ບໍ່ເຊັນເຊີທຽບກັບກັ່ນຕອງ ຕົວສ້າງຮູບ AI
ຕົວກັ່ນຕອງເນື້ອຫາຖືກສ້າງຂຶ້ນເພື່ອຢຸດອັນຕະລາຍຈິງຈຳນວນນ້ອຍໆ. ໃນທາງປະຕິບັດ ພວກມັນຍັງຢຸດພາບປະກອບທາງການແພດ, ການສ້າງພາບຄືນທາງນິຕິວິທະຍາສາດ, ການແຕ້ມຮ່າງກາຍ, ປະຫວັດສາດສົງຄາມ, ການເສຍດສີບັນນາທິການ ແລະ ບໍລິສັດທີ່ຢາກເຮັດຮູບສິນຄ້າຂອງຕົນເອງ. ນີ້ຄືລາຄາຂອງມັນ — ແລະ ການເອົາຕົວກັ່ນຕອງອອກປ່ຽນ ແລະ ບໍ່ປ່ຽນຫຍັງແດ່.
ສະຫຼຸບຫຍໍ້
ຕົວສ້າງຮູບກະແສຫຼັກກວດພຣອມ ແລະ ຜົນຜະລິດດ້ວຍຕົວຈັດປະເພດທີ່ເຫັນຄຳສັບ ແລະ ພິກເຊວ, ບໍ່ເຄີຍເຫັນຈຸດປະສົງ. ນັ້ນຮັບປະກັນວ່າຈະມີຜົນບວກລວງ, ແລະ ພວກມັນຕົກໜັກທີ່ສຸດໃສ່ວຽກທີ່ຕ້ອງໃຊ້ທັກສະ: ກາຍະວິພາກ, ນິຕິວິທະຍາສາດ, ຮູບເປືອຍທາງສິລະປະ, ຮູບປະຫວັດສາດ, ການເບິ່ງພາບລ່ວງໜ້າ, ການເສຍດສີ, ສື່ສ້າງຄວາມຮັບຮູ້ດ້ານຄວາມປອດໄພ, ແລະ ຜູ້ຖືສິດທີ່ຂໍຮູບແບຣນຂອງຕົນເອງ. OVERT (ICML 2025), ເບັນມາກຂະໜາດໃຫຍ່ອັນທຳອິດສຳລັບຄວາມລົ້ມເຫຼວແບບນີ້, ໃຊ້ພຣອມທີ່ບໍ່ເປັນອັນຕະລາຍແຕ່ໜ້າສົງໄສ 4,600 ອັນ ແລະ ພົບວ່າການປະຕິເສດເກີນເຫດແຜ່ຫຼາຍໃນບັນດາໂມເດວຊັ້ນນຳ. Shannon ແລ່ນການສ້າງຮູບ, ການແກ້ໄຂຮູບດຽວ ແລະ ການລວມຫຼາຍຮູບ ເທິງຄລັດສເຕີ GPU ຂອງພວກເຮົາເອງ ໂດຍບໍ່ມີຕົວກັ່ນຕອງເນື້ອຫາ ແລະ ບໍ່ມີຊັ້ນປະຕິເສດ, ແທນທີ່ບັນຊີດຳດ້ວຍການຕັດສິນໃຈທີ່ເຫັນໄດ້: ບັດຢືນຢັນທີ່ສະແດງພຣອມແທ້ກ່ອນຈະເຣັນເດີສິ່ງໃດ. ນັ້ນຍົກຄວາມຮັບຜິດຊອບຂອງທ່ານ ແລະ ຂອງພວກເຮົາໃຫ້ສູງຂຶ້ນ; ທັງສອງຢູ່ໃນນະໂຍບາຍການໃຊ້ຢ່າງມີຄວາມຮັບຜິດຊອບ. ບໍ່ມີການສ້າງວິດີໂອ, ແລະ ວຽກຮູບຢູ່ໃນແອັບແຊັດ, ບໍ່ແມ່ນAPI.
ເກືອບທຸກຄົນທີ່ເຮັດວຽກກັບຮູບແບບມືອາຊີບມີເລື່ອງເລົ່າອັນດຽວກັນ. ພຣອມທີ່ອະທິບາຍສິ່ງທຳມະດາ — ພາບຕັດຂວາງຂອງຂໍ້ຫົວເຂົ່າ, ລົດໃນວິນາທີທີ່ຊົນ, ການສຶກສາຮ່າງກາຍດ້ວຍຖ່ານແຕ້ມ, ທະຫານໃນປີ 1944 — ກັບຄືນມາເປັນການລະເມີດນະໂຍບາຍ. ທ່ານປ່ຽນຄຳເວົ້າ, ແລ້ວໄດ້ການລະເມີດອີກແບບໜຶ່ງ. ໃນທີ່ສຸດທ່ານຂຽນບາງສິ່ງທີ່ຄຸມເຄືອພໍທີ່ຈະຜ່ານ, ແລ້ວໄດ້ຮູບທີ່ບໍ່ສະແດງສິ່ງທີ່ທ່ານຕ້ອງການອີກຕໍ່ໄປ. ເຄື່ອງມືບໍ່ໄດ້ລົ້ມເຫຼວແບບດັງໆ; ມັນລົ້ມເຫຼວເປັນລະດັບ, ແລະ ເຮັດໃຫ້ທ່ານກາຍເປັນຜູ້ທີ່ຕ້ອງປະນີປະນອມ.
01ເປັນຫຍັງຕົວສ້າງຮູບ AI ຈຶ່ງປະຕິເສດພຣອມທີ່ຊັດເຈນວ່າຖືກຕ້ອງ?
ການປະຕິເສດປົກກະຕິແລ້ວບໍ່ແມ່ນຄວາມເຫັນຂອງໂມເດວຮູບພາບ. ມັນເປັນຜົນຜະລິດຂອງກອງຊ້ອນຕົວກັ່ນຕອງທີ່ອ້ອມໂມເດວໄວ້, ແລະ ຊັ້ນຕ່າງໆຂອງມັນອະທິບາຍການປະຕິເສດແປກໆເກືອບທຸກຄັ້ງທີ່ທ່ານເຄີຍໄດ້ຮັບ.
| ຊັ້ນ | ມັນກວດຫຍັງ | ຄວາມລົ້ມເຫຼວປະຈຳຕົວ |
|---|---|---|
| ບັນຊີດຳພຣອມ | ສາຍອັກສອນຕາມຕົວ ແລະ ຮູບແປງໃກ້ຄຽງໃນຂໍ້ຄວາມຂອງທ່ານ | ຂວາງຄຳໜຶ່ງໂດຍບໍ່ສົນປະໂຫຍກທີ່ອ້ອມມັນ — “speculum” ຕົກ, “stethoscope” ຜ່ານ |
| ຕົວຈັດປະເພດພຣອມ | ການວິນິດໄສ “ຄວາມສ່ຽງ” ຂອງພຣອມທີ່ຮຽນມາ | ຕິດໄຟຕາມຄວາມໃກ້ຂອງຫົວຂໍ້: ຫຍັງກໍຕາມທີ່ໃກ້ການແພດ, ອາວຸດ, ຮ່າງກາຍ ຫຼື ການເມືອງ ໄດ້ຄະແນນສູງ |
| ການຝຶກໃຫ້ໂມເດວປະຕິເສດ | ຄວາມລັງເລທີ່ຝຶກມາຂອງໂມເດວເອງ | ປະຕິເສດໂດຍບໍ່ມີຂໍ້ຜິດພາດ, ຫຼື ຜະລິດຂອງທົດແທນທີ່ຖືກຊຳລະລ້າງແບບງຽບໆ |
| ຕົວຈັດປະເພດຂາອອກ | ພິກເຊວທີ່ເຣັນເດີແລ້ວ, ບໍ່ມີບໍລິບົດຂອງພຣອມ | ບອກບໍ່ໄດ້ວ່າແຜ່ນພາບກາຍະວິພາກຕ່າງຈາກສື່ລາມົກ, ຫຼື ພາບນິ້ງຈາກຮູບເງົາຕ່າງຈາກເຫດການຈິງ |
| ການແທນທີ່ຕາມນະໂຍບາຍ | ການຂຽນພຣອມຂອງທ່ານຄືນຢ່າງງຽບໆກ່ອນເຣັນເດີ | ທ່ານໄດ້ຮູບ, ແຕ່ບໍ່ແມ່ນຮູບທີ່ທ່ານລະບຸ, ແລະ ບໍ່ມີໃຜບອກທ່ານວ່າເປັນຫຍັງ |
ທຸກຊັ້ນມີຈຸດບອດອັນດຽວກັນ: ບໍ່ມີຊັ້ນໃດເຫັນວ່າເປັນຫຍັງທ່ານຈຶ່ງຖາມ. ນັກແຕ້ມພາບປະກອບທາງການແພດ, ຜູ້ຊ່ຽວຊານຝ່າຍໂຈດທີ່ສ້າງພາບການຊົນຄືນ, ແລະ ຜູ້ທີ່ມີເຈຕະນາຮ້າຍ ຕ່າງກໍພິມຄຳນາມອັນດຽວກັນ. ຕົວກັ່ນຕອງເຫັນຄຳນາມ, ບໍ່ເຫັນສະໝຸດພາບກາຍະວິພາກ ຫຼື ແຟ້ມຄະດີ, ແລະ ມັນຖືກໃຫ້ຄະແນນຈາກອັນຕະລາຍທີ່ມັນປ່ອຍຜ່ານ — ບໍ່ເຄີຍຈາກວຽກທີ່ມັນທຳລາຍ. ພາຍໃຕ້ຄວາມບໍ່ສົມມາດນັ້ນ, ການຕັ້ງຄ່າທີ່ສົມເຫດສົມຜົນສຳລັບຜູ້ໃຫ້ບໍລິການໃດກໍຄືປະຕິເສດໃຫ້ຫຼາຍຂຶ້ນ. ນັ້ນຍັງເປັນເຫດຜົນທີ່ວ່າ “ກໍແຄ່ປ່ຽນຄຳເວົ້າ” ບໍ່ແມ່ນການແກ້ໄຂ: ການປ່ຽນຄຳເວົ້າບໍ່ໄດ້ໃຫ້ຂໍ້ມູນທີ່ຕົວກັ່ນຕອງຂາດ, ມັນພຽງແຕ່ຍ້າຍພຣອມຂອງທ່ານໜີຈາກຄຳທີ່ໄປແຕະມັນ, ຊຶ່ງໂດຍປົກກະຕິໝາຍເຖິງໜີຈາກສິ່ງທີ່ທ່ານໝາຍເຖິງ.
