง ประติมากรรม ภาพพิมพ์ไม้ และงานปัก มีแนวโน้มสูงว่าจะไม่หายไป
- ผลงานจากสื่อกายภาพยังอาจถูกใช้ฝึก AI สร้างสรรค์ต่อไปได้
- สถานการณ์ที่ผลงานถูกใช้ฝึกโดยไม่ได้รับอนุญาตและถูกนำไปใช้ทดแทนอาชีพอาจรู้สึกเหมือนเป็นการละเมิด
- แต่ภาพไม่ได้อยู่ใน latent space ในรูปแบบใดรูปแบบหนึ่งอย่างเฉพาะเจาะจง และทำได้เพียงดึงภาพที่คล้ายกันกลับมาเมื่อมี prompt เฉพาะและโชคช่วย
- ยังไม่ชัดเจนว่าจะอนุญาต fair use สำหรับศิลปินมนุษย์ แต่จำกัดเฉพาะการใช้งาน ML ทางกฎหมายได้อย่างไร
- AI สร้างสรรค์สามารถทดแทนภาพประกอบและงานเขียนบางส่วนที่เนื้อหาไม่ได้สำคัญจริง ๆ ได้
- ภาพ header บล็อกที่เกี่ยวข้องคร่าว ๆ เพื่อให้เข้ากับ layout ของหน้า
- บทความบล็อกรายสัปดาห์แนวสแปมเพื่อ SEO
- ผลงานเหล่านี้ใกล้เคียงกับ คอนเทนต์เหมือนเฟอร์นิเจอร์ ที่ไม่มีใครใส่ใจมากนักจนถึงผู้บริโภคปลายทาง
- งานเหล่านี้เดิมก็ไม่ได้ค่าตอบแทนสูงและกำลังหายไปอย่างรวดเร็ว และแม้จะมีกฎควบคุมทางกฎหมายที่เข้มงวด ก็ยังไม่เห็นทางที่จะหลีกเลี่ยงการเปลี่ยนแปลงนี้ได้
เหตุผลที่ยากจะได้ภาพเฉพาะเจาะจง
- การสร้างภาพที่น่าประทับใจด้วย AI สร้างสรรค์นั้นค่อนข้างง่าย แต่การสร้าง ภาพเฉพาะเจาะจง บางครั้งแทบเป็นไปไม่ได้
- ประมาณ 1 ใน 10 ภาพอาจทำให้รู้สึกว่า “เจ๋ง” แต่ไม่ได้หมายความว่าภาพนั้นตรงกับภาพที่ขอจริง ๆ
- ใน showcase ภาพสร้างสรรค์อย่าง civitai สามารถเปรียบเทียบ prompt ที่ยาวมากกับภาพผลลัพธ์ได้
- เว็บไซต์นั้นอาจมีเนื้อหา NSFW
- องค์ประกอบจำนวนมากใน prompt อาจไม่ปรากฏในภาพเลย
- แนวคิดโดยรวมอย่าง “a mystical dragon” อาจโดดเด่นใน prompt แต่ไม่มีอยู่ในภาพ
- วิธีใช้งานแบบนี้ใกล้เคียงกับ เกมกาชา หรือสล็อตแมชชีนสำหรับสร้างภาพ
- ใส่ prompt ที่มีไอเดียน่าสนใจจำนวนมาก แล้วทำซ้ำจนกว่าจะได้อะไรสักอย่างที่น่าพอใจ
- ผลลัพธ์อาจดึงดูดใจ แต่ก็อาจไม่ใช่ภาพที่ขอไว้เอง
- ข้อความต้องถูกแปลงจาก prompt จริงไปเป็น text latent space แล้วแปลงอีกครั้งเป็นฟังก์ชันของ image latent space จึงทำงานได้ไม่ดีนักในฐานะเครื่องมือควบคุมภาพ
- ข้อความที่ประมวลผลได้ในครั้งเดียวโดยทั่วไปอยู่ที่ประมาณ 75 คำ
- หากยาวกว่านั้น จะต้องแบ่งเป็นระบบนำทางแยกต่างหากใน cross attention
อินพุตภาพเป็นวิธีควบคุมที่แข็งแรงกว่า
- ภาพแปลไปเป็น image latent space ได้ดี จึงสามารถเป็น เงื่อนไขข้อจำกัด ที่ตรงกว่าข้อความ
- prompt ที่อิงภาพสามารถควบคุมเนื้อหาและองค์ประกอบของผลลัพธ์ได้อย่างละเอียด
- สร้างภาพที่ลดทอนเป็นเส้นร่างเดียวกับอีกภาพหนึ่ง
- สร้างภาพที่มี depth map เดียวกับที่ดึงมาจากอีกภาพหนึ่ง
- สร้างภาพที่ตรงกับท่าทางที่นำมาจากอีกภาพหนึ่ง
- สร้างภาพที่เนื้อหาต่างกัน แต่สไตล์ตรงกับอีกภาพหนึ่ง
- จัดให้ตรงกับเส้น perspective ของอีกภาพหนึ่ง
- จัดให้ตรงกับ color palette ของอีกภาพหนึ่ง
- ปัญหาคือภาพนำทางเหล่านี้จะมาจากที่ไหน
