AI tạo ảnh biến một câu mô tả thành bức hình bằng cách bắt đầu từ một khung ảnh toàn nhiễu hạt, rồi khử nhiễu dần qua hàng chục bước, mỗi bước đẩy các điểm ảnh gần hơn tới thứ khớp với câu mô tả. Kỹ thuật đứng sau phần lớn công cụ hiện nay gọi là mô hình khuếch tán (diffusion model), ghép với một mô hình hiểu chữ để biết "con mèo cam ngồi trên ghế mây" nghĩa là gì về mặt hình ảnh.
Máy không lục kho ảnh có sẵn rồi cắt dán. Nó học từ hàng trăm triệu cặp ảnh và chú thích, rút ra quy luật về hình khối, ánh sáng, màu sắc, rồi vẽ ra những điểm ảnh mới. Hiểu cơ chế này sẽ giải thích được vì sao AI vẽ đẹp nhưng hay sai bàn tay, sai chữ, và vì sao chuyện bản quyền còn đang gây tranh cãi.
Mô hình khuếch tán học bằng cách nào
Quá trình huấn luyện nghe ngược đời: muốn dạy máy vẽ, người ta dạy nó... dọn rác. Các bước diễn ra như sau:
- Lấy một ảnh thật trong bộ dữ liệu, ví dụ ảnh chú chó nằm trên bãi cỏ, kèm dòng chú thích mô tả ảnh.
- Rắc nhiễu: cộng thêm một lớp nhiễu ngẫu nhiên giống hạt sạn trên tivi mất sóng. Mức nhiễu được chọn ngẫu nhiên, lúc rất nhẹ (vẫn thấy rõ con chó), lúc rất nặng (chỉ còn hạt xám).
- Bắt mô hình đoán: nhìn ảnh đã bị rắc nhiễu và dòng chú thích, mô hình phải đoán xem lớp nhiễu vừa rắc vào trông thế nào.
- Chấm và sửa: so phần đoán với lớp nhiễu thật, đo chênh lệch, chỉnh các tham số bên trong để lần sau đoán sát hơn.
- Lặp lại hàng trăm triệu lần trên rất nhiều ảnh, nhiều mức nhiễu. Dần dần mô hình nắm được ảnh "bình thường" trông ra sao: lông chó có kết cấu thế nào, bóng đổ nằm phía nào so với nguồn sáng, cỏ có màu gì vào buổi chiều.
Điểm mấu chốt: một mô hình biết tách nhiễu khỏi ảnh nghĩa là nó đã ngầm học được thế nào là một bức ảnh hợp lý. Khả năng đó chính là thứ được dùng để vẽ.
Từ nhiễu hạt thành bức hình: điều gì xảy ra khi bạn bấm "tạo"
Khi bạn gõ mô tả và bấm nút, hệ thống tạo ra một khung toàn nhiễu ngẫu nhiên. Không có con mèo nào trong đó cả. Mô hình nhìn khung nhiễu và tự hỏi: "Nếu đây là ảnh con mèo cam bị rắc nhiễu, thì phần nhiễu là gì?". Nó trừ bớt phần nhiễu đoán được, ảnh rõ hơn một chút. Lặp lại khoảng 20 đến 50 bước tuỳ công cụ, các mảng màu mờ nhoè dần thành hình khối, rồi thành chi tiết lông, mắt, ghế mây.
Để tiết kiệm sức tính, nhiều hệ thống không khử nhiễu trực tiếp trên ảnh lớn mà trên một bản nén thu nhỏ (gọi là không gian ẩn), ví dụ ảnh 1024×1024 điểm được nén lại nhỏ hơn nhiều lần. Khử nhiễu xong, một bộ giải nén mới phóng bản thu nhỏ đó thành ảnh đầy đủ. Đây là lý do một chiếc máy tính có card đồ hoạ tầm trung vẫn tạo được ảnh trong vài giây.
Vì điểm xuất phát là nhiễu ngẫu nhiên, mỗi lần bấm sẽ ra một ảnh khác dù cùng câu mô tả. Nhiều công cụ cho bạn ghi lại con số khởi tạo (thường gọi là seed); giữ nguyên seed và câu lệnh thì ảnh lặp lại gần như y hệt, tiện khi muốn chỉnh từng chữ trong mô tả để xem thay đổi gì.
Làm sao AI biết vẽ đúng thứ bạn mô tả
Bộ hiểu chữ đổi câu thành con số. Một mô hình ngôn ngữ riêng, được huấn luyện trên cặp ảnh và chú thích, biến câu "con mèo cam ngồi trên ghế mây, nắng chiều" thành một dãy vectơ. Những câu có nghĩa gần nhau sẽ ra vectơ gần nhau, kể cả khi khác từ.