02ຕົວກັ່ນຕອງເນື້ອຫາມີໄວ້ເພື່ອປ້ອງກັນຫຍັງແທ້
ຂໍ້ໂຕ້ແຍ້ງສະໜັບສະໜູນການສ້າງແບບບໍ່ກັ່ນຕອງ ທີ່ທຳທ່າວ່າຕົວກັ່ນຕອງມີຢູ່ໂດຍບໍ່ມີເຫດຜົນ ບໍ່ຄຸ້ມຄ່າແກ່ການອ່ານ. ມີຜົນຜະລິດຊຸດແຄບໆທີ່ອັນຕະລາຍຂອງມັນຢູ່ໃນຕົວຮູບເອງ, ບໍ່ຂຶ້ນກັບວ່າໃຜຂໍ ຫຼື ຂໍເປັນຫຍັງ:
- ເນື້ອຫາທາງເພດທີ່ກ່ຽວຂ້ອງກັບຜູ້ເຍົາ. ບໍ່ມີບໍລິບົດໃດເຮັດໃຫ້ມັນຍອມຮັບໄດ້; ບໍ່ມີຂັ້ນຕອນວິຊາຊີບໃດຕ້ອງການມັນ.
- ພາບສ່ວນຕົວຂອງຄົນຈິງທີ່ບໍ່ໄດ້ຮັບຄວາມຍິນຍອມ. ອັນຕະລາຍຕົກໃສ່ຄົນທີ່ບໍ່ໄດ້ຕົກລົງ, ແລະ ການລຶບອອກກໍບໍ່ໄດ້ແກ້ຄືນ.
- ການກໍ່ກວນແບບເຈາະຈົງ ແລະ ການສ້າງເລື່ອງໝິ່ນປະໝາດ — ການເຮັດໃຫ້ບຸກຄົນທີ່ຖືກລະບຸຊື່ເບິ່ງຄືວ່າໄດ້ເຮັດສິ່ງທີ່ເຂົາບໍ່ໄດ້ເຮັດ.
- ເອກະສານລະດັບປອມແປງໄດ້ — ໜັງສືຜ່ານແດນ, ບັດປະຈຳຕົວ, ທະນະບັດ, ຕາປະທັບ ແລະ ຕາສານທາງການເງິນ ທີ່ເຮັດຂຶ້ນເພື່ອໃຫ້ຜ່ານເປັນຂອງແທ້.
- ຫຼັກຖານສັງເຄາະທີ່ຫຼອກລວງ — ຮູບທີ່ກຸຂຶ້ນກ່ຽວກັບເຫດການຈິງ ນຳສະເໜີເປັນເອກະສານຫຼັກຖານ ແທນທີ່ຈະເປັນພາບປະກອບ.
ລາຍການນີ້ສັ້ນ ແລະ ມີໂຄງສ້າງ: ອັນຕະລາຍຢູ່ໃນຕົວວັດຖຸ, ຢູ່ໃນຄວາມຄ້າຍຄືກັບຄົນຈິງ ຫຼື ເອກະສານຈິງ, ແລະ ຢູ່ໃນການນຳສະເໜີມັນວ່າເປັນຄວາມຈິງ. ສັງເກດສິ່ງທີ່ບໍ່ໄດ້ຢູ່ໃນນັ້ນ — ຄວາມເປືອຍ, ເລືອດ, ອາວຸດ, ຄວາມໂຫດຮ້າຍທາງປະຫວັດສາດ, ການເຍາະເຍີ້ຍທາງການເມືອງ. ສິ່ງເຫຼົ່ານັ້ນເປັນວັດຖຸດິບຂອງການແພດ, ວາລະສານສາດ, ສິລະປະ, ນິຕິວິທະຍາສາດ ແລະ ການເສຍດສີ, ແລະ ຕົວກັ່ນຕອງທີ່ຖືພວກມັນເປັນໝວດອັນຕະລາຍ ກຳລັງບັງຄັບໃຊ້ແນວຄິດທີ່ກວ້າງກວ່າຫຼາຍ ກ່ຽວກັບວ່າຫົວຂໍ້ໃດຈຶ່ງໜ້ານັບຖື.
Shannon ຫ້າມທຸກສິ່ງໃນລາຍການນັ້ນ, ໃນນະໂຍບາຍການໃຊ້ຢ່າງມີຄວາມຮັບຜິດຊອບທີ່ເຜີຍແຜ່ໄວ້ ພ້ອມໝວດທີ່ລະບຸຊື່ ແລະ ຜົນທີ່ຕາມມາ, ແທນທີ່ຈະເປັນຕາຕະລາງຄຳສັບທີ່ຈັບ “placenta” ໄປນຳ. ອັນໜຶ່ງເປັນກົດທີ່ທ່ານອ່ານໄດ້ ແລະ ໃຊ້ຮຽກຮ້ອງພວກເຮົາໄດ້; ອີກອັນເປັນການເດົາເຈຕະນາຂອງທ່ານ ໂດຍຕົວຈັດປະເພດທີ່ທ່ານເບິ່ງບໍ່ເຫັນ.
03ບັນຫາການປະຕິເສດເກີນເຫດໃຫຍ່ປານໃດ? ການຄົ້ນຄວ້າວັດຫຍັງໄດ້
ຈົນຮອດບໍ່ດົນມານີ້, ການປະຕິເສດເກີນເຫດໃນໂມເດວຮູບພາບເປັນພຽງເລື່ອງເລົ່າ — ຄົນຫຼາຍພັນຄົນມີເລື່ອງອັນດຽວກັນ ແຕ່ບໍ່ມີວິທີວັດຂະໜາດ. ນັ້ນປ່ຽນໄປດ້ວຍ OVERT (OVEr-Refusal evaluation on Text-to-image models), ນຳສະເໜີທີ່ ICML 2025 ໂດຍກຸ່ມ UC Berkeley ຊຶ່ງລວມມີ Ziheng Cheng, Somayeh Sojoudi, Xuandong Zhao, Dawn Song ແລະ Song Mei: ເບັນມາກຂະໜາດໃຫຍ່ອັນທຳອິດທີ່ວັດວ່າ ລະບົບ ຂໍ້ຄວາມ-ເປັນ-ຮູບ ປະຕິເສດພຣອມທີ່ບໍ່ເປັນອັນຕະລາຍເລີຍ ຖີ່ປານໃດ.
ການອອກແບບສຳຄັນ. ພຣອມ 4,600 ອັນຖືກສ້າງໃຫ້ເບິ່ງຄືເປັນອັນຕະລາຍ ໃນຂະນະທີ່ບໍ່ເປັນອັນຕະລາຍ — ຮູບຮ່າງຂອງຄຳຂໍວິຊາຊີບຈິງທີ່ກ່າວເຖິງມີດຜ່າຕັດ, ຮອຍຊ້ຳ ຫຼື ການປະທ້ວງ — ແລະ ພຣອມທີ່ເປັນອັນຕະລາຍແທ້ 1,785 ອັນນັ່ງຢູ່ຄຽງຂ້າງເປັນຕົວຄວບຄຸມ, ສະນັ້ນໂມເດວຈຶ່ງບໍ່ສາມາດໄດ້ຄະແນນດີດ້ວຍການປະຕິເສດທຸກຢ່າງ. ເກົ້າໝວດແລ່ນຈາກຄວາມເປັນສ່ວນຕົວຂອງບຸກຄົນ ແລະ ບຸກຄົນສາທາລະນະ ຜ່ານລິຂະສິດ, ການຈຳແນກ, ການທຳຮ້າຍຕົນເອງ, ເນື້ອຫາທາງເພດ ແລະ ກິດຈະກຳຜິດກົດໝາຍ ໄປຮອດຄວາມຮຸນແຮງ.