- บทบาทที่เข้าใจคอนเซปต์ภาพประกอบที่ต้องการ แล้วแปลงเป็นเส้นร่าง สเก็ตช์ท่าทาง และสไตล์ได้นั้นทับซ้อนกับ นักวาดภาพประกอบ เดิม
- งานสร้างภาพที่มีข้อกำหนดละเอียดนั้นยากจะมีประโยชน์หากไม่มีนักวาดภาพประกอบ
เวิร์กโฟลว์ AI ที่เป็นไปได้สำหรับภาพประกอบเชิงพาณิชย์
- นักวาดภาพประกอบเชิงพาณิชย์มีแนวโน้มว่าต้องรักษางานไว้ แต่เรียนรู้ AI ให้เป็นส่วนหนึ่งของเวิร์กโฟลว์เพื่อให้ทำงานได้เร็วขึ้น
- นี่ไม่ได้หมายความว่าต้องเลิกวาดแล้วกลายเป็น prompt engineer
- หากทำเช่นนั้นจะเป็นการทิ้งการฝึกฝนจำนวนมากไปโดยได้กลับมาน้อย
- กระบวนการ digital painting ที่เป็นไปได้มีดังนี้
- สร้างเส้นร่างด้วยวิธีดั้งเดิม โดยเน้นองค์ประกอบภาพและไอเดียหลัก
- ให้ AI สร้างสรรค์เสนอแนวทางสีและแสงประมาณ 12 แบบ
- เลือกมา 1–2 แบบ
- วาดทับพิกเซลที่ AI สร้างขึ้นใหม่แทบทั้งหมด พร้อมปรับและแก้สีให้ตรงกับเจตนา
- วิธีนี้อาจไม่เหมาะกับนักวาดที่ใส่ความพิถีพิถันและอารมณ์ลงในการเลือกสีอย่างมาก
- ไม่มีวิธีเดียวที่เหมาะกับนักวาดทุกคน และนักวาดที่มีเดดไลน์สามารถให้ AI เติมขั้นตอนที่สำคัญน้อยที่สุดและน่าเบื่อที่สุดได้
- ฉากฝูงชน
- ภูมิทัศน์เมือง
- พืชพรรณ
- ในภาพจำนวนมากก็มี เฟอร์นิเจอร์ที่จำเป็นแต่ไม่สำคัญ เช่น ภาพ header ของหน้า และพื้นที่นั้นกำลังกลายเป็นพื้นที่ของ AI สร้างสรรค์
ช่องว่างระหว่างผลิตภัณฑ์กับทิศทางงานวิจัย
- งานวิจัย AI สร้างสรรค์กำลังมุ่งไปสู่การให้วิธีใช้ภาพเป็นอินพุตเพื่อสั่งการสร้างภาพมากขึ้นเรื่อย ๆ
- ผลิตภัณฑ์ที่ออกสู่ตลาดยังใส่เข้าไปในเวิร์กโฟลว์ของนักวาดภาพประกอบได้ไม่ง่าย
- การทดลองเพื่อให้ได้ระดับการควบคุมที่ใช้งานได้ทำโดยรัน โมเดลข้อมูลเปิด บนคอมพิวเตอร์ส่วนตัว
- ภาพอนาคตของภาพประกอบเชิงพาณิชย์น่าจะใกล้เคียงกับรูปแบบที่นักวาดภาพประกอบกำหนดแก่นหลัก ให้ AI สร้างสรรค์เติมส่วนที่สำคัญน้อยกว่า แล้วมนุษย์กลับมาแก้ไขอีกครั้ง
- ผลิตภัณฑ์ AI สร้างสรรค์ก็จำเป็นต้องพัฒนาไปในทิศทางที่รองรับเวิร์กโฟลว์แบบนี้
1 ความคิดเห็น
ความคิดเห็นจาก Hacker News
เป็นอีกมุมมองหนึ่งที่คงไม่มีใครชอบ แต่ผมคิดว่า ผลกระทบของ AI ต่อศิลปิน น่าจะเหมือนกับผลกระทบที่ Spotify มีต่ออุตสาหกรรมเพลง กล่าวคือมีแนวโน้มจะฆ่ากระแสรายได้ของทุกคน ยกเว้นผู้เผยแพร่และศิลปิน/ผู้เล่นรายใหญ่
Spotify แทบจะทำให้เงินที่เคยมาจากการจัดจำหน่ายแบบกายภาพหายไป และแย่กว่าการละเมิดลิขสิทธิ์ที่หลีกเลี่ยงไม่ได้ในตอนนั้นเสียอีก อย่างน้อยในยุคละเมิดลิขสิทธิ์ ต่อให้ไม่ได้เงิน ก็ยังไม่ต้องจ่ายค่าทนายเพื่อไปเจรจาใหม่กับค่ายเพลง
บริษัทอย่าง Adobe, OpenAI ดูเหมือนจะจ่ายเงินเศษเล็กเศษน้อยให้ศิลปินวาดภาพสำหรับฝึกโมเดล จากนั้นให้เซ็นหนังสือสละสิทธิ์ว่า “ต่อให้ไม่ได้รับเงินจากงานศิลป์ AI นี้ก็ไม่เป็นไร” แล้วนำผลงานไปขายต่อในราคาแพงบนที่อย่าง Splice: https://splice.com/features/sounds
