Tại sao hình ảnh món ăn do AI tạo ra lại trông kỳ dị đến thế?

Đang có một làn sóng "rác" khó nuốt tràn ngập từ các nhà hàng, quán cà phê và các thương hiệu khi họ ngày càng chuyển sang sử dụng AI để tạo hình ảnh quảng bá món ăn. Những "thảm họa" tạo ra bao gồm tôm hình bánh donut, bánh Reuben từ dưới vực sâu, mì sợi trông như giun, bánh ngọt hình sợi mì và thịt gà xơ xác. Ngoài ra còn có vật liệu xây dựng giả làm kem, kem giả làm não bộ và những món ăn trông như thể được làm từ gạch đá. Tôi thậm chí không biết phải bắt đầu mô tả chiếc burger quái dị này như thế nào, và tốt nhất là không nên nhắc đến chiếc burrito gây ám ảnh sợ lỗ (trypophobia) từ địa ngục, với đầy những ấu trùng bên trong. Có những khối u. Và những cái lỗ. Rất nhiều lỗ.

“Các mô hình khuếch tán (diffusion models) vốn nổi tiếng là yếu kém trong việc tạo ra các cấu trúc mỏng, liên tục và có điểm kết thúc.”

Chúng ta thường không hiểu tại sao bất kỳ ai lại sử dụng "rác" AI để bán một thứ gì đó vốn dĩ phải trông ngon miệng, đặc biệt là khi món ăn đó có lẽ đang ở ngay đó để chụp ảnh. Nhưng chúng ta biết một chút về lý do tại sao AI lại quá giỏi trong việc tạo ra những hình ảnh gây buồn nôn một cách tinh vi như vậy.

Có nhiều lý do khiến món ăn do AI tạo ra lại sai lệch đến thế, từ những sắc thái kỹ thuật trong cách hệ thống AI tạo hình ảnh và dữ liệu dùng để huấn luyện chúng, cho đến những gánh nặng tâm lý mà con người dùng để cảm nhận những hình ảnh đó. Thông thường, vấn đề bắt đầu ngay từ đầu. Nhiều trình tạo ảnh hàng đầu tạo ra hình ảnh bằng cách sử dụng phương pháp khuếch tán. Nói một cách đơn giản, các mô hình khuếch tán bắt đầu với một hình ảnh nhiễu thuần túy — giống như màn hình đầy nhiễu hạt — và dần dần loại bỏ nhiễu từng chút một để tạo ra hình ảnh được yêu cầu. Chris Russell, giáo sư về AI, chính phủ và chính sách tại Đại học Oxford, đồng thời là chuyên gia về thị giác máy tính, giải thích: “Điều này có nghĩa là các cấu trúc thô sẽ được khôi phục trước, còn các chi tiết kết cấu tinh vi sẽ xuất hiện ở cuối cùng.”

Russell cho biết trong nhiều hình ảnh món ăn gây khó chịu này, mọi thứ đã sai lệch ngay từ khi các chi tiết tinh vi hơn được thêm vào. Mô hình có thể xác định sai cấu trúc cơ bản của vật thể ở giai đoạn đầu, sau đó đắp các chi tiết kết cấu sống động lên trên cấu trúc đó. Russell nói: “Đây cũng là kiểu lỗi tương tự như khi bạn thấy một người được tạo ra với sáu ngón tay thay vì năm.” (Điều này cũng có thể giải thích cho món tôm hình bánh donut.)

Mô hình có thể xác định sai cấu trúc cơ bản của vật thể ở giai đoạn đầu, sau đó đắp các chi tiết kết cấu sống động lên trên cấu trúc đó.