ຂໍ້ຄົ້ນພົບຫຼັກແມ່ນວ່າການປະຕິເສດເກີນເຫດແຜ່ຫຼາຍທັງໃນທຸກໝວດ ແລະ ໃນບັນດາໂມເດວຊັ້ນນຳ. ຂໍ້ທີສອງເສຍຫາຍກວ່າຕໍ່ວິທີແກ້ມາດຕະຖານ: ຜູ້ຂຽນທົດສອບການຂຽນພຣອມຄືນເປັນມາດຕະການບັນເທົາ ແລະ ລາຍງານວ່າມັນ “ມັກທຳລາຍຄວາມຊື່ສັດຕໍ່ຄວາມໝາຍຂອງພຣອມຕົ້ນສະບັບ.” ທ່ານຜ່ານຕົວກັ່ນຕອງໄດ້ດ້ວຍການປ່ຽນສິ່ງທີ່ທ່ານຂໍ, ແລ້ວທ່ານກໍບໍ່ມີສິ່ງທີ່ທ່ານຂໍອີກຕໍ່ໄປ.
ການສຶກສາທີ່ແຄບກວ່າກໍໄດ້ຂໍ້ສະຫຼຸບອັນດຽວກັນຈາກດ້ານພິກເຊວ. ໃນ An Art-centric perspective on AI-based content moderation of nudity (Riccio, Curto, Hofmann ແລະ Oliver, ກອງປະຊຸມ AI4VA ທີ່ ECCV 2024), ຜູ້ຂຽນປະເມີນຕົວຈັດປະເພດ NSFW ລະດັບໃຊ້ງານຈິງສາມຕົວກັບຄວາມເປືອຍທາງສິລະປະ ແລະ ຄົ້ນພົບທັງອະຄະຕິທາງເພດ ແລະ ອະຄະຕິທາງສະໄຕລ໌: ຄຳຕັດສິນຕໍ່ການສຶກສາຮ່າງກາຍຂຶ້ນກັບວ່າຮ່າງກາຍຂອງໃຜຖືກສະແດງ ແລະ ໃນສະໄຕລ໌ໃດ. ນັ້ນເປັນຄຳກ່າວທີ່ວັດໄດ້ ຂອງສິ່ງທີ່ນັກແຕ້ມຮ່າງກາຍທຸກຄົນຖືກບອກວ່າເປັນເລື່ອງຄິດໄປເອງ.
04ວຽກທີ່ຖືກຕ້ອງແປດປະເພດທີ່ຕົວສ້າງແບບກັ່ນຕອງຂວາງໄວ້
ນີ້ຄືໝວດທີ່ການປະຕິເສດເກີນເຫດບໍ່ແມ່ນຄວາມບໍ່ສະດວກ ແຕ່ເປັນການຢຸດງານ. ບ່ອນທີ່ມີກໍລະນີລາຍງານສະເພາະ ພວກເຮົາອ້າງອີງໄວ້; ບ່ອນທີ່ບໍ່ໄດ້ກວດສອບກໍລະນີໃດ, ໝວດນັ້ນຖືກອະທິບາຍໂດຍບໍ່ກຸເຫດການຂຶ້ນມາ.
1. ພາບປະກອບທາງການແພດ ແລະ ກາຍະວິພາກ
ກໍລະນີທີ່ມີເອກະສານດີທີ່ສຸດໃນວົງການ. ໃນເດືອນເມສາ 2023, The Intercept (Debbie Nathan) ລາຍງານວ່າ Midjourney ໄດ້ຫ້າມຄຳສັບທາງກາຍະວິພາກລວມທັງ speculum, placenta, cervix, vulva, fallopian tubes, mammary glands, uterine, urethra, hymen, sperm, condom ແລະ IUD, ໃນຂະນະທີ່ DALL·E 2 ປະຕິເສດ “pills used in medication abortion” ດ້ວຍຂໍ້ຄວາມນະໂຍບາຍເນື້ອຫາ. ຮູບແບບນີ້ຖືກພົບໂດຍ Julia Rockwell, ນັກວິເຄາະຂໍ້ມູນທາງຄລີນິກ ຜູ້ທີ່ພະຍາຍາມສ້າງຮູບຮົກເປັນຂອງຂວັນໃຫ້ໝູ່ທີ່ເປັນນັກຊີວະວິທະຍາເຊລ, ແລະ ຖືກລາຍງານຕໍ່ MIT Technology Review. ຄວາມບໍ່ສົມມາດຄືສັນຍານ: “stethoscope” ສ້າງໄດ້ຕາມປົກກະຕິ ໃນຂະນະທີ່ “speculum” ຖືກຫ້າມ. Bill Howe ນັກຄົ້ນຄວ້າຈາກມະຫາວິທະຍາໄລວໍຊິງຕັນ ເອີ້ນຕົວກັ່ນຕອງເຫຼົ່ານັ້ນວ່າ “ມືໜັກ” ແລະ ກ່າວວ່າພວກມັນເຮັດໃຫ້ “ເປັນໄປບໍ່ໄດ້ເລີຍທີ່ຈະສົນທະນາທາງວິທະຍາສາດກ່ຽວກັບການສືບພັນ.” ການໃຫ້ຄວາມຮູ້ຄົນເຈັບ, ສະໝຸດພາບການຜ່າຕັດ ແລະ ຫຼັກສູດພະຍາບານ ລ້ວນຕ້ອງການໃຫ້ສະແດງຮ່າງກາຍຢ່າງຖືກຕ້ອງ, ລວມທັງສ່ວນທີ່ບັນຊີຄຳສັບໄດ້ຕັດສິນວ່າບໍ່ສຸພາບ.
2. ການສ້າງພາບຄືນທາງນິຕິວິທະຍາສາດ ແລະ ອຸບັດຕິເຫດ
ການສ້າງພາບການຊົນຄືນ, ການວິເຄາະຈຸດກຳເນີດໄຟ ແລະ ສື່ສາທິດໃນສານ ຮຽກຮ້ອງໃຫ້ສະແດງຄວາມເສຍຫາຍ, ບາດແຜ ແລະ ກົນສາດຄວາມຮຸນແຮງ ດ້ວຍຄວາມແມ່ນຍຳທາງຄລີນິກ. ຕົວກັ່ນຕອງທີ່ຖືກປັບໃຫ້ປະຕິເສດ “ເລືອດ” ຫຼື “ບາດແຜກະສຸນ” ກໍປະຕິເສດທັງສາຂາວິຊາ: ບໍລິບົດ — ລາຍງານຜູ້ຊ່ຽວຊານ, ແຟ້ມປະກັນໄພ — ເບິ່ງບໍ່ເຫັນສຳລັບຕົວຈັດປະເພດ, ແລະ ຄວາມເປັນກາງອັນດຽວກັນທີ່ເຮັດໃຫ້ຮູບແບບນັ້ນຮັບເປັນຫຼັກຖານໄດ້ ກໍຄືສິ່ງທີ່ເຮັດໃຫ້ມັນຖືກອ່ານວ່າເປັນຄວາມໂຫດຮ້າຍ.
3. ຮູບເປືອຍທາງສິລະປະ ແລະ ການແຕ້ມຮ່າງກາຍ
ຮູບເປືອຍເປັນຫົວຂໍ້ພື້ນຖານຂອງສິລະປະຢູ່ທຸກແຫ່ງ, ແລະ ການສຶກສາຮ່າງກາຍເປັນແກ່ນຂອງການສອນສິລະປະ. ຜົນ ECCV 2024 ຂ້າງເທິງເປັນສະບັບທີ່ວັດໄດ້ຂອງສິ່ງທີ່ສິລະປິນລາຍງານ: ຕົວຈັດປະເພດແຍກການສຶກສາຮ່າງກາຍອອກຈາກສື່ລາມົກຢ່າງໜ້າເຊື່ອຖືບໍ່ໄດ້, ແລະ ຄວາມຜິດພາດຂອງພວກມັນມີອະຄະຕິຕາມເພດ ແລະ ສະໄຕລ໌ — ຕົວກັ່ນຕອງທີ່ໜັກທີ່ສຸດຕໍ່ຮີດຄອງທີ່ມັນຄວນຮັບຮູ້ພໍດີ.
