Text-to-image

Text-to-image คือความสามารถในการสร้างภาพจากคำบรรยายที่เป็นภาษาธรรมชาติ นิยามทางเทคนิคคือโมเดลที่รับคำสั่งเป็นข้อความแล้วผลิตภาพที่ตรงกับคำบรรยายนั้นออกมา กลไกที่ระบบส่วนใหญ่ใช้คือ diffusion แบบทำงานในพื้นที่ที่ถูกบีบอัดแล้ว โดยข้อความที่เราพิมพ์จะถูกแปลงเป็นชุดตัวเลขด้วยโมเดลภาษาก่อน แล้วโมเดลสร้างภาพจึงค่อยๆ ขัดเกลาภาพจากสัญญาณรบกวนโดยมีชุดตัวเลขนั้นเป็นตัวกำกับทิศทาง

ช่วงที่เทคโนโลยีนี้ก้าวกระโดดคือปี 2021 ถึง 2022 ระบบที่เป็นหมุดหมายได้แก่ DALL-E ที่เปิดตัวเมื่อมกราคม 2021 และเรียกความสนใจจากสาธารณะเป็นวงกว้าง ตามด้วย DALL-E 2 เมื่อเมษายน 2022 ที่สร้างภาพซับซ้อนและสมจริงขึ้นมาก แล้ว Midjourney เมื่อกรกฎาคม 2022 และ Stable Diffusion ที่เปิดให้ดาวน์โหลดไปใช้เองเมื่อสิงหาคม 2022 ซึ่งเป็นจุดที่ทำให้เทคโนโลยีนี้กระจายออกไปนอกมือของบริษัทใหญ่ ภายในปี 2022 คุณภาพของภาพที่ได้เริ่มเข้าใกล้ภาพถ่ายจริงและงานที่คนวาดเอง

ประเด็นที่ต้องพูดคู่กันเสมอคือข้อมูลที่ใช้เทรน ชุดข้อมูลขนาดใหญ่ที่ใช้กันแพร่หลายมีคู่ภาพกับข้อความกว่าห้าพันล้านคู่ ซึ่งถูกเก็บมาด้วยการกวาดข้อมูลจากเว็บ และมีการบันทึกว่ามีเนื้อหาที่เป็นข้อถกเถียงปนอยู่ นำไปสู่การถกเถียงเรื่องจริยธรรมของการนำไปใช้ ประเด็นนี้โยงตรงกับคำถามเรื่องความยินยอมและลิขสิทธิ์ของงานที่ถูกกวาดไปเทรนโดยเจ้าของไม่รู้ตัว สำหรับธุรกิจไทยที่จะเอาภาพจาก AI ไปใช้เชิงพาณิชย์ สิ่งที่ต้องตรวจก่อนคือเงื่อนไขการใช้งานของบริการที่ใช้ว่าอนุญาตให้ใช้เชิงพาณิชย์หรือไม่ และใครเป็นเจ้าของสิทธิ์ในภาพที่สร้างออกมา เพราะแต่ละเจ้าเขียนไว้ไม่เหมือนกัน และกฎหมายลิขสิทธิ์ในเรื่องนี้ยังไม่นิ่งในหลายประเทศรวมถึงไทย

ตัวอย่างจากบทสนทนาจริง

ฝ่ายการตลาด: "เราจะใช้ภาพที่สร้างจาก AI ทำโฆษณาสินค้าเลยได้ไหมคะ ประหยัดค่าถ่ายภาพไปเยอะมาก"

ที่ปรึกษา: "ได้ครับแต่ต้องเช็กสามข้อก่อน ข้อแรกคือเงื่อนไขของบริการที่ใช้ ว่าอนุญาตให้ใช้เชิงพาณิชย์ไหมและใครถือสิทธิ์ในภาพ แต่ละเจ้าเขียนไม่เหมือนกัน ข้อสองคืออย่าใส่ชื่อศิลปินหรือแบรนด์ลงในคำสั่งเพื่อเลียนสไตล์ เพราะนั่นคือจุดที่เสี่ยงถูกฟ้องมากที่สุด ข้อสามคือถ้าเป็นภาพที่สื่อว่าเป็นสินค้าจริงหรือคนจริง ต้องระวังเรื่องการโฆษณาเกินจริงด้วย ผมแนะนำให้ใช้กับภาพประกอบเชิงบรรยากาศก่อน ส่วนภาพสินค้าจริงยังควรถ่ายเองครับ"

ระวังสับสนกับ

• generative-ai : generative AI เป็นคำกว้างที่ครอบการสร้างเนื้อหาใหม่ทุกชนิด ทั้งข้อความ ภาพ เสียง และวิดีโอ ส่วน text-to-image เป็นความสามารถเฉพาะทางหนึ่งภายใต้ร่มนั้น
• deepfake : deepfake คือสื่อปลอมที่ทำให้ดูเหมือนคนจริงพูดหรือทำสิ่งที่ไม่ได้ทำ ซึ่งเป็นการใช้งานในทางที่หลอกลวง ส่วน text-to-image เป็นเทคโนโลยีกลางที่ใช้สร้างอะไรก็ได้ ความต่างอยู่ที่เจตนาและการอ้างว่าเป็นของจริง
• multimodal : multimodal หมายถึงโมเดลที่รับหรือสร้างข้อมูลได้หลายรูปแบบในตัวเดียว ส่วน text-to-image เจาะจงทิศทางเดียวคือจากข้อความไปเป็นภาพ