สุดท้ายตัวโมเดลเองแทบจะไม่สำคัญ สิ่งที่จะเป็นปัจจัยสร้างความแตกต่างจริง ๆ คือ ถูกฝึกด้วยผลงานของใคร แต่ก็คงกลายเป็นว่า “ภาพนี้ AI เป็นคนทำ ดังนั้นไม่จำเป็นต้องจ่ายเงินให้คุณ”
เครื่องจักรในอดีตแทนที่งานได้แค่ 1–2 หน้าที่ แต่ถ้ามนุษย์ทำให้การฝึก AI มีประสิทธิภาพจริง ๆ มันจะเข้ามาแทนที่งานเป็นร้อย ๆ หน้าที่พร้อมกัน อีกทั้ง AI ยังมีผลทำให้ ความโดดเดี่ยว เพิ่มขึ้น เพราะลดระดับความจำเป็นที่ต้องพึ่งพามนุษย์คนอื่น
ด้วยเหตุผลเหล่านี้ ผมคิดว่าโลกจะดีกว่ามากถ้าไม่มี AI และบริษัทเทคโนโลยีกำลังทำลายโลกด้วยผลิตภัณฑ์ประหลาดร้ายกาจของพวกเขา
Spotify เอาโครงสร้างเศรษฐกิจของการละเมิดลิขสิทธิ์มา แล้วเคลือบเปลือกบาง ๆ ที่ดูเหมือนถูกกฎหมายไว้ข้างบน
อย่างแรก ภาพที่ AI สร้างมีความสุ่มและใกล้เคียงของใช้แล้วทิ้ง คุณอาจได้ภาพสวย ๆ ที่ใช้ได้ครั้งเดียว แล้วต่อจากนั้นล่ะ? จะสร้างแคมเปญจากสิ่งนั้นได้ยาก
อย่างที่สอง งานศิลป์ที่ AI สร้างไม่ได้รับการคุ้มครองลิขสิทธิ์ ดังนั้นคู่แข่งที่ลอกเลียนแบบจึงสามารถใช้ภาพการตลาดที่ AI สร้างขึ้นได้อย่างเสรี
อย่างน้อยคุณก็ยังสามารถนำงานของศิลปินกราฟิกที่จ้างมาไปใช้เป็น seed ให้ AI ได้ และภาพ AI ที่อิงจาก seed ก็สามารถได้รับการคุ้มครองลิขสิทธิ์ได้ แต่ศิลปินคนนั้นก็คงทำได้ดีกว่านักศึกษาฝึกงานที่ไม่ได้ค่าจ้าง
ตอนผมเป็นเด็ก บ่ายวันอาทิตย์พ่อจะเปิดอัลบั้มแล้วก็นั่งฟังเฉย ๆ คือฟังจริง ๆ แค่นั้น ตอนนี้แทบไม่มีใครทำแบบนั้นแล้ว
ทุกวันนี้มีความต้องการสูงสำหรับ เพลงประกอบกิจกรรม ที่เปิดฟังระหว่างขับรถ อ่านหนังสือ ท่องอินเทอร์เน็ต เขียนโค้ด หรือทำความสะอาด ตั้งแต่ช่วงที่เพลงพกพาได้ รูปแบบการบริโภคก็เปลี่ยนไปอย่างรากฐาน และ Spotify ก็แค่เป็นผู้ชนะในการแข่งขันนั้น
เมื่อเทียบกับยุคแรกของเพลงดิจิทัล ผมรู้สึกว่า การจัดจำหน่ายสื่อกายภาพ กลับเพิ่มขึ้นด้วยซ้ำ เรื่องนี้น่าจะเกี่ยวกับการทำให้เพลงเป็นดิจิทัลเอง มากกว่าจะเป็นเพราะ Spotify
รอบตัวผม ดูเหมือนมีคนจำนวนมากที่ซื้อสินค้าหรือสื่อเพื่อสนับสนุนศิลปินที่ชอบ มากกว่าจะซื้อเพื่อฟังเพลงในฟอร์แมตกายภาพจริง ๆ
บทความแบบนี้มักตั้งอยู่บนสมมติฐานเรื่องการสร้างภาพจากข้อความและ prompt engineering ซึ่งโดยทั่วไปเกิดจากประสบการณ์ในการใช้โมเดลเหล่านี้โดยตรงที่ยังไม่มากพอ ถ้าไม่ใช่ทำเล่นเพื่อความสนุก วิธีนั้นโดยเนื้อแท้แล้วไม่ใช่คำตอบที่ถูกต้อง
งานที่ต้องการความคาดเดาได้และการควบคุมจะใกล้เคียงกับ “วาดนกฮูกที่เหลือให้คล้ายกับนกฮูกตัวอื่น ๆ ที่ฉันวาดด้วยมือ” และมีการผสมกับ photobashing รวมถึงการแก้ไข/คอมโพสิตด้วยมือ ถ้าจะสร้างผลลัพธ์ที่ไม่น่าเบื่อ นี่เป็น พื้นที่ไฮบริด ที่ต้องใช้ทั้งความสามารถทางศิลปะและเทคนิค คล้ายกับ 3D CGI
นี่ไม่ใช่ปัญหาที่เกิดจากโมเดลเข้าใจภาษาธรรมชาติไม่ดี และแม้จะมีสิ่งที่พอเรียกได้อย่างสมเหตุสมผลว่า AGI ออกมาแล้ว ตอนนั้นก็อาจไม่ได้เปลี่ยนไปมากนัก พรอมป์ข้อความมีความจุในการบรรจุความหมายไม่เพียงพอ
