Pliki Cookies zapewniają sprawne funkcjonowanie tego portalu, czasami umieszczane są na urządzeniu użytkownika. Ustawienia cookies można zmienić w przeglądarce. Więcej o przetwarzaniu danych w polityce prywatności. Prosimy o wyrażenie zgody na cookies.

Tak, zgadzam się
Nie teraz
Copernicus Center Press
KATALOG

Filmy

Z autografem

Biografie

Etyka

Filozofia ekonomii

Filozofia nauki

Filozofia prawa

Historia filozofii

Kognitywistyka

Kosmologia

Lingwistyka

Logika

Matematyka

Nauka i religia

Nauki ewolucyjne

Michał Heller

Zagadnienia Filozoficzne w Nauce

Wydania kieszonkowe
Seria Piąty Wymiar
Książki po przejściach
Seria Nauka i Religia

Ekonomia

Kosmos

"Gruba Promocja"

W podróż z nauką

"W Tym Miesiącu Polecamy"

KOD KREATYWNOŚCI - fragment


"Kod kreatywności" - fragment


Wskrzeszenie Rembrandta


Gdy w 1965 roku Nees pokazał swoją wygenerowaną komputerowo sztukę w stuttgarckiej Akademii Sztuk Pięknych, jeden z tamtejszych artystów rzucił mu wyzwanie: „Wszystko to brzmi bardzo interesująco, ale powstaje następująca kwestia. Pan wydaje się przekonany, że jest to dopiero początek i że w przyszłości będą możliwe rzeczy znacznie bardziej zaawansowane od tego, co teraz umie pańska maszyna, proszę zatem powiedzieć, czy pana komputer będzie w stanie naśladować mój indywidualny styl malarski?”.

„Oczywiście, że będzie w stanie to robić”, odparł Nees. „Wszakże pod jednym warunkiem: musi pan jasno i precyzyjnie zdefiniować, jak pan maluje”.

Większość artystów nie potrafi wyjaśnić, jak tworzy swe prace. Dlatego nie można tego procesu zakodować. Rezultat jest konsekwencją podświadomych instynktów i decyzji. Ale czy uczenie maszynowe nie mogłoby poradzić sobie bez konieczności świadomego wyrażenia tych wszystkich czynników – poprzez identyfikację reguł i wzorców, których ludzie nie umieją wykryć? By to sprawdzić, postanowiłem zobaczyć, czy algorytm umie wydobyć zza grobu zupełnie nowy obraz jednego z największych artystów wszech czasów.

Rembrandt van Rijn za życia był cenionym malarzem z uwagi na umiejętność uchwycenia emocjonalnych stanów portretowanych osób, a jego renoma tylko rosła z upływem czasu. Wielu artystów widzi w nim wzór do naśladowania, nie marzy jednak nawet o dorównaniu jego technicznej sprawności i doskonałości wyrazu. Jak zauważył van Gogh: „Rembrandt tak głęboko wchodzi w tajemnicę, że wypowiada rzeczy, dla których brakuje słów w każdym języku. Słusznie zwie się Rembrandta magikiem, a jest to zajęcie niełatwe”. Malował niezliczone portrety członków holenderskich gildii oraz wielkich osobistości, a także pejzaże i obrazy o tematyce religijnej. Najbardziej jednak fascynowały go autoportrety, wracał do nich wielokrotnie do samego kresu życia, tworząc intymne studia autobiograficzne, ożywiane dociekliwą szczerością.

Czy obfita twórczość Rembrandta wystarczy, aby algorytm nauczył się, jak stworzyć jeszcze jeden portret w jego stylu? Internet gromadzi miliony zdjęć kotów, lecz Szekspir napisał tylko 37 sztuk teatralnych, a Beethoven skomponował dziewięć symfonii. A może niedostatek danych ocali twórczy geniusz przed uczeniem maszynowym? Naukowcy z Microsoftu i Uniwersytetu Technicznego w Delft sądzili, że istnieje wystarczająca ilość danych, aby można było nauczyć algorytm malowania jak Rembrandt. Ron Augustus z Microsoftu, który uczestniczył w projekcie, uważa, że sam mistrz wyraziłby aprobatę: „Używamy technologii i danych w taki sam sposób, w jaki Rembrandt używał pędzli i farb, aby tworzyć nowe rzeczy”.

