Nikola Jevremović

10. januar 2023.

Na nesreću mnogih budućih umetnika, veštačka inteligencija sve je veštija u kreativnim poslovima. Najnoviji dokaz ovog trenda pružio je tim istraživača sa američkog Cornell Univerziteta, koji se latio Microsoftove AI alatke VALL-E. Njena namena je generisanje autentičnih audio snimaka ljudskog glasa na osnovu veoma kratkog uzorka. Softver je trenirao na 60.000 sati engleskog jezika, a za ovaj eksperiment bilo je dovoljno svega tri sekunde snimka kako bi se napravio lažnjak koji, prema rečima nadležnih, ne samo što izgovara reči koje njegov uzor nije, već pogađa i boju glasa svog kolege od krvi i mesa, kao i emociju sa kojom čita određeni tekst. Iako zvuči impresivno, nekoliko primera koji su postavljeni na GitHubu to donekle demantuju. Ima ih koji verodostojno oponašaju, ali i onih gde je očigledno da se radi o lažnjaku. Doduše, da je uzorak bio veći, verovatno bi i rezultat bio daleko povoljniji u korist mašine.

Za sada, VALL-E nije dostupan javnosti, inače bi sigurno bilo zloupotrebe. Toga su svesni i zakonodavci nekoliko država sveta koji ne gledaju blagonaklono na AI generatore. Tako je od danas u Kini zabranjeno pravljenje deepfake (ili kako ga oni zovu „sintetičkog”) sadržaja. Zvaničnici Kineske uprave za sajberprostor ocenjuju da on ima potencijal da podriva nacionalnu bezbednost, jer je odlično sredstvo za širenje lažnih vesti. Od tamošnjih kompanija koje se bave razvojem ovakvog softvera očekuje se da spreče zloupotrebu njihovih algoritama, a obavezne su da na videu svakog sintetičkog sadržaja postave watermark. Slične mere ograničenja sprovode se i u Evropskoj Uniji, Britaniji i još nekoliko američkih država. 

Iako je bojazan opravdana, tehnologija je s razlogom primamljiva. Tako se npr. u Apple biblioteci mogu naći audio knjige uz koje stoji „Narrated by Apple Books”, što znači da je čitanje odradila upravo veštačka inteligencija. Zašto plaćati glumce 100 puta, kada možeš softver jednom (a i on manje pije).