พรอมป์ที่ละเอียดพร้อมตัวอย่างสไตล์ที่ต้องการหลาย ๆ ชิ้นดูเหมือนจะเพียงพอ แน่นอนว่าไม่ได้หมายความว่าไม่ยากมาก แต่ก็ไม่เห็นว่าต้องมีนวัตกรรมเชิงรากฐานเพื่อสิ่งนี้ องค์ประกอบที่จำเป็นมีอยู่แล้ว
มันคล้ายกับการพา AI ไปโรงเรียน หรือการอัปโหลดข้อมูลแบบใน Matrix เพื่อให้เรียนรู้แนวคิดใหม่ ๆ ได้อย่างรวดเร็ว ผู้เชี่ยวชาญจะเรียนรู้วิธีนั้น และตลาดก็จะก่อตัวขึ้นโดยมุ่งไปที่คนที่ต้องการงานแบบนั้น
เมื่อไม่นานมานี้ผมลองทำ “หุ่นยนต์ที่นั่งเล่น Magic: The Gathering ประจันหน้ากับมนุษย์” แค่ใส่มนุษย์เข้าไปในภาพก็ยากแล้ว และโมเดลก็ไม่รู้จัก MTG มากพอ จึงจับคู่รูปแบบได้แค่ประมาณ “เกมกระดาน” หรือ “เกมไพ่”
ภาพที่สร้างบางภาพดีกว่าภาพอื่นมาก จนอยากเอาการจัดวางโต๊ะจากภาพหนึ่งกับหุ่นยนต์จากอีกภาพหนึ่งมาใช้ แต่ตอนนี้แทบเป็นไปไม่ได้ “blend” ก็ใช้เพื่อจุดประสงค์นั้นไม่ได้
ผมไม่สงสัยว่ามันจะดีขึ้น แต่สงสัยว่ามีข้อจำกัดทั่วไปที่ลึกกว่านั้นอยู่ข้างใต้หรือไม่ อาจเป็นเพียงแค่ข้อมูลไม่พอก็ได้ ค้นหา Magic: The Gathering ใน Google Images ก็ยังค่อนข้างน่าผิดหวัง
อีกตัวอย่างหนึ่ง ถ้าขอโลโก้สีน้ำเงินเรืองแสงที่สลักอยู่บนโมโนลิธหิน บางครั้งโลโก้ก็ถูกสลักอยู่จริงแต่เกิดขึ้นไม่บ่อย และไม่เคยมีกรณีที่เรืองแสงเป็นสีน้ำเงินเลย ปกติแล้วทั้งโมโนลิธหรือบางส่วนของมันจะกลายเป็นสีน้ำเงินแทน
ส่วนที่บอกว่า “นักวาดภาพประกอบเชิงพาณิชย์จะยังรักษางานไว้ได้ แต่โดยมากจะต้องเรียนรู้การใช้ AI เป็นส่วนหนึ่งของเวิร์กโฟลว์ เพื่อคงความเร็วในการทำงานให้ทัน” นั้นถูกใจเป็นพิเศษ
ผมวาดภาพประกอบเป็นครั้งคราว แต่สไตล์ของผมค่อนข้างต่างจากสิ่งที่ generative AI ทำอยู่พอสมควร เมื่อเร็ว ๆ นี้ผมออกคู่มือเกมเวอร์ชัน 1.1 ที่ใช้ภาพจาก Midjourney และตอนนี้กำลังลงทุนกับ นักวาดภาพประกอบตัวจริง เพราะภาพจาก Midjourney ขาดเอกลักษณ์
แต่ในอีกไม่กี่เดือนข้างหน้า เรื่องนี้อาจเปลี่ยนไปก็ได้ ผมคงยังทำงานกับนักวาดภาพประกอบต่อไปเพราะความสม่ำเสมอของภาพ แต่ AI ก็มีโอกาสจะให้ผลลัพธ์ที่หวือหวากว่า
ประเด็นที่ว่า “อีก 2 เดือนก็เปลี่ยนแล้ว” ก็สมเหตุสมผล แต่คำพูดนั้นมีมาตั้งแต่ปีครึ่งก่อนแล้ว และในเชิงคุณภาพก็ยังไม่เปลี่ยน ภาพที่สร้างขึ้นมีคุณภาพดีขึ้นก็จริง แต่ยังไม่ถึงขั้นเรียกว่า การก้าวกระโดดเชิงคุณภาพ
อีกอย่าง ลิงก์ civitai ชี้ไปที่ https://sambleckley.com/writing/civitai.com/images ซึ่งเป็นลิงก์เสีย
ลิงก์: https://youtu.be/FQ6z90MuURM?t=329
ผมกับพาร์ตเนอร์ทำธุรกิจเสริมเล็ก ๆ บนอินเทอร์เน็ตอยู่หลายอย่าง หนึ่งในนั้นเป็นธุรกิจ D2C ที่อิงคอนเทนต์ ซึ่งเคยพึ่งพาภาพประกอบแบบกำหนดเองสำหรับครีเอทีฟโฆษณาแบบดิสเพลย์เป็นจำนวนมาก CTR ก็ใช้ได้และอยู่ในระดับเฉลี่ย แต่ CPC สูงเกินไป และ ROAS แย่มาก
เมื่อไม่กี่เดือนก่อน เราทำ A/B test ระหว่างนักวาดภาพประกอบที่ใช้ประจำกับ Stable Diffusion และผลลัพธ์ก็ค่อนข้างชัดเจนมาก CTR เพิ่มขึ้นเกือบ 20% และ CVR ก็ดีขึ้นอย่างต่อเนื่อง
