کالبدشکافی مدل‌های انتشار: هوش مصنوعی واقعاً چگونه از میان برفک و نویز، تصاویر خیره‌کننده می‌سازد؟

در بهار سال ۲۰۱۵، در آزمایشگاهی در دانشگاه استنفورد، یک محقق فوق‌دکتری به نام یاشا سول-دیکستاین (Jascha Sohl-Dickstein) در حال بررسی یک ایده عجیب بود که از فیزیک ترمودینامیک غیرتعادلی الهام گرفته شده بود. در آن زمان، شبکه‌های عصبی برای تولید تصویر تلاش می‌کردند تا پیکسل‌ها را مستقیماً از روی الگوهای پیچیده یاد بگیرند؛ کاری که بسیار کند و پرخطا بود. سول-دیکستاین به جای تلاش برای ساختن مستقیم یک تصویر، یک سوال کاملاً متفاوت پرسید: چه می‌شود اگر ابتدا داده‌ها را با افزودن تدریجی نویز (برفک) نابود کنیم، و سپس به یک مدل یاد بدهیم که چگونه این فرایند تخریب را معکوس کند؟ این لحظه، نقطه تولد مفهومی بود که امروز آن را با نام «مدل‌های انتشار» (Diffusion Models) می‌شناسیم؛ همان موتور محرکی که اکنون در قلب ابزارهایی مانند میدجرنی (Midjourney) و استیبل دیفیوژن (Stable Diffusion) می‌تپد.[1]

مقاله بنیادین او با عنوان «یادگیری عمیق بدون نظارت با استفاده از ترمودینامیک غیرتعادلی» در مارس ۲۰۱۵ منتشر شد. در چکیده این مقاله، سول-دیکستاین و همکارانش ایده اصلی خود را این‌گونه بیان کردند: «ایده اساسی، که از فیزیک آماری غیرتعادلی الهام گرفته شده، این است که ساختار در یک توزیع داده را از طریق یک فرایند انتشار پیش‌روی تکرارشونده، به طور سیستماتیک و آهسته از بین ببریم.» به عبارت ساده‌تر، آن‌ها یک عکس واضح را می‌گرفتند و در صدها مرحله متوالی، به آن نویز گاوسی (Gaussian noise) اضافه می‌کردند تا جایی که تصویر به یک صفحه پر از برفک تصادفی، شبیه به صفحه تلویزیون‌های قدیمی بدون سیگنال، تبدیل می‌شد.[1]

جادوی واقعی در مرحله دوم یا «انتشار معکوس» (Reverse Diffusion) رخ می‌داد. اگر شما دقیقاً بدانید که در هر مرحله چه مقدار نویز به تصویر اضافه شده است، می‌توانید یک شبکه عصبی را آموزش دهید تا آن نویز را پیش‌بینی کرده و از تصویر کم کند. این فرایند، یک مسئله غیرممکن (خلق یک تصویر کامل از هیچ) را به هزاران مسئله بسیار کوچک و قابل حل (حذف مقدار کمی برفک از یک تصویر نویزی) تبدیل کرد. با این حال، این روش در سال ۲۰۱۵ به دلیل نیاز به قدرت محاسباتی عظیم، در حد یک دستاورد آکادمیک باقی ماند. پردازش مستقیم روی پیکسل‌های یک تصویر با وضوح بالا، نیازمند صدها روز پردازش روی پردازنده‌های قدرتمند بود.[3][4]

جهش بزرگ بعدی که این فناوری را به دست کاربران خانگی رساند، در سال ۲۰۲۲ و با معرفی «مدل‌های انتشار پنهان» (Latent Diffusion Models) توسط محققان دانشگاه لودویگ ماکسیمیلیان مونیخ (LMU) و شرکت RunwayML رخ داد. آن‌ها متوجه شدند که اعمال فرایند انتشار روی تک‌تک پیکسل‌های یک تصویر ۵۱۲ در ۵۱۲ پیکسلی، به شدت ناکارآمد است. راهکار آن‌ها استفاده از یک «رمزگذار خودکار» (Autoencoder) بود که تصویر را پیش از شروع فرایند نویزگذاری، فشرده می‌کرد.[2][3]