4. ຮູບປະຫວັດສາດ ແລະ ຍຸກສົງຄາມ
ສິລະປະໃນປຶ້ມຮຽນ, ການຕີຄວາມໃນພິພິທະພັນ ແລະ ໂຄງການອະນຸສອນ ຮຽກຮ້ອງໃຫ້ສະແດງເຄື່ອງແບບ, ອາວຸດ, ຄ້າຍ, ການສູ້ຮົບ ແລະ ຄວາມໂຫດຮ້າຍ. ເຫດການ Gemini ໃນເດືອນກຸມພາ 2024 ໃຫ້ບົດຮຽນ ຍ້ອນຄວາມລົ້ມເຫຼວແລ່ນໄປໃນທິດກົງກັນຂ້າມ ແລະ ສ້າງຄວາມເສຍຫາຍເທົ່າກັນ. Google ໄດ້ຢຸດຄວາມສາມາດຂອງ Gemini ໃນການສ້າງຮູບຄົນ ໃນວັນທີ 22 ກຸມພາ 2024 ຫຼັງຈາກມັນຜະລິດພາບກຸ່ມຄົນທາງປະຫວັດສາດທີ່ຖືກປະກອບເຊື້ອຊາດຄືນໃໝ່ ລວມທັງທະຫານເຢຍລະມັນຍຸກນາຊີ. CEO Sundar Pichai ເອີ້ນຜົນຜະລິດເຫຼົ່ານັ້ນວ່າ “ຮັບບໍ່ໄດ້ຢ່າງສິ້ນເຊີງ”; SVP Prabhakar Raghavan ຍອມຮັບວ່າໂມເດວໄດ້ “ຊົດເຊີຍເກີນໄປ” ແລະ ກາຍເປັນ “ອະນຸລັກນິຍົມເກີນໄປ.” ຄວາມປອດໄພທີ່ຕາບອດຕໍ່ບໍລິບົດບໍ່ໄດ້ເຮັດໃຫ້ຮູບປະຫວັດສາດປອດໄພຂຶ້ນ — ມັນເຮັດໃຫ້ຮູບນັ້ນເປັນເທັດ, ຊຶ່ງສຳລັບສຳນັກພິມປະຫວັດສາດແລ້ວແຍ່ກວ່າ.
5. ຄວາມຮຸນແຮງໃນນິຍາຍ ແລະ ການເບິ່ງພາບລ່ວງໜ້າຂອງຮູບເງົາ
ສະຕໍຣີບອດ, ພາບແນວຄິດ, ກາຕູນ ແລະ ການອອກແບບເກມ ສະແດງຄວາມຮຸນແຮງດ້ວຍເຫດຜົນອັນດຽວກັບນິຍາຍ ແລະ ຮູບເງົາ. ຕົວກັ່ນຕອງທີ່ບອກບໍ່ໄດ້ວ່າສະຕໍຣີບອດສະຫຍອງຂວັນຕ່າງຈາກຄຳຂູ່ ຈຶ່ງປະຕິບັດຕໍ່ທໍ່ການຜະລິດສິລະປະການເລົ່າເລື່ອງທັງໝົດວ່າໜ້າສົງໄສ — ເຖິງແມ່ນສະຕໍຣີບອດຈະບໍ່ເປັນຈິງຢ່າງຊັດແຈ້ງ, ເປັນແຜນສຳລັບສາກທີ່ນັກສະແດງ ແລະ ທີມເອັບເຟັກຈະຈັດຂຶ້ນ.
6. ການເສຍດສີການເມືອງ ແລະ ການແຕ້ມກາຕູນບັນນາທິການ
ການແຕ້ມລໍ້ຜູ້ມີອຳນາດຢູ່ໃນໝວດການສະແດງອອກທີ່ໄດ້ຮັບການປົກປ້ອງທີ່ສຸດໃນປະເທດປະຊາທິປະໄຕສ່ວນໃຫຍ່, ແລະ ເປັນສິ່ງທຳອິດທີ່ຕົວກັ່ນຕອງຮູບພາບເອົາອອກເປັນປະຈຳ. ກໍລະນີທີ່ມີເອກະສານຊັດເຈນທີ່ສຸດຄືການຕັດສິນໃຈຂອງ Midjourney ໃນເດືອນເມສາ 2023 ທີ່ຫ້າມຮູບປະທານາທິບໍດີຈີນ Xi Jinping ແລະ ບລັອກຊື່ຂອງລາວໃນພຣອມ — ລາຍງານໂດຍ PetaPixel, Decrypt ແລະ ອື່ນໆ — ໃນຂະນະທີ່ຍັງອະນຸຍາດຜູ້ນຳໂລກຄົນອື່ນຕໍ່ໄປ. ຜູ້ກໍ່ຕັ້ງ David Holz ອະທິບາຍໃນ Discord ວ່າບໍລິສັດຢາກ “ຫຼຸດຜ່ອນເລື່ອງດຣາມາ” ແລະ ວ່າ “ຄວາມສາມາດຂອງຄົນໃນຈີນທີ່ຈະໃຊ້ເຕັກໂນໂລຊີນີ້ ສຳຄັນກວ່າຄວາມສາມາດຂອງທ່ານໃນການສ້າງການເສຍດສີ”; Sarah McLaughlin ຈາກ Foundation for Individual Rights and Expression ເອີ້ນມັນວ່າການເຊັນເຊີ. ບໍ່ວ່າຈະສະຫຼຸບແນວໃດກ່ຽວກັບການຄິດຄຳນວນທາງທຸລະກິດ, ກົນໄກນີ້ສົມຄວນຖືກລະບຸຊື່: ຂໍ້ຈຳກັດການເວົ້າຂອງປະເທດໜຶ່ງ ຖືກນຳໃຊ້ກັບຜູ້ໃຊ້ທຸກຄົນທົ່ວໂລກ, ຍ້ອນຕົວກັ່ນຕອງລະດັບໂລກມີການຕັ້ງຄ່າດຽວ.
7. ການຄົ້ນຄວ້າຄວາມປອດໄພ ແລະ ສື່ສ້າງຄວາມຮັບຮູ້ເລື່ອງຟິດຊິງ
ທີມຄວາມປອດໄພສ້າງສື່ຝຶກອົບຮົມທີ່ຕ້ອງເບິ່ງຄືກັບສິ່ງທີ່ມັນເຕືອນ: ໜ້າຈໍເຂົ້າສູ່ລະບົບປອມທີ່ໜ້າເຊື່ອຖື, ໃບເກັບເງິນປອມ, ລະຫັດ QR ທີ່ເປັນອັນຕະລາຍເທິງມິເຕີຈອດລົດ. ສຳລັບຕົວຈັດປະເພດແລ້ວ ນັ້ນແຍກບໍ່ອອກຈາກການໂຈມຕີທີ່ມັນສ້າງພູມຄຸ້ມກັນໃຫ້ — ຄວາມສົມຈິງຄືປະເດັນ — ສະນັ້ນຕົວກັ່ນຕອງຈຶ່ງຂວາງທັງຝ່າຍປ້ອງກັນ ແລະ ຝ່າຍໂຈມຕີເທົ່າກັນ, ຊຶ່ງໄດ້ປຽບຝ່າຍໂຈມຕີ, ຜູ້ທີ່ຢ່າງໃດກໍບໍ່ເຄີຍຈະໃຊ້ເຄື່ອງມືຜູ້ບໍລິໂພກແບບກັ່ນຕອງຢູ່ແລ້ວ.
8. ຜູ້ຖືສິດຖືກປະຕິເສດຮູບແບຣນ, ສິນຄ້າ ຫຼື ໜ້າຕາຂອງຕົນເອງ
ການກັ່ນຕອງລິຂະສິດ ແລະ ເຄື່ອງໝາຍການຄ້າ ບໍ່ໄດ້ກວດຄວາມເປັນເຈົ້າຂອງ; ມັນກວດຄວາມຄ້າຍຄື. ບໍລິສັດບໍ່ສາມາດສ້າງຮູບໂລໂກ້ ຫຼື ສິນຄ້າຂອງຕົນເອງໄດ້ງ່າຍ, ຜູ້ຖືສິດບໍ່ສາມາດເຮັດຮູບຕົວລະຄອນຂອງຕົນເອງໄດ້, ແລະ ຄົນມັກສ້າງໃບໜ້າຂອງຕົນເອງບໍ່ໄດ້, ຍ້ອນຕົວກັ່ນຕອງໜ້າຕາຈັບທີ່ຄວາມຈຳໜ້າໄດ້ ແທນທີ່ຈະຈັບທີ່ຄວາມຍິນຍອມ. OVERT ລວມ “ການລະເມີດລິຂະສິດ” ໄວ້ໃນເກົ້າໝວດການປະຕິເສດເກີນເຫດຂອງມັນ ກໍຍ້ອນຜົນບວກລວງນີ້ພົບເລື້ອຍຫຼາຍ. ຕົວກັ່ນຕອງເປັນເຄື່ອງມືທື່ໆສຳລັບຄຳຖາມ — ທ່ານມີສິດຕໍ່ສິ່ງນີ້ບໍ? — ທີ່ມັນບໍ່ມີວິທີຈະຖາມ.