ผมไม่เห็นด้วยกับข้ออ้างในบทความที่ว่าภาพที่สร้างด้วย AI จะได้ผลดีที่สุดในธุรกิจที่ตัวคอนเทนต์จริง ๆ ไม่ได้สำคัญ ธุรกิจนี้เป็นตัวอย่างโต้แย้งที่ดีเลย ในกรณีของเรา ภาพที่สร้างด้วย AI เข้าถึงลูกค้าเป้าหมายได้ดีกว่า และทำ personalization ที่ละเอียดกว่ามากได้ด้วยต้นทุนต่ำกว่าเดิม
CPA ก็ลดลงอย่างมาก และเพราะควบคุม variation ของครีเอทีฟได้ละเอียด เราจึงทำ optimization แบบเรียลไทม์ตาม segment ของผู้ชมได้ เวลาในการ launch แคมเปญใหม่ก็ลดลงครึ่งหนึ่ง และการคุยกันเรื่อง nuance ของดีไซน์, deadline delay, creative block ก็หายไป
ผมมีความรู้สึกซับซ้อนกับการที่ human touch ในกระบวนการสร้างสรรค์ลดลง แต่ถ้ามองจากมุม growth hacking ล้วน ๆ นี่เป็นสิ่งที่เปลี่ยนเกม และเราก็มีตัวเลขพิสูจน์
โดยรวมแล้วผมมองว่าเป็นกำไรสุทธิ มันไม่จำเป็นต้องเป็นจุดจบของนักวาดภาพประกอบมนุษย์ แต่จะบีบให้พวกเขาต้องปรับตัวให้ไวต่อความต้องการของลูกค้ามากขึ้น แม้แต่ธุรกิจคอนเทนต์ก็ยังเจอ friction ใหญ่ขนาดนี้ในการจัดหาครีเอทีฟ ซึ่งไม่สมเหตุสมผลเลย
ไม่ว่าอย่างไร มันมีทั้งประสิทธิภาพและจิตวิญญาณ พวกหุ่นยนต์ทำอย่างแรกได้ดีเป็นส่วนใหญ่ และบางครั้งก็ทำให้น่าประหลาดใจในอย่างหลังด้วย
ผมสงสัยว่าสาเหตุที่การคุยกลับไปกลับมาลดลงนั้นมาจากการตอบสนองที่ทันทีและโต้ตอบได้ หรือพูดอีกอย่างคือการต้องรับมือกับคนน้อยลง หรือมาจากความไว้ใจและการมอบหมายให้เครื่องจักร
ถ้าเป็นแนวว่า “เครื่องทำไอคอนนี้ขึ้นมาตามคำอธิบายของฉันแล้ว ดังนั้นไม่จำเป็นต้องสงสัยการเลือกสี” สุดท้ายก็เป็นปัญหาคลาสสิกของการมองว่าเครื่องจักรไม่มีทางผิดและเป็นผู้เชี่ยวชาญกว่ามนุษย์ คงจะเป็นทั้งสองอย่างปนกัน
ความสำคัญของเฟอร์นิเจอร์ในแต่ละพื้นที่มีสเปกตรัม ตั้งแต่พื้นที่รอที่อยู่แป๊บเดียวไปจนถึงออฟฟิศสถาปนิก และ commercial art ก็ไม่ต่างกัน ถ้าภาพนั้นไร้ความหมายจริง ๆ ก็คงไม่มีเหตุผลต้องใส่มันไว้ตรงนั้น
กราฟิกที่ไม่ให้ข้อมูลในเด็ค PowerPoint ส่วนใหญ่ที่ออกแบบแบบไม่มืออาชีพอาจมีความสำคัญต่ำกว่า ในทางกลับกัน ภาพเปิดแบบ spread 2 หน้าในบทความ feature ของนิตยสาร ผมคิดว่าแทบไม่มีโอกาส 0% ที่จะทำด้วย AI เว้นแต่ว่าเป็นบทความเกี่ยวกับภาพที่สร้างด้วย AI และแม้ในกรณีนั้น ผู้เชี่ยวชาญก็น่าจะใช้เวลาปรับแต่งรูปทรงนานกว่าส่วนอื่น ๆ
ในเวิร์กโฟลว์กราฟิกระดับมืออาชีพ ความเฉพาะเจาะจง และการควบคุมระดับพิกเซลสำคัญมาก ไม่ว่าคนที่ไม่ใช่นักออกแบบมืออาชีพจะพูดอย่างไร เครื่องมือปัจจุบันก็ไม่เหมาะกับงานนั้นโดยพื้นฐาน อินเทอร์เฟซเองผิดทาง
Adobe หรือผู้เล่นรายอื่นในอุตสาหกรรมที่รู้ว่าต้องการอะไรอาจแก้ได้ แต่หน้าตาของมันคงไม่เหมือน Midjourney
“ไวต่อความต้องการของลูกค้ามากขึ้น” กับการต้องอ่านใจลูกค้าให้ออกนั้นไม่เหมือนกัน ถ้าคิดว่านี่ไม่ใช่ สัญญาณวันสิ้นสุด สำหรับนักวาดภาพประกอบมนุษย์ในตลาดเฉพาะนี้ ก็เท่ากับกำลังหลอกตัวเอง