Mỗi bước khử nhiễu đều "liếc" vào câu mô tả. Bên trong mô hình có cơ chế chú ý chéo: khi xử lý từng vùng ảnh, mô hình đối chiếu với từng phần của câu. Vùng giữa ảnh có thể được kéo về phía "mèo", vùng nền được kéo về phía "nắng chiều".
Có một núm chỉnh độ bám sát câu lệnh. Nhiều công cụ có thông số tên gần giống "guidance" hoặc "độ bám mô tả". Để thấp thì ảnh tự nhiên nhưng hay lạc đề; để quá cao thì ảnh bám từng chữ nhưng màu gắt, chi tiết cứng. Tên gọi và thang giá trị khác nhau theo công cụ và phiên bản.
Từ ngữ quen trong dữ liệu thì ăn lời hơn. Mô hình học từ chú thích phần lớn bằng tiếng Anh, nên mô tả tiếng Anh thường cho kết quả sát hơn. Những khái niệm hiếm trong dữ liệu, như tên món ăn địa phương hay một kiểu áo truyền thống ít gặp, dễ bị vẽ thành thứ na ná quen thuộc hơn.
Ảnh mẫu cũng là một kiểu câu lệnh. Chế độ tạo từ ảnh có sẵn (image-to-image) không bắt đầu từ nhiễu thuần mà từ ảnh của bạn đã rắc một phần nhiễu, nên giữ được bố cục. Chế độ vẽ lại một vùng (inpainting) chỉ rắc nhiễu và vẽ lại đúng vùng được tô.
Vì sao AI hay vẽ sai bàn tay và chữ viết
Bàn tay là bài toán khó vì trong ảnh huấn luyện, tay xuất hiện ở vô số tư thế: nắm, xoè, cầm cốc, khuất sau lưng, che mất một nửa ngón. Bàn tay lại thường nhỏ trong khung hình nên chiếm rất ít điểm ảnh. Mô hình học được "vùng này có nhiều ngón thon màu da" nhưng không học chắc quy luật "đúng năm ngón, khớp gập theo một chiều". Kết quả là sáu ngón, ngón dính nhau, cổ tay vặn ngược. Các thế hệ mô hình mới đã cải thiện rõ nhờ dữ liệu tốt hơn và mô hình lớn hơn, nhưng tư thế phức tạp như hai bàn tay đan vào nhau vẫn dễ lỗi.
Chữ viết sai vì lý do khác: với mô hình, một dòng chữ trên biển hiệu chỉ là tập hợp nét mảnh tương phản cao. Bộ hiểu chữ chia câu thành các mẩu từ chứ không đánh vần từng ký tự, nên mô hình biết "ở đây có chữ" mà không chắc chữ gì. Tiếng Việt còn khó hơn vì dấu thanh nằm chồng trên dưới con chữ, rất ít gặp trong dữ liệu. Vài mô hình đời mới viết được tiếng Anh ngắn khá chuẩn; với tiếng Việt có dấu, cách chắc ăn vẫn là tạo ảnh không chữ rồi chèn chữ bằng phần mềm thiết kế.
Các lỗi cùng họ: răng quá nhiều, bông tai mỗi bên một kiểu, hoa văn vải bị đứt đoạn, phản chiếu trong gương không khớp với vật thật, bóng đổ ngược hướng nắng. Chúng đều xuất phát từ chỗ mô hình học bề mặt thống kê chứ không có hiểu biết vật lý về thế giới.
Bản quyền: dữ liệu huấn luyện và ảnh tạo ra
Có hai câu hỏi tách bạch. Thứ nhất, lấy ảnh trên mạng để huấn luyện có hợp pháp không? Phần lớn mô hình được huấn luyện trên ảnh thu thập tự động từ internet, trong đó có tác phẩm của hoạ sĩ, nhiếp ảnh gia chưa hề đồng ý. Ở một số nước, đã có các vụ kiện giữa nghệ sĩ, công ty ảnh và các công ty AI; kết quả mỗi nơi một khác và nhiều vụ chưa ngã ngũ. Một số công cụ đã cho tác giả đăng ký rút tác phẩm khỏi dữ liệu, hoặc chỉ huấn luyện trên kho ảnh có bản quyền rõ ràng.
Thứ hai, ảnh bạn tạo ra có được bảo hộ không, và bạn có được dùng thương mại không? Nhiều hệ thống pháp luật chỉ bảo hộ tác phẩm do con người trực tiếp sáng tạo, nên ảnh do máy sinh hoàn toàn có thể không được bảo hộ như tác phẩm thông thường. Quyền dùng ảnh còn phụ thuộc điều khoản của chính công cụ: bản miễn phí và bản trả phí có khi khác nhau.