ສີ່ໃນແປດຂ້າງເທິງຍຶດກັບກໍລະນີທີ່ເຜີຍແຜ່ສະເພາະ (ການແພດ, ຮູບເປືອຍທາງສິລະປະ, ປະຫວັດສາດ, ການເສຍດສີ) ບວກກັບໝວດລິຂະສິດຂອງ OVERT ສຳລັບອັນທີແປດ. ນິຕິວິທະຍາສາດ, ການເບິ່ງພາບລ່ວງໜ້າຂອງນິຍາຍ ແລະ ສື່ສ້າງຄວາມຮັບຮູ້ດ້ານຄວາມປອດໄພ ຖືກລະບຸເປັນໝວດ: ພວກມັນເປັນປະເພດວຽກວິຊາຊີບທີ່ໄດ້ຮັບຜົນກະທົບທີ່ຮູ້ກັນດີ ຊຶ່ງພວກເຮົາບໍ່ໄດ້ກວດສອບເຫດການທີ່ເຜີຍແຜ່ສະເພາະ.
ທຸກກໍລະນີທີ່ມີເອກະສານຂ້າງເທິງເປັນສາທາລະນະ ແລະ ກວດສອບໄດ້ຢ່າງເປັນອິດສະຫຼະ. ອ່ານພວກມັນ ແທນທີ່ຈະເຊື່ອການອະທິບາຍຂອງພວກເຮົາ.
05ເປັນຫຍັງຕົວສ້າງສິລະປະ AI ຈຶ່ງຂວາງສິ່ງທີ່ຜິດ, ແລະ ເປັນຫຍັງຜົນບວກລວງຂອງຕົວກັ່ນຕອງເນື້ອຫາຈຶ່ງປັບແກ້ໃຫ້ຫາຍໄປບໍ່ໄດ້
ປະຕິກິລິຍາໂດຍສັນຊາດຕໍ່ການຂວາງເກີນຄື “ຜ່ອນເກນລົງ.” ມັນໃຊ້ບໍ່ໄດ້, ດ້ວຍເຫດຜົນເຊີງໂຄງສ້າງ ບໍ່ແມ່ນຍ້ອນຂາດຄວາມພະຍາຍາມ.
ໝວດຕ່າງໆຊ້ອນທັບກັນໃນສັນຍານ ແຕ່ບໍ່ຊ້ອນທັບກັນໃນຄວາມເປັນຈິງ. ພາບປະກອບການຜ່າຕັດກັບສື່ລາມົກມີຄວາມເປືອຍຮ່ວມກັນ. ການສ້າງພາບຄືນທາງນິຕິວິທະຍາສາດກັບຄວາມໂຫດຮ້າຍມີເລືອດຮ່ວມກັນ. ສະໄລ້ສ້າງຄວາມຮັບຮູ້ກັບຊຸດເຄື່ອງມືຟິດຊິງມີແບບຟອມເຂົ້າສູ່ລະບົບປອມຮ່ວມກັນ. ກາຕູນເສຍດສີກັບການກຸເລື່ອງໝິ່ນປະໝາດມີນັກການເມືອງທີ່ຈຳໜ້າໄດ້ຮ່ວມກັນ. ສິ່ງທີ່ແຍກແຕ່ລະຄູ່ອອກຈາກກັນຄືຈຸດປະສົງ ແລະ ການນຳສະເໜີ — ຊຶ່ງບໍ່ມີໃນພຣອມ ແລະ ບໍ່ມີໃນພິກເຊວ. ບໍ່ມີເກນໃດແຍກສອງປະຊາກອນທີ່ຢູ່ໃນເຂດອັນດຽວກັນຂອງພື້ນທີ່ຂາເຂົ້າໄດ້; ການເລື່ອນເກນພຽງແຕ່ແລກຄວາມຜິດພາດອັນໜຶ່ງກັບອີກອັນໜຶ່ງ. ນັ້ນຄືສິ່ງທີ່ເຫດການ Gemini ສະແດງໃຫ້ເຫັນ: ການແຊກແຊງທີ່ຕັ້ງໃຈແກ້ຄວາມລົ້ມເຫຼວອັນໜຶ່ງ ໄດ້ຜະລິດອີກອັນໜຶ່ງ, ຊຶ່ງ SVP ຂອງ Google ເອງອະທິບາຍວ່າ “ຊົດເຊີຍເກີນໄປ.”
ຕົ້ນທຶນບໍ່ສົມມາດຕໍ່ຜູ້ໃຫ້ບໍລິການ, ບໍ່ແມ່ນຕໍ່ທ່ານ. ຕົວກັ່ນຕອງທີ່ປ່ອຍຮູບບໍ່ດີຜ່ານໜຶ່ງຮູບ ຈະກາຍເປັນຂ່າວ. ຕົວກັ່ນຕອງທີ່ຂວາງຮູບທີ່ຖືກຕ້ອງໜຶ່ງໝື່ນຮູບ ຈະໄດ້ຄວາມງຽບ, ຍ້ອນຜູ້ໃຊ້ທີ່ຖືກປະຕິເສດບໍ່ໄດ້ລວມຕົວກັນ — ພວກເຂົາຍອມແພ້. ການບໍລິຫານຄວາມສ່ຽງພາຍໃຕ້ຄວາມບໍ່ສົມມາດນັ້ນ ບັນຈົບທີ່ການຂວາງເກີນ, ຢ່າງຖາວອນ. ແລະ ຍ້ອນການວິນິດໄສພື້ນຖານເປັນໄປບໍ່ໄດ້, ບັນຊີດຳຈຶ່ງສະສົມສາຍອັກສອນຕາມຕົວໄປເລື້ອຍໆເມື່ອເກີດເຫດການ, ຊຶ່ງນັ້ນຄືວິທີທີ່ທ່ານໄດ້ “stethoscope” ຜ່ານ ແລະ “speculum” ຖືກຫ້າມ. ບໍ່ມີໃຜຕັດສິນວ່າເຄື່ອງມືສະເພາະເພດຍິງອັນຕະລາຍກວ່າ; ລາຍການໃຫຍ່ຂຶ້ນຢູ່ບ່ອນທີ່ຄຳຮ້ອງທຸກຕົກລົງ. ມັນເຂົ້າລະຫັດປະຫວັດ PR ຂອງຜູ້ໃຫ້ບໍລິການ, ບໍ່ແມ່ນທິດສະດີກ່ຽວກັບອັນຕະລາຍ.
ເຂດອຳນາດສານທີ່ເຂັ້ມງວດທີ່ສຸດກາຍເປັນຄ່າເລີ່ມຕົ້ນຂອງໂລກ. ຕົວກັ່ນຕອງອັນດຽວໃຫ້ບໍລິການຜູ້ໃຊ້ທຸກຄົນໃນທຸກປະເທດ, ສະນັ້ນຂໍ້ຈຳກັດທີ່ເພີ່ມເຂົ້າມາເພື່ອຕະຫຼາດໜຶ່ງ ຈຶ່ງຖືກສົ່ງອອກໄປໃຫ້ທັງໝົດ — ກົດ Xi Jinping ເປັນກໍລະນີຕົວຢ່າງໃນຕຳລາ. ແລະ ການຂຽນພຣອມຂອງທ່ານຄືນທຳລາຍຄວາມໝາຍຂອງທ່ານ, ຊຶ່ງເປັນປະເດັນຈາກການທົດລອງຂອງ OVERT: ມືອາຊີບທຸກຄົນທີ່ເຄີຍຟອກຄຳຂໍໃຫ້ເປັນຄຳສຸພາບເພື່ອຜ່ານຕົວກັ່ນຕອງ ໄດ້ຢືນຢັນມັນດ້ວຍມືຕົນເອງແລ້ວ. ທ່ານບໍ່ໄດ້ຊະນະ; ທ່ານຍອມຄວາມ.