ผมลองให้ AI เขียนงานของผมดูแล้ว ผลออกมาแย่มาก ในทางกลับกัน พอลองเมินเครื่องมือ AI อย่าง grammar checker, summarizer, rewriting tool, แอป speech-to-text แล้ว กระบวนการเขียนกลับรู้สึกอืดอาด
สำหรับผม จุดกึ่งกลางเวิร์กที่สุด ผมใช้ generative AI เฉพาะใน ขั้นตอนกลางของงาน เท่านั้น ไม่ใช้กับอินพุตอย่างไอเดีย หรือเอาต์พุตอย่างร่างจริง
วิธีเขียนของผมเป็นแบบนี้ ไอเดียมาจากการครุ่นคิดหรือบทสนทนาบนโซเชียลมีเดีย หัวข้อที่ถูกถกกันตรงนั้นอย่างน้อยก็มีความเกี่ยวข้องที่ผ่านการตรวจสอบมาบ้างแล้ว
จากนั้นผมนั่งประมาณ 10 นาทีแล้วพูดความคิดใส่เครื่องมืออย่าง AudioPen ซึ่งเครื่องมือนี้จะสรุปเนื้อหา 10 นาทีให้เหลือ 5–6 ย่อหน้า ตรงนี้คือขั้นตอน AI ถ้าเครื่องมือเสนอ structure ของย่อหน้าหลายแบบ ผมก็ลองเปลี่ยนไปเรื่อย ๆ จนกว่าจะเจอแบบที่ดี
หลังจากนั้นผมเขียนร่างเองตาม outline นั้น นอกจากการตรวจไวยากรณ์ตอนท้ายแล้ว ก็ไม่ใช้เครื่องมือ AI อีก AI เป็นพาร์ตเนอร์การเขียนที่ยอดเยี่ยม แต่เป็น นักเขียนที่แย่มาก
คำกล่าวที่ว่า “นักวาดภาพประกอบเชิงพาณิชย์จะยังรักษางานไว้ได้ แต่โดยมากต้องเรียนรู้การใช้ AI เป็นส่วนหนึ่งของเวิร์กโฟลว์เพื่อรักษาความเร็วในการทำงานให้สูงขึ้น” ตรงกับความเป็นจริงที่ผมเห็นพอดี
นอกชุมชนสร้างสื่อด้วย AI หลายคนยังคิดกันแค่ว่าใส่ข้อความแล้วรับผลลัพธ์ออกมา แต่ในความเป็นจริง เราต้องประกอบ เวิร์กโฟลว์ทั้งหมด เพื่อให้ได้ภาพประเภทที่ต้องการอย่างแม่นยำ
ตัวอย่างเช่น: https://old.reddit.com/r/StableDiffusion/comments/14ye2eg/co...
ภาพที่สองคือผลลัพธ์ แต่ภาพแรกน่าสนใจกว่า เป็นอินเทอร์เฟซแบบ node-based ที่คล้ายกับสิ่งที่มักเห็นในเครื่องมือพัฒนาเกมอย่าง Unreal Engine: https://docs.unrealengine.com/5.2/en-US/nodes-in-unreal-engi...
มันคล้ายกับการเชื่อม API ต่าง ๆ เข้าด้วยกันเพื่อให้ได้ภาพผลลัพธ์ ผมคิดว่าการสร้างภาพในอนาคตจะใกล้เคียงกับ การเขียนโปรแกรมแบ็กเอนด์ มากกว่าการวาดภาพจริง ๆ เพราะส่วนของการวาดจริงจะถูกทำให้เป็นอัตโนมัติ และความคิดสร้างสรรค์จะอยู่ที่ตัวเวิร์กโฟลว์เอง
แน่นอนว่าสักวันหนึ่งส่วนของเวิร์กโฟลว์ก็คงถูกทำให้เป็นอัตโนมัติด้วย แต่คอมพิวเตอร์ยังอ่านใจไม่ได้พอจะรู้เจตนาของผู้ใช้ ดังนั้นเรื่องนั้นยังอีกไกล
บทความดูเหมือนจะเอนเอียงกับปัจจุบันมากเกินไป แนวทางแบบ Stable Diffusion ประสบความสำเร็จอย่างมากด้วยเทคนิคเฉพาะอย่างหนึ่ง แต่การคิดว่าวิธีนั้นจะพัฒนาได้อย่างไม่สิ้นสุดเป็นเรื่องโง่เขลา
“AI” เชิงสร้างสรรค์จะมีได้หลายรูปแบบ ท้ายที่สุดมันมีแนวโน้มจะตัดองค์ประกอบด้าน เทคนิค ในการสร้างสรรค์ออกไปเป็นจำนวนมาก ทำให้ศิลปินและเจ้าของคอนเทนต์สูญเสียรายได้และความเกี่ยวข้อง
มันจะไม่เกิดขึ้นในชั่วข้ามคืน แต่ในช่วงประมาณ 10 ปีข้างหน้า AI น่าจะยังใกล้เคียงกับเครื่องมือที่มีประโยชน์มากกว่าภัยคุกคาม