Ngay cả khi cấu trúc nền tảng vững chắc, các chi tiết tinh vi hơn vẫn có thể đi chệch hướng theo cách riêng của chúng, Giovanbattista Califano, một nhà khoa học hành vi nghiên cứu phản ứng với hình ảnh do AI tạo ra tại Đại học Naples Federico II ở Ý, cho biết. “Các mô hình khuếch tán vốn nổi tiếng là yếu kém trong việc tạo ra các cấu trúc mỏng, liên tục và có điểm kết thúc,” ông nói. “Mì, sợi và các tua là kiểu hình học chính xác khiến AI bị vấp, vì vậy bạn nhận được những vật thể giống như mì spaghetti lan ra những nơi không có logic về giải phẫu hay ẩm thực.” Nói cách khác, một khi mô hình bắt đầu tạo ra thứ gì đó như thế này, nó có thể gặp khó khăn trong việc xác định nơi nó nên dừng lại hoặc nó nên gắn vào đâu. Ông nói thêm, các kết cấu lặp đi lặp lại khác như bong bóng và hạt cũng khó để các mô hình khuếch tán kiểm soát trong các ranh giới hợp lý, nghĩa là chúng thường tràn sang những khu vực không nên có. Điều đó giúp giải thích tại sao rất nhiều hình ảnh món ăn AI lại trông giống như những sợi mì không hồi kết, có hoa văn gây khó chịu và đầy những lỗ chùm có thể kích hoạt chứng sợ lỗ.

Việc AI không hề biết bánh sandwich thực sự là gì cũng chẳng giúp ích được gì. Hay mì. Hay burrito. Nó không hiểu về các vật thể mà nó đang tạo ra hoặc thế giới vật chất mà chúng tồn tại. Nó đã học được, một cách khái quát, những thứ này thường trông như thế nào ở cấp độ thống kê, nhưng không hiểu tại sao chúng lại trông như vậy hoặc chúng phải hoạt động như thế nào. Roland Meyer, giáo sư về văn hóa và nghệ thuật kỹ thuật số tại Đại học Zurich ở Thụy Sĩ, giải thích: “Tạo ảnh bằng AI tái tạo vẻ ngoài mà không có kiến thức phù hợp về thế giới.” Kết quả là một sự mô phỏng món ăn tách rời khỏi bất kỳ sự hiểu biết nào về chính bản thân món ăn đó.

Michael Cook, giảng viên cao cấp về khoa học máy tính tại King’s College London, cho biết sự thiếu hiểu biết đó có thể dẫn đến một số cách diễn giải thẩm mỹ gây buồn nôn cho con người khi xem những hình ảnh này. Do đó mới có món kem trông giống như bê tông nứt, hoặc những chiếc burger dường như được làm từ đá. Các mô hình AI không hiểu tại sao món ăn không nên trông giống như những hình ảnh phi thực phẩm theo cách đó. Cook giải thích: “Những kết cấu này có thể trông hoàn toàn bình thường nếu được sử dụng trong bối cảnh kiến trúc. Nhưng chúng trở nên sai lệch khi chúng ta tưởng tượng đó là thực phẩm có thể ăn được.”

Hình ảnh được sử dụng để huấn luyện các mô hình này có thể làm trầm trọng thêm vấn đề. Cook nói: “Vì chúng ta biết quá ít về quy trình huấn luyện của các hệ thống này, chúng ta không thực sự biết chúng đang nhận được sự kết hợp nội dung nào, hoặc chúng đang tạo ra những liên kết nào.”

Nhiếp ảnh thực phẩm thường được cách điệu cao, đầy độ tương phản sắc nét, màu sắc rực rỡ, ánh sáng bóng bẩy và các hình dạng cường điệu. Đôi khi "thực phẩm" được chụp thậm chí không phải là thực phẩm. Meyer cho biết các mô hình AI có thể nắm bắt được những đặc điểm bề mặt và quy ước thị giác này, nhưng lại tái tạo chúng mà không hiểu bối cảnh đằng sau chúng. Meyer nói: “Nói cách khác, tạo ảnh bằng AI bắt chước hoàn hảo vẻ ngoài của nhiếp ảnh, nhưng không phải các chiến lược thẩm mỹ chuyên nghiệp của nó. Đó cuối cùng là điều khiến chúng trở nên khó chịu đến vậy.”

Việc AI không hề biết bánh sandwich thực sự là gì cũng chẳng giúp ích được gì. Hay mì. Hay burrito.

Ngoài phong cách, còn có một vấn đề khác khi học về thế giới từ việc quét internet: mọi thứ có thể trở nên kỳ lạ rất nhanh. Simon Colton, giáo sư về sáng tạo tính toán, trò chơi và trí tuệ nhân tạo tại Đại học Queen Mary London, cho biết ví dụ như có thể có tương đối ít hình ảnh về những quả táo đỏ bình thường. “Ai lại muốn đăng một hình ảnh về quả táo nhàm chán lên web chứ?” Trong khi đó, những hình ảnh kỳ lạ hơn có thể tìm thấy lượng khán giả lớn trên các nền tảng mạng xã hội như Reddit, hoặc lan truyền rộng rãi dưới dạng meme. Những câu chuyện kỳ quái trên internet và sự "thối rữa não bộ" (brain rot) đồng nghĩa với việc một mô hình AI có thể có một tập hợp các liên kết kỳ lạ xung quanh thực phẩm và vẻ ngoài của nó.