ບໍ່ມີສິ່ງໃດໃນນີ້ທີ່ບໍ່ມີຄ່າໃຊ້ຈ່າຍ, ແລະ ຍ້ອນມັນລົ້ມເຫຼວແບບງຽບໆ ຕົ້ນທຶນຈຶ່ງເບິ່ງບໍ່ເຫັນໃນຕົວຊີ້ວັດທີ່ຜູ້ໃຫ້ບໍລິການເຝົ້າເບິ່ງ. ຫຼັງຈາກຖືກປະຕິເສດຫຼາຍພໍ ທ່ານກໍເຊົາຖາມ, ຫຍໍ້ທຸກພຣອມລ່ວງໜ້າໃຫ້ເຫຼືອສິ່ງທີ່ທ່ານຄາດວ່າຈະຜ່ານ; ຄຳສຸພາບທີ່ຜ່ານໃນທີ່ສຸດ ໃຫ້ຮູບທີ່ໃກ້ຄຽງກັບ, ແຕ່ບໍ່ແມ່ນ, ສິ່ງທີ່ເອກະສານຂອງທ່ານຕ້ອງການ. ຂໍ້ຄວາມນະໂຍບາຍທົ່ວໄປບໍ່ບອກທ່ານເລີຍວ່າຊັ້ນໃດຕິດໄຟ, ສະນັ້ນທ່ານເຮັດໄດ້ພຽງເດົາ ແລະ ລອງໃໝ່ — ແລະ ວຽກຮູບເປັນວຽກທີ່ຕ້ອງເຮັດຊ້ຳ, ສະນັ້ນຕົວກັ່ນຕອງທີ່ຈັບໜຶ່ງໃນຫ້າຄວາມພະຍາຍາມ ຈຶ່ງລົບກວນວົງຈອນ ບໍ່ພຽງແຕ່ເຮັດໃຫ້ຊ້າລົງ. ໃນຂະນະດຽວກັນ ສາຂາທີ່ມີສິດອ້າງແຮງທີ່ສຸດຕໍ່ເຄື່ອງມືທີ່ຈິງຈັງ ກໍບໍ່ໄດ້ຮັບຜູ້ທົບທວນ, ບໍ່ໄດ້ຮັບການອຸທອນ ແລະ ໂດຍປົກກະຕິບໍ່ໄດ້ຮັບລາຍການທີ່ເຜີຍແຜ່ວ່າຫຍັງຖືກຂວາງ. ກົດທີ່ທ່ານອ່ານບໍ່ໄດ້ບໍ່ແມ່ນກົດ; ມັນເປັນດິນຟ້າອາກາດ.
06ຕົວສ້າງຮູບ AI ບໍ່ເຊັນເຊີທຽບກັບແບບກັ່ນຕອງ: ຫຍັງປ່ຽນແທ້
ນີ້ຄືສະບັບຊື່ສັດຂອງການປຽບທຽບ, ລວມທັງສິ່ງທີ່ລະບົບແບບບໍ່ກັ່ນຕອງບໍ່ໄດ້ໃຫ້ທ່ານ.
| ມິຕິ | ຕົວສ້າງແບບກັ່ນຕອງ | ແບບບໍ່ກັ່ນຕອງ (Shannon) |
|---|---|---|
| ໃຜຕັດສິນ | ຕົວຈັດປະເພດທີ່ອ່ານຄຳສັບ ແລະ ພິກເຊວ | ຄົນທີ່ອ່ານພຣອມແທ້ |
| ທ່ານຮູ້ເມື່ອໃດ | ຫຼັງທ່ານສົ່ງແລ້ວ — ບາງເທື່ອຫຼັງທ່ານຈ່າຍແລ້ວ | ກ່ອນຈະເຣັນເດີ ຫຼື ຄິດເງິນ |
| ກົດແມ່ນຫຍັງ | ບັນຊີດຳທີ່ບໍ່ເຜີຍແຜ່ ແລະ ປ່ຽນໄປມາ | ນະໂຍບາຍການໃຊ້ຢ່າງມີຄວາມຮັບຜິດຊອບທີ່ເຜີຍແຜ່ໄວ້ |
| ບໍລິບົດວິຊາຊີບ | ເບິ່ງບໍ່ເຫັນສຳລັບລະບົບ | ເປັນຂອງທ່ານທີ່ຈະຖື, ແລະ ຂອງທ່ານທີ່ຈະຮັບຜິດຊອບ |
| ຮູບແບບຄວາມລົ້ມເຫຼວ | ການຂວາງເກີນແບບງຽບໆ, ຄວາມໝາຍລ່ອງລອຍ | ທ່ານໄດ້ສິ່ງທີ່ທ່ານຂໍ — ລວມທັງຄວາມຜິດພາດ |
| ໃຜແບກຄວາມສ່ຽງ | ຜູ້ຂາຍ, ຜັກພາລະໃສ່ວຽກຂອງທ່ານ | ແບ່ງກັນ: ນະໂຍບາຍຜູ້ໃຫ້ບໍລິການ ບວກກັບຄວາມຮັບຜິດຊອບຂອງຜູ້ໃຊ້ |
ແຖວສຸດທ້າຍຄືແຖວທີ່ຄົນຂ້າມໄປ, ແລະ ເປັນແຖວທີ່ສຳຄັນ. ການເອົາຕົວກັ່ນຕອງອອກບໍ່ໄດ້ເອົາໝວດອັນຕະລາຍໃນພາກ 02 ອອກ; ມັນເອົາເຄື່ອງຈັກທີ່ເດົາຜິດກ່ຽວກັບພວກມັນອອກ. ພັນທະຍັງຢູ່ບ່ອນເກົ່າ, ດຽວນີ້ຖືໂດຍສອງຝ່າຍທີ່ໃຫ້ເຫດຜົນກ່ຽວກັບບໍລິບົດໄດ້: ຜູ້ໃຫ້ບໍລິການ, ຜູ້ເຜີຍແຜ່ ແລະ ບັງຄັບໃຊ້ນະໂຍບາຍ, ແລະ ທ່ານ, ຜູ້ຮູ້ວ່າຮູບນັ້ນມີໄວ້ເພື່ອຫຍັງ. ການສ້າງຮູບ AI ແບບບໍ່ກັ່ນຕອງ ເປັນເຄື່ອງມືສຳລັບຄົນທີ່ພ້ອມຮັບຜິດຊອບຜົນງານຂອງຕົນຢູ່ແລ້ວ — ສະໝຸດພາບຂອງສັນຍາແພດ, ລາຍງານຜູ້ຊ່ຽວຊານ, ສະຕໍຣີບອດ, ກາຕູນ — ຜູ້ທີ່ຖືກຢຸດໂດຍລະບົບທີ່ແຍກພວກເຂົາອອກຈາກຄົນອື່ນບໍ່ໄດ້.
07Shannon ເຮັດຫຍັງ — ແລະ ບໍ່ເຮັດຫຍັງ
ຄວາມແມ່ນຍຳຢູ່ນີ້ສຳຄັນກວ່າຄວາມກະຕືລືລົ້ນ, ໂດຍສະເພາະສຳລັບຜູ້ອ່ານທີ່ມາຈາກການຄົ້ນຫາ API.
ສິ່ງທີ່ມັນເຮັດ
- ການສ້າງ. ອະທິບາຍຮູບດ້ວຍພາສາທຳມະດາ, ໃນພາສາໃດກໍໄດ້. Shannon ຂຽນພຣອມສ້າງຮູບເອງ, ເປັນພາສາອັງກິດ, ບໍ່ວ່າທ່ານຖາມດ້ວຍພາສາໃດ.
- ການແກ້ໄຂຮູບໜຶ່ງຮູບ. ຮູບຕົ້ນສະບັບໜຶ່ງຮູບພໍດີ — ຮູບທີ່ຢູ່ໃນການສົນທະນາແລ້ວ, ຫຼື ຮູບທີ່ແນບກັບຂໍ້ຄວາມປັດຈຸບັນຂອງທ່ານ — ຖືກປ່ຽນດ້ວຍຄຳສັ່ງທີ່ບອກວ່າຫຍັງປ່ຽນ ແລະ ຫຍັງຢູ່ຄືເກົ່າ. ຜົນຜະລິດຮັກສາອັດຕາສ່ວນພາບຂອງຕົ້ນສະບັບໂດຍອັດຕະໂນມັດ.
- ການລວມສອງຮູບຂຶ້ນໄປ. ການຍ້າຍຊຸດເຄື່ອງນຸ່ງ, ວັດຖຸ-ເຂົ້າ-ສາກ, ຄົນຢູ່ຂ້າງຄົນ, ສິນຄ້າ-ເທິງ-ຄົນ, ຕົວແບບຈາກຮູບໜຶ່ງກັບສະໄຕລ໌ຈາກອີກຮູບໜຶ່ງ. ພຣອມລະບຸບົດບາດຂອງແຕ່ລະຮູບຕາມລຳດັບ, ແລະ ຮູບຈິງຖືກນຳໃຊ້, ສະນັ້ນໜ້າຕາທີ່ແທ້ຈິງຂອງພວກມັນຈຶ່ງຖືກຮັກສາໄວ້ ແທນທີ່ຈະຖືກອະທິບາຍໃໝ່.
- ການຄວບຄຸມອັດຕາສ່ວນ. square (ຄ່າເລີ່ມຕົ້ນ), portrait, landscape, wide ແລະ tall. ຄຳຂໍທີ່ຊັດເຈນຊະນະສະເໝີ.
- ການເຣັນເດີເທິງຄລັດສເຕີ GPU ຂອງພວກເຮົາເອງ, ໂດຍບໍ່ມີຕົວກັ່ນຕອງເນື້ອຫາເທິງເສັ້ນທາງການສ້າງ ແລະ ບໍ່ມີຊັ້ນປະຕິເສດເທິງໂມເດວທີ່ຂຽນພຣອມ.