ผมคาดว่าเมื่อถึงจุดหนึ่ง generative AI จะกลายเป็น ระบบหลายประสาทสัมผัส ที่รวมทั้งภาพ เสียง และสัมผัส ระบบแบบนี้จะสร้างการนำเสนอใหม่ที่แม่นยำโดยอาศัยโมเดลทางกายภาพของวัตถุและสภาพแวดล้อม พร้อมใช้คำอธิบายที่ละเอียดและความตระหนักเชิงบริบทอย่างลึกซึ้งต่อวัฒนธรรม
มันจะคิดเป็นวัตถุและความสัมพันธ์ ไม่ใช่พิกเซล แล้วจำลอง เรนเดอร์ และกรองสิ่งเหล่านั้นให้ตรงกับความต้องการของผู้ใช้
ผมสนับสนุนความพยายามของนักเขียนและนักแสดงที่พยายามปกป้องตนเองจากการแข่งขัน แต่คิดว่าสุดท้ายจะสูญเปล่า พัฒนาการทางกฎหมายในพื้นที่นี้จะน่าสนใจ
ระบบสร้างสรรค์ในอนาคตอาจต้องมี audit trail ที่แสดงว่ามันได้ความเข้าใจเกี่ยวกับโลกมาอย่างไร เพื่อพิสูจน์ว่าไม่มีการฝึกโดยไม่ได้รับอนุญาต แต่สิ่งนี้ก็แค่ยกระดับมาตรฐานขึ้นเล็กน้อย และไม่ได้ป้องกันการใช้วิธีอื่น เช่น คำอธิบายระดับสูงแบบ clean room เพื่ออนุมานความสัมพันธ์สำคัญ
ตัวอย่างเช่น การฝึก AI ด้วยผลงานที่มีลิขสิทธิ์ของ Harrison Ford หรือภาพที่ถ่ายในที่สาธารณะอาจผิดกฎหมาย แต่ถ้าสรุป Harrison Ford ออกมาเป็นชุดคุณลักษณะแล้วส่งต่อให้ระบบสร้างสรรค์ ก็สามารถสร้างสิ่งที่แยกไม่ออกจาก Harrison Ford ตัวจริงได้ หากสามารถจัดทำเอกสารขั้นตอนนี้ได้ ดูเหมือนว่าระบบกฎหมายจะมีวิธีหยุดยั้งได้ไม่มากนัก แน่นอนว่าผมไม่ใช่ผู้เชี่ยวชาญด้านนี้
อนึ่ง ผมไม่ได้ชอบ “AI” ในปัจจุบันนัก โดยเฉพาะ LLM ผมรู้สึกว่ามันไม่น่าเชื่อถือและโดยรวมแทบใช้ประโยชน์ไม่ได้ งานศิลปะที่สร้างด้วย AI ส่วนใหญ่ก็น่าเบื่อ ไม่ถูกต้อง หรือขาดความน่าเชื่อถือบางอย่าง แต่ผมคิดว่าทิศทางกำลังชัดเจนขึ้นเรื่อย ๆ
ผมไม่เข้าใจว่าทำไมมุมมองที่ว่า “นักวาดภาพประกอบเชิงพาณิชย์จะยังรักษางานไว้ได้ แต่โดยมากต้องเรียนรู้การใช้ AI เป็นส่วนหนึ่งของเวิร์กโฟลว์เพื่อรักษาความเร็วในการทำงานให้สูงขึ้น” ถึงถูกมองว่าไม่นิยม มันดูเหมือนเส้นทางเชิงตรรกะในอนาคต
เหมือนกับที่ CoPilot ไม่ได้มาแทนที่ผม แต่มันทำให้ boilerplate บางอย่างเจ็บปวดน้อยลงมาก และช่วยหลีกเลี่ยง หน้ากระดาษเปล่า หรืออาการเขียนไม่ออกเมื่อต้องเริ่มเขียนฟังก์ชัน
การเริ่มจากอะไรสักอย่างแล้วแก้ไขจนกลายเป็นรูปแบบที่ต้องการ ดีกว่าเริ่มจากไม่มีอะไรเลย ต่อให้สุดท้ายต้องรื้อ 80–99% ก็ยังเป็นแบบนั้น
ศิลปินเองก็น่าจะได้แรงกระตุ้นความคิดสร้างสรรค์จากการเห็นตัวอย่างหลายแบบว่า line art ของตนสามารถออกมาเป็นอย่างไร แล้วค่อยทำงานต่อในแบบที่ต้องการได้
นักวาดภาพประกอบที่ผมอยากร่วมงานด้วยมากที่สุดคือคนที่ใช้เครื่องมือทุกอย่างที่มี เพื่อสร้างภาพที่ดีที่สุดเท่าที่เป็นไปได้
เห็นด้วยเป็นส่วนใหญ่ แต่ไม่เห็นด้วยกับส่วนที่ว่าด้วยการสร้างภาพเฉพาะเจาะจงบางอย่าง นั่นเป็น ทักษะ ที่พัฒนาได้อย่างชัดเจน
ผมสอนคนมามากเรื่องการทำให้พรอมป์สำหรับ AI สร้างภาพเรียบง่ายขึ้น และการเลือกภาษาที่เหมาะสม น่าแปลกที่ผู้คนมักใส่ของรก ๆ ที่ไม่จำเป็นลงไปเยอะมาก น่าจะใกล้เคียงกับความเชื่อแบบงมงายว่า “เศษประโยคนี้ใช้ได้ผลดีอยู่สองสามครั้งก่อนหน้านี้”