Cook cho biết ai cũng biết rằng các hệ thống AI hiện nay cũng đang được huấn luyện trên các tài liệu do AI tạo ra. Cook nói, rất nhiều tài liệu AI phổ biến liên quan đến thực phẩm, ông nhớ lại xu hướng các video do AI tạo ra về những người nhảy vào hoặc nhảy lên các đống thực phẩm. Ngoài bản chất đôi khi siêu thực của chính tài liệu đó, nghiên cứu cho thấy việc huấn luyện các mô hình AI trên kết quả đầu ra của các mô hình khác có thể gây ra một loại "sự sụp đổ mô hình" (model collapse), hệ quả của nó có thể là một kiểu thoái hóa thị giác và sự giống nhau ngày càng tăng giữa các hình ảnh.

Cách hình ảnh được tạo ra và sử dụng có thể làm cho vấn đề tồi tệ hơn. Các câu lệnh (prompts) — cả những câu lệnh do người dùng viết và các hướng dẫn cấp hệ thống mà các công ty sử dụng để điều hướng mô hình của họ — có thể không phải lúc nào cũng mang lại kết quả tốt nhất. Chúng có thể mơ hồ, chẳng hạn như chỉ yêu cầu một chiếc bánh sandwich, hoặc chứa ngôn ngữ như "hãy chính xác" vốn có ý nghĩa đối với văn bản, nhưng không có nhiều ý nghĩa đối với việc tạo hình ảnh. Hình ảnh độ phân giải thấp cũng có thể bị phóng to vượt quá kích thước dự định, làm phóng đại mọi khiếm khuyết khó chịu mà lẽ ra đã không bị chú ý, hoặc tạo ra một khoảng trống mà mô hình buộc phải lấp đầy, thường là một cách không hoàn hảo.

Những câu chuyện kỳ quái trên internet và sự "thối rữa não bộ" đồng nghĩa với việc một mô hình AI có thể có một tập hợp các liên kết kỳ lạ xung quanh thực phẩm và vẻ ngoài của nó.

Tất cả những điều này đẩy nhiều hình ảnh thực phẩm do AI tạo ra rơi sâu vào "thung lũng kỳ lạ" (uncanny valley). Và thật không may cho chúng ta, con người được trang bị rất tốt để nhận ra khi nào thực phẩm trông có vẻ sai lệch. Các nhà khoa học tin rằng sự ghê tởm tiến hóa một phần như một phương tiện bảo vệ chúng ta khỏi ký sinh trùng, mầm bệnh, độc tố và các mối đe dọa tiềm ẩn khác, khiến chúng ta đặc biệt nhạy bén khi một thứ gì đó có thể không an toàn để ăn. Califano cho biết điều này khiến "thung lũng kỳ lạ" đối với thực phẩm trở nên bản năng hơn nhiều so với những gì chúng ta trải nghiệm với những thứ gần giống con người.

Thực phẩm do AI tạo ra có khả năng đáng lo ngại là kích hoạt nhiều yếu tố đó cùng một lúc. Những tua mì kỳ lạ giống như giun hoặc ký sinh trùng, những cụm lỗ gợi lên sự xâm nhập của côn trùng, và màu sắc cũng như kết cấu khác thường báo hiệu sự ô nhiễm hoặc hư hỏng. Thực phẩm do AI tạo ra trông có vẻ sai lệch vì ở cấp độ nguyên thủy, nó mang lại cảm giác sai lệch. Nó có thể giống thực phẩm, nhưng não bộ của chúng ta biết rõ hơn. Đó là "rác", và chúng ta phản ứng lại một cách tương ứng.

Theo dõi các chủ đề và tác giả từ câu chuyện này để xem thêm các nội dung tương tự trong nguồn cấp dữ liệu trang chủ cá nhân của bạn và nhận cập nhật qua email.