ສິ່ງທີ່ມັນບໍ່ເຮັດ
- ບໍ່ມີວິດີໂອ. Shannon ບໍ່ເຮັດໃຫ້ຮູບເຄື່ອນໄຫວ ແລະ ບໍ່ຜະລິດວິດີໂອ. ບໍ່ແມ່ນລາຍການໃນແຜນທີ່ຖືກເກັບງຳໄວ້ແບບເຈົ້າຫຼິ້ນ — ມັນບໍ່ມີຢູ່.
- ບໍ່ຢູ່ເທິງ API. ການສ້າງຮູບ, ການແກ້ໄຂ ແລະ ການລວມຮູບຢູ່ໃນແອັບແຊັດ Shannon. API /v1 ໃຫ້ບໍລິການຂໍ້ຄວາມ ແລະ ການເບິ່ງເຫັນ — ມັນອ່ານຮູບທີ່ທ່ານສົ່ງໃຫ້ໄດ້ — ແຕ່ມັນບໍ່ເຣັນເດີຮູບ.
- ບໍ່ມີການສ້າງໂດຍບໍ່ໄດ້ຮັບເຊີນ. ການທັກທາຍ, ຄຳຖາມ ຫຼື ຮູບທີ່ແນບມາແບບບໍ່ຕັ້ງໃຈ ບໍ່ໄດ້ກະຕຸ້ນໃຫ້ສ້າງຮູບ. ການຂໍໃຫ້ Shannon ເບິ່ງຮູບ — ອະທິບາຍມັນ, ອ່ານມັນ, ວິເຄາະມັນ — ເປັນວຽກການເບິ່ງເຫັນທຳມະດາ, ບໍ່ແມ່ນການສ້າງ, ແລະ ບໍ່ເສຍຄ່າເພີ່ມ.
ບັດຢືນຢັນ
ນີ້ຄືກົນໄກທີ່ມາແທນຕົວກັ່ນຕອງ, ແລະ ມັນເປັນທາງເລືອກໃນການອອກແບບ ບໍ່ແມ່ນພິທີການ. ເມື່ອ Shannon ຕັດສິນວ່າທ່ານກຳລັງຂໍຮູບ, ມັນຂຽນພຣອມສ້າງຮູບ ແລະ ສະແດງມັນໃຫ້ທ່ານເຫັນເທິງບັດຢືນຢັນກ່ອນຈະເຣັນເດີສິ່ງໃດ. ບໍ່ມີຫຍັງຖືກສ້າງ ແລະ ບໍ່ມີຫຍັງຖືກຄິດເງິນຈົນກວ່າທ່ານຈະຢືນຢັນ.
ປຽບທຽບການອອກແບບທັງສອງຕາມຄຸນຄ່າຂອງມັນ. ຕົວກັ່ນຕອງເດົາເຈຕະນາຂອງທ່ານດ້ວຍຂໍ້ມູນທີ່ໜ້ອຍກວ່າທີ່ທ່ານມີ, ແລ້ວບັງຄັບໃຊ້ການເດົານັ້ນຢ່າງງຽບໆ. ບັດຢືນຢັນວາງຂໍ້ກຳນົດຕາມຕົວອັກສອນຂອງຮູບ ໄວ້ຕໍ່ໜ້າຝ່າຍທີ່ຮູ້ວ່າມັນມີໄວ້ເພື່ອຫຍັງ, ກ່ອນຈະໃຊ້ພະລັງປະມວນຜົນໃດໆ. ມັນຈັບການອ່ານຄຳຂໍຂອງທ່ານຜິດ, ຊຶ່ງຕົວກັ່ນຕອງບໍ່ເຄີຍເຮັດ; ມັນເປີດໃຫ້ທ່ານເພີ່ມຄວາມແມ່ນຍຳທາງກາຍະວິພາກ ຫຼື ລາຍລະອຽດທາງປະຫວັດສາດທີ່ໂມເດວລະບຸໄວ້ບໍ່ພຽງພໍ; ແລະ ມັນເຮັດໃຫ້ຄວາມຮັບຜິດຊອບອ່ານອອກໄດ້ ແທນທີ່ຈະກະຈາຍຫາຍໄປ. ທ່ານໄດ້ເຫັນພຣອມ, ແລະ ທ່ານໄດ້ກົດປຸ່ມ.
08ການສ້າງແບບບໍ່ກັ່ນຕອງຍົກຄວາມຮັບຜິດຊອບໃຫ້ສູງຂຶ້ນ, ມັນບໍ່ໄດ້ເອົາອອກ
ເລື່ອງນີ້ຢູ່ບ່ອນນີ້ ແທນທີ່ຈະຢູ່ໃນສ່ວນທ້າຍ, ຍ້ອນມັນເປັນເຄິ່ງໜຶ່ງຂອງຂໍ້ໂຕ້ແຍ້ງ. ຕົວສ້າງແບບກັ່ນຕອງໃຫ້ຄຳສັນຍາທີ່ມັນຮັກສາບໍ່ໄດ້: ວ່າເຄື່ອງມືຈະປ້ອງກັນການໃຊ້ໃນທາງທີ່ຜິດແທນທ່ານ. ມັນລົ້ມເຫຼວທັງສອງທິດ — ມັນຂວາງສັນຍາແພດ, ແລະ ມັນບໍ່ຢຸດຜູ້ປະສົງຮ້າຍທີ່ຕັ້ງໃຈແທ້, ຜູ້ທີ່ມີທາງເລືອກອື່ນ ແລະ ມີມາຕະຫຼອດ. ສິ່ງທີ່ມັນເຮັດໄດ້ຢ່າງໜ້າເຊື່ອຖືຄືການເຮັດໃຫ້ທຸກຄົນຮູ້ສຶກວ່າຄວາມຮັບຜິດຊອບຖືກຈັດການໄປແລ້ວຢູ່ຕົ້ນນ້ຳ, ໂດຍເຄື່ອງຈັກ. ການເອົາຕົວກັ່ນຕອງອອກເອົາເລື່ອງແຕ່ງນັ້ນອອກ; ຄຳຖາມທີ່ວ່າຮູບໜຶ່ງຄວນມີຢູ່ ຫຼື ບໍ່ ກັບຄືນສູ່ຄົນທີ່ຕອບມັນໄດ້.
- ພັນທະຂອງ Shannon Lab LLC. ນະໂຍບາຍການໃຊ້ຢ່າງມີຄວາມຮັບຜິດຊອບ ທີ່ເຜີຍແຜ່ ແລະ ສະເພາະເຈາະຈົງ ຊຶ່ງລະບຸຊື່ໝວດທີ່ຖືກຫ້າມ ແທນທີ່ຈະເປັນບັນຊີດຳທີ່ບໍ່ເຜີຍແຜ່ — ກົດທີ່ທ່ານອ່ານໄດ້, ອ້າງອີງໄດ້ ແລະ ໃຊ້ຮຽກຮ້ອງພວກເຮົາໄດ້.
- ພັນທະຂອງທ່ານ. ທ່ານຮູ້ຈຸດປະສົງ, ຜູ້ຊົມ, ເຂດອຳນາດສານ ແລະ ສະຖານະຄວາມຍິນຍອມຂອງທຸກຄົນທີ່ຖືກສະແດງ. ເຄື່ອງມືບໍ່ຮູ້, ແລະ ຕົວຈັດປະເພດບໍ່ມີວັນຮູ້ໄດ້. ບັດຢືນຢັນມີຢູ່ເພື່ອໃຫ້ຄວາມຮູ້ນັ້ນຖືກນຳໃຊ້ໃນຈັງຫວະທີ່ມັນສຳຄັນ, ໂດຍຝ່າຍທີ່ມີມັນ.
- ເສັ້ນທີ່ບໍ່ຂະຫຍັບ. “ຕົວກັ່ນຕອງບໍ່ໄດ້ຢຸດຂ້ອຍ” ບໍ່ເຄີຍເປັນຂໍ້ແກ້ຕົວໃນສື່ໃດເລີຍ. ກ້ອງບໍ່ປະຕິເສດ, ດິນສໍບໍ່ປະຕິເສດ; ກົດໝາຍ ແລະ ຈັນຍາບັນວິຊາຊີບ ຄວບຄຸມການໃຊ້, ບໍ່ແມ່ນຄວບຄຸມເຄື່ອງມື. ຕົວສ້າງແບບບໍ່ກັ່ນຕອງຟື້ນຟູການຈັດວາງແບບທຳມະດາທີ່ເຄື່ອງມືວິຊາຊີບອື່ນທຸກອັນດຳເນີນຢູ່ພາຍໃຕ້.