อย่างที่บทความบอก แนวทางข้างหน้าคือ แนวทางแบบไฮบริด ที่ใช้สิ่งนี้เป็นเครื่องมือภายในห่วงโซ่ของเครื่องมือหลายอย่าง
ยังมีแนวคิดบางอย่างที่ AI ไม่เข้าใจเลยด้วยซ้ำ เช่น ตอนนี้ Midjourney ลำบากมากกับสิ่งอย่าง “บูลโดเซอร์”, “เซนทอร์”, “นักธนูแฟนตาซี” เรื่องพวกนี้ย่อมถูกแก้ในเวอร์ชันโมเดลใหม่ที่มีข้อมูลฝึกที่ดีกว่า และในอดีตก็เคยถูกแก้มาแบบนั้นแล้ว
ความยากจริง ๆ มาจากรายละเอียดเล็ก ๆ หรือข้อมูลเชิงความหมาย เช่น การขอฉากสมจริง/เหมือนภาพถ่ายที่ทุกอย่างรวมถึงฉากหลังอยู่ในโฟกัสนั้นทำได้ยาก และแม้ใช้คีย์เวิร์ดอย่าง “focus stacking” ก็ไม่ค่อยได้ผล “selfie” เป็นคำที่ดีที่สุดที่เราค้นพบ แต่น่าเสียดายที่มีผลข้างเคียงมาก
อาจเป็นเพราะในข้อมูลฝึกมีตัวอย่างที่บรรยายคุณสมบัตินั้นอย่างเฉพาะเจาะจงไม่เพียงพอ แต่พูดตรง ๆ การเรียนรู้คำภาษาอังกฤษที่จะใช้สื่อแนวคิดแบบนั้นเองก็ยากอยู่แล้ว
สำหรับรายละเอียดเล็ก ๆ แนวทางปัจจุบันคงไม่สเกลไปถึงการจัดการคำขอแบบ “ลูกบาศก์สีน้ำเงินหกลูกที่มีสามเหลี่ยมสีแดงติดอยู่แต่ละลูก จัดเรียงเป็นรูปพีระมิด และมีลูกบอลสีเหลืองทรงตัวอยู่ด้านบน” ได้ แต่ตามที่ผู้เขียนบอก สิ่งแบบนี้มีแนวโน้มจะจัดการได้ด้วย asset ที่สร้างแยกกันและทักษะ Photoshop ขั้นต่ำ
พูดถึงปัญหาเชิงเทคนิคของพรอมป์ แต่กลับละส่วนนั้นไปทั้งหมด
ปัญหาของพรอมป์ไม่ใช่ลูกบาศก์ที่ซ้อนกันอยู่ ถ้าให้วิศวกรซอฟต์แวร์ 10 คน ทีมขาย 10 คน และผู้บริหารระดับสูง 3 คน คิดไอเดียภาพสำหรับโฆษณา สิ่งที่จะได้คือภาพขยะ ๆ บนพื้นหลังสีดำ หุ่นยนต์ อนิเมชัน สำเนาห่วย ๆ ของสิ่งที่เคยเห็นที่ไหนสักแห่งและจำได้โดยไม่รู้ตัว และ ไอเดียเชิงภาพที่ใช้ได้จริง 0 ชิ้น
ดีไซเนอร์และอิลลัสเตรเตอร์ต้องต่อสู้และพลิกกลับความจำเจกับไอเดียแย่ ๆ แบบนั้นอยู่ตลอด เพื่อทำผลิตภัณฑ์ที่พอใช้ได้
ผมมอง GPT กับโค้ดแทบเหมือนกัน เคยเห็นคนฉลาดที่ไม่ได้เขียนโค้ดโยนคำขอให้ GPT แล้วได้ของที่ทำงานได้ แต่การไปจาก “ช่วยเขียนตัวกดปุ่มอัตโนมัติด้วยตัวจับเวลาให้หน่อย” ไปเป็น “ช่วยอัปเดต repository ให้ client จัดการ business logic และฟีเจอร์นี้” นั้นเป็นการกระโดดที่ใหญ่มาก
จากมุมมองของผม งานยังคงต้องทำโดยคนที่มี วิธีคิดแบบนักพัฒนา และ AI ก็แค่ทำให้ชีวิตง่ายขึ้นเล็กน้อยในกระบวนการนั้น
ผมคิดว่าวงการศิลปะก็เหมือนกัน การได้ภาพที่ดูดีนั้นง่าย แต่การได้ภาพที่เฉพาะเจาะจงและมีความหมายนั้นโดยทั่วไปต้องใช้การปรับแต่งหลังการสร้างจำนวนมาก ซึ่งคนทั่วไปทำไม่ได้
เราเห็นความก้าวหน้าแบบก้าวกระโดดมาแล้ว เครื่องมือเขียนโค้ดที่ใช้ LLM ก็ดีขึ้น ตัว LLM เองก็ดีขึ้น และขนาด context ก็ใหญ่ขึ้นด้วย ความสนใจต่อ LLM ยังช่วยกระตุ้นการพัฒนาแนวทางใหม่ ๆ ที่มีประสิทธิภาพกว่าเดิม
อีกไม่กี่ปี ไม่ว่าจะเป็นแนวทางตระกูล JEPA ของ Lecun, ซูเปอร์โค้ดเดอร์แบบไฮบริดอะไรสักอย่างที่ DeepMind กำลังทำอยู่ หรือ LLM โอเพนซอร์ส ก็จะ เหนือกว่า GPT-4 อย่างขาดลอย ในด้านการเขียนโปรแกรม