این فشرده‌سازی، تصویر را به یک «فضای پنهان» (Latent Space) منتقل می‌کند. در معماری استیبل دیفیوژن، این فضا دارای ابعاد ۶۴ در ۶۴ در ۴ است؛ یعنی دقیقاً ۴۸ برابر کوچک‌تر از فضای پیکسلی تصویر اصلی. تمام فرایند افزودن نویز و حذف آن، در این فضای فشرده و ریاضیاتی انجام می‌شود، نه روی پیکسل‌های واقعی. پس از اینکه شبکه عصبی (که معمولاً یک معماری U-Net است) نویز را در این فضای کوچک حذف کرد، یک رمزگشا (Decoder) نتیجه را دوباره به یک تصویر ۵۱۲ در ۵۱۲ پیکسلی تبدیل می‌کند. این کاهش ۴۸ برابری در حجم محاسبات، همان دلیلی است که به شما اجازه می‌دهد روی یک کارت گرافیک معمولی در عرض چند ثانیه تصویر تولید کنید.[2]

اما چگونه کلماتی که تایپ می‌کنید، این فرایند حذف برفک را هدایت می‌کنند؟ در اینجا پای مدل‌های زبانی مانند CLIP (توسعه‌یافته توسط OpenAI) به میان می‌آید. وقتی شما عبارت «یک گربه فضانورد روی مریخ» را تایپ می‌کنید، این متن به مجموعه‌ای از اعداد (بردارها) تبدیل می‌شود که معنای کلمات را در خود جای داده‌اند. در طول فرایند انتشار معکوس، این بردارهای متنی به عنوان یک «قطب‌نما» عمل می‌کنند. شبکه عصبی در هر مرحله از حذف نویز، به این قطب‌نما نگاه می‌کند و می‌پرسد: «کدام الگوهای پنهان در این برفک، بیشتر شبیه به یک گربه فضانورد هستند؟» و سپس نویزها را به گونه‌ای حذف می‌کند که آن الگوها تقویت شوند.[2][5]

با وجود تمام این شگفتی‌ها، نگاهی بدبینانه به بازاریابی شرکت‌های هوش مصنوعی ضروری است. بسیاری از این شرکت‌ها ادعا می‌کنند که مدل‌هایشان در حال «تخیل» یا «درک» جهان هستند. اما واقعیت مکانیکی این سیستم‌ها بسیار خشک‌تر است: آن‌ها صرفاً ماشین‌های پیش‌بینی نویز هستند که بر روی میلیاردها جفت عکس و متن (مانند مجموعه داده عظیم LAION-5B) آموزش دیده‌اند. آن‌ها نمی‌دانند گربه چیست؛ آن‌ها فقط توزیع آماری پیکسل‌هایی را که در داده‌های آموزشی با کلمه «گربه» برچسب خورده‌اند، بازتولید می‌کنند. به همین دلیل است که این مدل‌ها اغلب در کشیدن دست انسان (که دارای ساختار هندسی پیچیده و متغیری در عکس‌هاست) دچار اشتباه می‌شوند و دست‌هایی با شش انگشت یا مفاصل درهم‌تنیده تولید می‌کنند.[4][6]

این فناوری، با وجود تمام محدودیت‌هایش در درک منطق فیزیکی جهان، ثابت کرده است که گاهی اوقات بهترین راه برای ساختن چیزی جدید، این است که ابتدا یاد بگیریم چگونه آن را به طور کامل ویران کنیم. ما دیگر به کامپیوترها نمی‌گوییم که چگونه یک تصویر را رسم کنند؛ ما یک فضای پر از آشوب (نویز) ایجاد می‌کنیم و سپس با استفاده از ریاضیات و آمار، نظم مورد نظرمان را از دل آن آشوب بیرون می‌کشیم.[6]