Zespół przestudiował w sumie 346 obrazów i otrzymał do analizy 150 GB grafiki cyfrowej. Do kolekcji danych należała także identyfikacja płci i wieku, kierunku spojrzenia postaci oraz geometryczna analiza różnych kluczowych punktów twarzy. Po dokładnej analizie portretów zespół wybrał temat, który Rembrandt mógłby przyjąć dla kolejnego dzieła: około trzydziesto- lub czterdziestoletni mężczyzna z zarostem, w ciemnym ubraniu, z kołnierzem i kapeluszem, patrzący w prawą stronę. Mogła być to także kobieta, ponieważ stosunek płci w obrazach Rembrandta był niemal równy, lecz męskie portrety mają lepiej dające się analizować detale. Wszystko to jeszcze nie wymagało skomplikowanej analizy danych. Zadaniem uczenia maszynowego była teraz materialna realizacja portretu.

Zespół wykorzystywał algorytmy do badania, jak Rembrandt malował oczy, usta i nosy. Sposób użycia światła jest jedną z cech charakterystycznych jego malarstwa. Najczęściej skupione światło pada na jedną stronę portretowanego, mocno podkreślając pewne elementy, podczas gdy inne pozostają zamazane. Algorytm nie dążył do stopienia ze sobą wszystkich rysów twarzy lub wyciągnięcia z nich średniej. Jak w 1877 roku zauważył Francis Galton, gdy próbował stworzyć wizerunek prototypowego skazańca przez uśrednianie fotografii rzeczywistych skazanych, rezultat wcale nie przypomina oryginału. Po nałożeniu na siebie negatywów i wywołaniu tak powstałego zdjęcia Galton ze zdumieniem zobaczył, że seria wykrzywionych, brzydkich twarzy przeistoczyła się w przystojną syntezę. Okazuje się, że balansowanie asymetrii może dać atrakcyjny rezultat. Naukowcy musieli wymyślić coś sprytniejszego, jeśli chcieli otrzymać obraz, który mógłby uchodzić za dzieło Rembrandta. Algorytm musiał stworzyć nowe oczy, usta i nos, jakby patrzył na świat oczami mistrza.

Po stworzeniu tych elementów naukowcy zaczęli badać, w jakich proporcjach Rembrandt umieścił je na malowanych twarzach. Zagadnienie proporcji fascynowało już Leonarda da Vinci. Jego szkicowniki pełne są pomiarów względnego położenia różnych elementów twarzy. Niektórzy twierdzą, że wykorzystał matematyczną złotą proporcję do stworzenia twarzy idealnej. Rembrandt tak bardzo nie pasjonował się geometrycznymi zależnościami, niemniej wydaje się, że miał swe ulubione proporcje.

Najpierw prowadzono analizę na płaskich obrazach. Ale malowidło nie jest dwuwymiarowe. Farba nadaje płótnu topografię, która wpływa na ostateczny efekt. Dla wielu artystów jest nie mniej ważna niż kompozycja. Wystarczy przypomnieć sobie, jak van Gogh nakładał kolejne warstwy farby olejnej, tworząc rzeźbę w tym samym stopniu co malowidło. Czasami faktura obrazu jest pomijana przez tych, którzy próbują tworzyć sztukę za pomocą algorytmów. Sztuka ta często powstaje na ekranie, jest zatem ograniczona do dwuwymiarowej cyfrowej matrycy. Ale tym, co odróżnia od siebie artystów – od Goi po de Kooninga – jest tak samo sposób nakładania farby na płótno, jak obraz, który powstaje. To, jak Rembrandt kładł warstwy farby, jest z pewnością istotną właściwością jego później twórczości. Zespół naukowców zdał sobie sprawę, że nowoczesne drukarki 3D pozwalają na oddanie konturów charakterystycznych dla płócien Rembrandta. Końcowy drukowany w trzech wymiarach obraz składał się ze 148 mln pikseli ulokowanych w 13 warstwach atramentu na bazie farby.

Bas Korsten, jeden z partnerów kreatywnych pracujących nad projektem, przyznał, że o ile idea była w swej prostocie pomysłowa, o tyle jej wykonanie w najmniejszym stopniu nie było proste. „Pracowaliśmy metodą prób i błędów. Analizowaliśmy i testowaliśmy mnóstwo pomysłów, które musieliśmy na końcu odrzucić”. Zespół zastanawiał się nad wykorzystaniem robota do wykonania obrazu, lecz ramię robota obecnie ma tylko dziewięć stopni swobody, podczas gdy ręka ludzka – taka jak u Rembrandta – posiada 27 różnych części, które mogą poruszać się niezależnie. Zrezygnowano więc z tej koncepcji.