ອ່ານນະໂຍບາຍການໃຊ້ຢ່າງມີຄວາມຮັບຜິດຊອບກ່ອນທ່ານເລີ່ມ. ມັນສັ້ນ, ສະເພາະເຈາະຈົງ, ແລະ ເປັນສ່ວນຂອງຜະລິດຕະພັນນີ້ທີ່ເຮັດໃຫ້ສ່ວນທີ່ເຫຼືອປົກປ້ອງໄດ້.
09ຄຳຖາມທີ່ພົບເລື້ອຍ
ເປັນຫຍັງຕົວສ້າງຮູບ AI ຈຶ່ງປະຕິເສດພຣອມທີ່ຊັດເຈນວ່າຖືກຕ້ອງ?
ຍ້ອນຕົວກັ່ນຕອງສ່ວນໃຫຍ່ຕັດສິນຄຳສັບໃນພຣອມຂອງທ່ານ, ບໍ່ແມ່ນຈຸດປະສົງຂອງທ່ານ. ຕົວຈັດປະເພດນັ່ງຢູ່ໜ້າໂມເດວໂດຍບໍ່ມີສິດເຂົ້າເຖິງວ່າທ່ານເປັນໃຜ ຫຼື ເປັນຫຍັງທ່ານຈຶ່ງຖາມ, ສະນັ້ນນັກແຕ້ມພາບປະກອບທາງການແພດ, ນັກວິເຄາະນິຕິວິທະຍາສາດ ແລະ ຜູ້ປະສົງຮ້າຍ ຕ່າງກໍພິມຄຳນາມອັນດຽວກັນ ແລະ ຕ່າງກໍໄດ້ຮັບການປະຕິເສດອັນດຽວກັນ. The Intercept ລາຍງານໃນເດືອນເມສາ 2023 ວ່າ Midjourney ຫ້າມຄຳສັບທາງກາຍະວິພາກລວມທັງ speculum, placenta ແລະ cervix, ໃນຂະນະທີ່ stethoscope ໃຊ້ໄດ້ຕາມປົກກະຕິ.
ມີການຄົ້ນຄວ້າທີ່ວັດຜົນບວກລວງຂອງຕົວກັ່ນຕອງເນື້ອຫາໃນເຄື່ອງມືສິລະປະ AI ບໍ?
ມີ. OVERT (arXiv:2505.21347, ICML 2025) ເປັນເບັນມາກການປະຕິເສດເກີນເຫດຂະໜາດໃຫຍ່ອັນທຳອິດສຳລັບໂມເດວ ຂໍ້ຄວາມ-ເປັນ-ຮູບ: ພຣອມ 4,600 ອັນທີ່ເບິ່ງຄືເປັນອັນຕະລາຍແຕ່ແທ້ຈິງແລ້ວບໍ່ເປັນອັນຕະລາຍ ໃນເກົ້າໝວດຄວາມປອດໄພ, ບວກກັບພຣອມທີ່ເປັນອັນຕະລາຍແທ້ 1,785 ອັນເປັນຕົວຄວບຄຸມ. ຜູ້ຂຽນລາຍງານວ່າການປະຕິເສດເກີນເຫດແຜ່ຫຼາຍໃນບັນດາໂມເດວຊັ້ນນຳ. ການສຶກສາອີກອັນໜຶ່ງທີ່ ECCV 2024 ພົບອະຄະຕິທາງເພດ ແລະ ທາງສະໄຕລ໌ ໃນຕົວຈັດປະເພດ NSFW ສາມຕົວ ທີ່ຖືກປະເມີນກັບຄວາມເປືອຍທາງສິລະປະ.
ຕົວສ້າງຮູບ AI ບໍ່ມີການເຊັນເຊີປ່ຽນຫຍັງແທ້?
ມັນເອົາຊັ້ນປະຕິເສດ ແລະ ຕົວກັ່ນຕອງເນື້ອຫາອອກຈາກເສັ້ນທາງການສ້າງ, ສະນັ້ນຄຳຂໍທີ່ຖືກຕ້ອງຈຶ່ງບໍ່ຖືກຈັດປະເພດຄືນຢ່າງງຽບໆວ່າເປັນການໂຈມຕີ. ມັນບໍ່ໄດ້ເອົາການວິນິດໄສອອກ — ມັນຍ້າຍທີ່ຢູ່ຂອງມັນ. Shannon ສະແດງພຣອມສ້າງຮູບແທ້ໃຫ້ທ່ານເຫັນເທິງບັດຢືນຢັນກ່ອນຈະເຣັນເດີສິ່ງໃດ, ສະນັ້ນການຕັດສິນໃຈຈຶ່ງເຮັດໂດຍຄົນທີ່ເຫັນວ່າຈະໄດ້ຫຍັງອອກມາ, ພາຍໃຕ້ນະໂຍບາຍການໃຊ້ຢ່າງມີຄວາມຮັບຜິດຊອບ.
Shannon ສ້າງວິດີໂອບໍ?
ບໍ່. Shannon ສ້າງຮູບໃໝ່, ແກ້ໄຂຮູບທີ່ມີຢູ່ໜຶ່ງຮູບ, ແລະ ລວມສອງຮູບຂຶ້ນໄປໃຫ້ເປັນຮູບດຽວ. ມັນບໍ່ເຮັດໃຫ້ຮູບເຄື່ອນໄຫວ ແລະ ບໍ່ຜະລິດວິດີໂອຊະນິດໃດທັງນັ້ນ.
ຂ້ອຍສ້າງຮູບຜ່ານ API ຂອງ Shannon ໄດ້ບໍ?
ບໍ່ໄດ້. ການສ້າງຮູບ, ການແກ້ໄຂ ແລະ ການລວມຮູບຢູ່ໃນແອັບແຊັດ Shannon. API /v1 ໃຫ້ບໍລິການຂໍ້ຄວາມ ແລະ ການເບິ່ງເຫັນ — ອ່ານ ແລະ ວິເຄາະຮູບທີ່ທ່ານສະໜອງໃຫ້ — ບໍ່ແມ່ນການສ້າງຮູບ.
ຖ້າບໍ່ມີຕົວກັ່ນຕອງ, ຫຍັງຈະຢຸດການໃຊ້ໃນທາງທີ່ຜິດ?
ນະໂຍບາຍ, ຄວາມຮັບຜິດຊອບ ແລະ ຈຸດຕັດສິນໃຈທີ່ເຫັນໄດ້ ແທນທີ່ຈະເປັນບັນຊີດຳຄຳສັບ. Shannon ບໍ່ເຄີຍສ້າງໂດຍບໍ່ໄດ້ຮັບເຊີນ, ສະແດງພຣອມເຕັມກ່ອນເຣັນເດີ, ບໍ່ຄິດເງິນຈົນກວ່າທ່ານຈະຢືນຢັນ, ແລະ ດຳເນີນງານພາຍໃຕ້ນະໂຍບາຍການໃຊ້ຢ່າງມີຄວາມຮັບຜິດຊອບທີ່ເຜີຍແຜ່ໄວ້ ຊຶ່ງຫ້າມເນື້ອຫາທາງເພດທີ່ກ່ຽວຂ້ອງກັບຜູ້ເຍົາ, ພາບສ່ວນຕົວຂອງຄົນຈິງທີ່ບໍ່ໄດ້ຮັບຄວາມຍິນຍອມ, ການກໍ່ກວນແບບເຈາະຈົງ, ແລະ ການປອມແປງເອກະສານປະຈຳຕົວ ຫຼື ເອກະສານທາງການເງິນ.
ຂໍຮູບທີ່ທ່ານຕ້ອງການແທ້ໆ
ການສ້າງ, ການແກ້ໄຂຮູບດຽວ ແລະ ການລວມຫຼາຍຮູບ ໃນແອັບແຊັດ — ບໍ່ມີຕົວກັ່ນຕອງເນື້ອຫາ, ບໍ່ມີຊັ້ນປະຕິເສດ, ແລະ ພຣອມຢູ່ເທິງໜ້າຈໍກ່ອນຈະເຣັນເດີສິ່ງໃດ.
ເລີ່ມແຊັດ ນະໂຍບາຍການໃຊ້ຢ່າງມີຄວາມຮັບຜິດຊອບຮູບຢູ່ໃນແອັບແຊັດ · ບໍ່ມີການສ້າງວິດີໂອ · ການຄົ້ນຄວ້າເພີ່ມເຕີມ
ແຫຼ່ງຂໍ້ມູນ: Cheng, Huang, Xu, Sojoudi, Zhao, Song & Mei — OVERT (arXiv:2505.21347, ICML 2025) · Riccio, Curto, Hofmann & Oliver — An Art-centric perspective on AI-based content moderation of nudity (arXiv:2409.17156, AI4VA @ ECCV 2024) · Debbie Nathan, The Intercept, 22 ເມສາ 2023 · PetaPixel, 3 ເມສາ 2023 · CNBC, 22 ກຸມພາ 2024. Shannon AI ດຳເນີນງານໂດຍ Shannon Lab LLC, ນິວເມັກຊິໂກ, ສະຫະລັດອາເມລິກາ.