Trước khi đưa ảnh AI vào sản phẩm bán ra, bao bì, quảng cáo, hãy đọc kỹ điều khoản sử dụng của công cụ và kiểm quy định hiện hành về sở hữu trí tuệ, vì lĩnh vực này đang thay đổi nhanh. Tránh tuyệt đối việc tạo ảnh giả nhân vật có thật, giả logo thương hiệu hay bắt chước phong cách đặc trưng của một hoạ sĩ còn sống để bán, vì rủi ro pháp lý và uy tín đều cao.
Nhìn nhanh ảnh có phải do AI vẽ
Không có cách nhìn nào chắc chắn tuyệt đối, và ảnh AI ngày càng khó phân biệt. Vài điểm đáng soi khi một bức ảnh gây nghi ngờ:
- Chi tiết nhỏ ở rìa ảnh: ngón tay, tai, răng, gọng kính, khuy áo, dây chuyền thường lộ lỗi trước tiên.
- Chữ trong ảnh: biển hiệu, nhãn chai có nét như chữ nhưng đọc không ra nghĩa.
- Hậu cảnh: người phía sau méo mó, hàng rào hay lan can đứt đoạn, cửa sổ không thẳng hàng.
- Bề mặt quá mịn: da không lỗ chân lông, mọi thứ bóng đều như phủ sáp, ánh sáng đẹp một cách vô lý.
- Nguồn gốc: tìm ảnh ngược để xem ảnh xuất hiện lần đầu ở đâu; một số công cụ gắn dấu nhận dạng hoặc thông tin nguồn gốc vào tệp ảnh.
Với video và giọng nói giả mạo nhằm lừa đảo, cách kiểm phức tạp hơn và cần thói quen xác minh qua kênh khác, không chỉ nhìn bằng mắt.
Câu hỏi thường gặp
AI tạo ảnh có lưu ảnh của người khác rồi ghép lại không?
Về nguyên lý thì không cắt ghép. Mô hình chỉ giữ các tham số đã học, không giữ bản sao từng ảnh. Tuy vậy, với những ảnh xuất hiện rất nhiều lần trong dữ liệu, như một bức tranh nổi tiếng, mô hình có thể tái tạo khá giống bản gốc. Đó là một trong các điểm tranh cãi về bản quyền.
Viết mô tả bằng tiếng Việt có được không?
Nhiều công cụ hiện hiểu tiếng Việt ở mức khá, nhưng kết quả thường sát ý hơn khi mô tả bằng tiếng Anh vì dữ liệu chú thích chủ yếu là tiếng Anh. Cách dễ: viết ý bằng tiếng Việt, dịch sang tiếng Anh, giữ cấu trúc chủ thể, hành động, bối cảnh, ánh sáng, góc máy.
Vì sao cùng một câu mô tả mà mỗi lần ra ảnh khác nhau?
Mỗi lần tạo, hệ thống bắt đầu từ một khung nhiễu ngẫu nhiên khác. Quá trình khử nhiễu từ điểm xuất phát khác sẽ đi tới bức ảnh khác. Nếu công cụ cho cố định giá trị seed, bạn có thể tạo lại ảnh gần như giống hệt.
Tạo ảnh bằng AI có tốn điện nhiều không?
Mỗi ảnh tốn ít điện hơn nhiều so với giai đoạn huấn luyện, nhưng vẫn cần card đồ hoạ chạy hết công suất trong vài giây. Khi nhân lên hàng tỷ lượt tạo mỗi ngày trên toàn cầu, mức tiêu thụ ở trung tâm dữ liệu là đáng kể và đang được giới nghiên cứu theo dõi.
Ảnh AI có dùng làm ảnh thẻ, ảnh hồ sơ được không?
Không nên. Ảnh hồ sơ, ảnh giấy tờ cần phản ánh đúng diện mạo thật của bạn; ảnh do AI vẽ lại hoặc làm đẹp quá mức có thể bị từ chối và gây rắc rối khi đối chiếu danh tính. Hãy kiểm yêu cầu cụ thể của nơi nhận hồ sơ.
Mô hình khuếch tán có tạo được video không?
Có. Nguyên lý khử nhiễu được mở rộng để tạo cả chuỗi khung hình liền nhau, đòi hỏi mô hình giữ nhân vật và vật thể nhất quán qua thời gian. Đây là phần khó hơn nhiều so với ảnh tĩnh nên video AI vẫn hay có vật thể biến dạng hoặc tự xuất hiện, biến mất.