Korsten przyznaje, że największym wyzwaniem było podtrzymywanie w zespole entuzjazmu dla projektu „Nowy Rembrandt”. „Tyle potężnych sił działało przeciw nam: czas, budżet, technologia, krytycy, ale nade wszystko przytłaczająca ilość informacji, które musieliśmy zanalizować. Tylko dzięki wytrwałości i uporowi udało nam się projekt doprowadzić do szczęśliwego finału”.

Po 18 miesiącach przetwarzania danych i 500 godzinach renderowania zespół zdecydował się przedstawić światu efekt swej pracy nad wskrzeszeniem Rembrandta. 5 kwietnia 2016 roku obraz został pokazany w Amsterdamie i od razu wzbudził żywe zainteresowanie publiczności, czego dowodzi 10 mln wzmianek na Twitterze w pierwszych paru dniach. Rezultat był zdumiewający. Nie można zaprzeczyć, że został oddany styl Rembrandta. Spytani o nazwisko artysty, w większości prawdopodobnie przypisalibyśmy go do szkoły Rembrandta. Ale czy obraz ten przekazuje magię mistrza? Zdaniem brytyjskiego krytyka sztuki Jonathana Jonesa – w żadnej mierze. „Co za wulgarna, bezduszna, pozbawiona artystycznej wrażliwości i gustu karykatura wszystkiego, co w ludzkiej naturze twórcze!”, napisał w „Guardianie” Jones z pełną pogardy odrazą. „Co to za nędzny wykwit naszych dziwacznych czasów, w których najlepsze umysły poświęcają się realizacji najgłupszych »wyzwań«; w których technologia jest używana do rzeczy, do jakich przenigdy nie powinna być używana; w których wszyscy poczuwają się do obowiązku zachwytu nad pozbawionym życia rezultatem, gdyż tak niskie bijemy pokłony przed wszelką technologią cyfrową”.

Jones uważa, że projekt ten opiera się na całkowitym niezrozumieniu kreatywnego geniuszu Rembrandta. Albowiem nie chodzi w nim o styl ani powierzchowne efekty, ale o to, jak udało się Rembrandtowi ukazać swe życie wewnętrzne, a przez to sam nasz wewnętrzny świat. Chodzi o spotkanie się dwóch dusz. Obraz wygenerowany przez AI nie może wywołać tego, co Jones nazwał „rembrandtowskim dreszczem”, uczucia, jakiego doznajemy, gdy stoimy przed każdym prawdziwym arcydziełem Rembrandta.

Jego zdaniem projekt ten mógł powieść się tylko pod jednym warunkiem: gdyby sztuczna inteligencja poznała dżumę, nędzę, starość oraz wszystkie inne ludzkie doświadczenia, które Rembrandta uczyniły takim, jakim był, a jego sztukę taką, jaką była.

Czy lekceważenie takie jest usprawiedliwione? Czy Jones w ten sam sposób zareagowałby, gdyby nie wiedział, że komputer stworzył ten obraz? Proces twórczy często jest czarną skrzynką. Algorytmy dały nam nowe narzędzia pozwalające obejrzeć jej zawartość i znaleźć ślady nowych form. Jeśli program komputerowy odtwarza to, czego dokonał artysta, to ujawnia on pewną prawdę o procesie tworzenia. Czy to może nam pomóc identyfikować przeoczone arcydzieła starych mistrzów lub przypisywać prawdziwym autorom błędnie skatalogowane dzieła? Przez dziesiątki lat spierano się, kto namalował obraz Tobit i Anna z kolekcji Willema van der Vorma. Z pewnością dzieło wykazuje wiele cech późnego Rembrandta: skupione światło, niewygładzona powierzchnia płótna, fragmenty bardzo zgrubnie malowane, inne zaś bardzo wyraziste. U spodu jest nawet podpis mistrza, ale wielu znawców sądziło, że został dodany później i jest podrobiony. Przez lata obraz ten nie był klasyfikowany jako dzieło Rembrandta, ale przypisywany jednemu z jego uczniów. To się zmieniło w 2010 roku, gdy wybitny znawca Rembrandta Ernst van de Wetering do analizy płótna wykorzystał najnowsze osiągnięcia nauki.

Dzięki skanowaniu w podczerwieni i promieniom Röntgena możemy teraz zobaczyć, co kryje się pod powierzchnią, na przykład pierwsze próby na drodze do skończonego dzieła. Zdjęcia rentgenowskie wykazały, że obraz zawierał pierwotnie jeszcze jedno okno, które zostało potem zamalowane. Zdaniem van de Weteringa Rembrandt nieustannie w ten sposób eksperymentował ze światłem, starając się odkryć najlepsze oświetlenie postaci. Ponadto mikroskopowa analiza chemiczna wykazała, że podpis musiał zostać dodany, gdy farba była jeszcze mokra. Połączenie lat doświadczenia badacza oraz jego głębokiej znajomości stylu Rembrandta z nowoczesną technologią doprowadziło do zmiany zdania co do autorstwa obrazu. Muzeum ucieszyło się, że ma w swej kolekcji jeszcze jeden obraz Rembrandta. Niemniej nadal słyszy się głosy, które mimo całego naukowego poparcia wyrażają wątpliwości co do pochodzenia dzieła.

Jaką więc opinię ma van de Wetering na temat nowego, wygenerowanego komputerowo obrazu Rembrandta? Pomysł nie przypadł mu do gustu, gdy po raz pierwszy o nim usłyszał. Kiedy zobaczył rezultat, natychmiast zaczął krytykować technikę malarską obrazu, zwracając uwagę na subtelne niekonsekwencje oraz na to, że sposób posługiwania się pędzlem jest charakterystyczny dla Rembrandta z 1652 roku, podczas gdy reszta portretu przypomina stylem obrazy malowane w roku 1632. Zespół był właściwie zadowolony, że niedostatki projektu można odkryć dopiero na tym poziomie szczegółowości.

Dla Microsoftu motywacja projektu „Nowy Rembrandt” prawdopodobnie miała charakter bardziej komercyjny niż artystyczny. Jeżeli umiesz podrobić przekonująco Rembrandta, oznacza to, że twój kod musi być naprawdę dobry. Podobnie zwycięstwo AlphaGo nad Lee Sedolem nie wiązało się z pragnieniem odkrycia nieznanych wcześniej strategii gry w go, lecz raczej z tym, że zespół DeepMind chciał pokazać jak najszerszej publiczności moc tworzonej przez siebie sztucznej inteligencji. Czy jest to problematyczne? Czy kreatywność musi być wolna od względów komercyjnych? Van Gogh w całym swoim życiu sprzedał dwa obrazy (chociaż wymieniał płótna na jedzenie i przybory malarskie). Być może liczył, że malarstwo będzie przynosić mu skromny dochód, lecz nie wydaje się, aby pieniądze napędzały jego kreatywność. Istnieją jednak dowody na to, że perspektywa korzyści finansowych może (przynajmniej na skromnym poziomie) stymulować kreatywność.

W 2007 roku zespół amerykańskich psychologów poprosił 115 studentów o przeczytanie opowiadania o popcornie przygotowanym na patelni. Następnie studenci mieli zaproponować tytuł opowiadania. Połowa usłyszała: „Zostanie oceniona kreatywność tytułów w porównaniu z propozycjami innych studentów, uczestniczących wcześniej w tych badaniach. Jeżeli wasze tytuły okażą się lepsze od 80 procent wcześniejszych tytułów, będzie to oznaczać, że wypadliście świetnie”. Druga połowa usłyszała to samo, ale dodatkowo obiecano po 10 dolarów nagrody za kreatywność. Jak można było oczekiwać, zachęta finansowa zaowocowała znacznie bardziej kreatywnymi propozycjami, w tym perełkami takimi jak „PAN¬demonium” i „A-POP-calypse Now” („Patelnia” to po angielsku „pan”. Studenci polscy zapewne wymyśliliby tytuły: „PATELNIAda” i „Czas a-POP-kalipsy” (przyp. tłum.).) Czy informacja zwrotna pod jakąkolwiek postacią jest bodźcem kreatywności? Czy nie tworzymy po to, aby inni ludzie nami się interesowali? Nowa AI zaczyna uwzględniać i ten aspekt. W uczeniu maszynowym informacja zwrotna często jest wykorzystywana do kierowania algorytmu ku lepszemu rezultatowi. Przypomnijmy sobie algorytm DeepMind grający w gry Atari. Nagradzanie podejmowania ryzyka (przez programowanie algorytmu, by dążył do wysokiego wyniku) popychało algorytm na wyższe poziomy, które były niedostępne dla niezachęconego algorytmu.

Więcej o fascynujących dokonaniach AI przeczytają Państwo w książce "Kod kreatywności".