Nokre hendingar brenn seg fast i tid og rom. Kvar var du då Brå brakk staven? Eg var på pauserommet til teoretisk fysikk på Blindern. Det er likevel to andre hendingar som har sett djupare spor i det nevrale nettverket mitt. I 1995 såg eg internett for fyrste gong på digitallaboratoriet til Nera. Med nettlesaren Netscape og søkjemotoren AltaVista fekk me forvitne ei utømeleg kjelde til informasjon og kunnskap.

Den siste sjokkarta opplevinga kom førre tysdag då postdoktor Hunter Ratliff synte meg kva han hadde kasta bort to arbeidsdagar på i den vetle båsen sin. Med KI-programvare (kunstig intelligens) har han no vorte kunstnar. Han skriv nokre stutte setningar, og ut kjem dei flottaste illustrasjonar.

Det er ikkje lenger bruk for korkje kunstnarar eller fotografar. Eg kan illustrera mine eigne tekstar med bilete av mine eigne tekstar.

Det er no tre store aktørar innan KI-kunst, nemleg MidJourney, DALL-E 2 og Stable Diffusion. Den fyrstnemnde har spesialisert seg å laga vakre måleri à la fiduskunst, DALL-E 2 er den mest avanserte og lagar fin kunst og bilete, medan Stable Diffusion er open kjeldekode med rask forbetring av snøggleik, kvalitet og funksjonar. Stable Diffusion er særs god på kunstbilete og fotografi.

Eg opnar Dreamstudio.ai og er klar. Kva skal verta mitt fyrste meisterverk etter at eg har lese ein kort instruksjon om korleis ein skal forma teksten for å få best mogleg resultat?

Eg hugsar at kona mi alltid spurde meg om den eller den kvinna var vakker, når me såg film saman. Eg heldt klokleg kjeft, men no skriv eg utan blygsel: «Blyantteikning av Juliette Binoche», og kvar gong eg trykkjer på drøymeknappen, kjem ei ny teikning av skodespelaren eg er forgapt i, laga av meg og KI. Det vert kvalitetstid i heimen framfor datamaskinen, og eg tryllar fram kunst og foto i eit rasande tempo til prøvekontoen er tom og det må kastast på meir pengar. Dette var gildt, men korleis verkar denne programvara?

KI kan delast i kategoriar, nemleg regelbaserte eller datadrivne modellar. Regelbaserte modellar brukar programmering, medan datadrivne modellar lærer maskinen. Datadriven læring vert kalla maskinlæring. Maskinlæring er berre eit fint ord for statistikk.

Når me lagar KI-kunst, tek systemet til med eit enkelt program som ikkje har noko når det byrjar, bortsett frå orda me har gjeve det. Programmet prøver og feilar på alt av bilete og tekst på internettet. Det som har gjort at ein har fått slik framgang dei siste åra, er at ein har utvikla metodar der programmet overvaker seg sjølv. Det er ikkje lenger noko menneske som sit med fasiten.

Metodane som vert brukte ved KI-kunst, vert kalla djup læring der ein brukar nevrale nett med mange lag som datastruktur. Hjernen vår er brukt som modell, og nettverket er samansett av nevron som driv med enkel prosessering og er knytte saman via synapsar.

Kor sterkt eit nevron påverkar eit anna, vert avgjort av den synaptiske vekta. Desse vektene vert fastsette ved å køyra store mengder data gjennom det nevrale nettet. Dei nevrale netta som vert brukte på bilete som er bygde opp av pikslar, dei små firkantane du ser når digitale bilete vert forstørra, brukar ein matematisk metode som vert kallar konvolusjon, i minst eitt av laga. Der vert dei same inngangsvektene brukte for mange nevron, slik at alle desse nevrona vert aktiverte av det same mønsteret, men ser på forskjellige pikslar i biletet.

Djuplæring har lang tradisjon. Alt i 1940-åra forska ein på slike nettverk, og førti år seinare laga ein nettverk med mange lag. Utfordringa var mangel på data og trege datamaskinar. Dette har radikalt endra seg det siste tiåret. No har teknologi frå spelmaskiner og eit hav av data frå internett gjort det mogleg å realisera KI som kan gjera noko fornuftig.

Generativt motstandarnettverk er den nye måten å læra nettverket opp på. Der har ein to nevrale nettverk som kjempar mot kvarandre. Det eine nettverket genererer bilete basert på data og prøver å lure det andre, som skal godkjenna at biletet er ekte. Begge desse nettverka vert oppdaterte i dette nullsumspelet til det kunstige biletet er ferdig. Generative motstandsnettverk er biomimikk med ein evolusjonær kamp mellom dei to nettverka.

I framstillinga av bilete vert det òg brukt programvare som kan endra biletet slik at det passar inn i ein eller annan stil. Du kan måla à la Rembrandt eller laga fotografi til måleri.

For å «forstå» kva eg skriv for å laga bilete, brukar programvara ein generativ førehandstrena transformator som er trena opp til å forstå noko tekst betre enn ein annan. Det var difor eg måtte lesa instruksjonen for å laga betre bilete.

Byrjar KI å verta utriveleg også for ein teknologioptimist? Det finst no KI som produserer tekst, video og lyd utan menneskeleg innblanding. Kanskje vil det snart ikkje vera bruk for kunstnarar, fotografar, forfattarar og journalistar? Er det mogleg å laga neste utgåve av Dag og Tid basert på dei gamle spedd med litt nyhende?

I ei verd der demokratiet har vorte skøyrt, er det kanskje urovekkjande at andlet vert kjende att, all tekst vert lesen og desinformasjon vert produsert i ekstreme mengder av maskinar som ikkje skjønar kva dei er med på.

Kva vil datamaskinane seia når dei ein gong les mine tekstar og bilete? Kanskje: «Han var jo ein av oss. Kven drog ut støpselet?»

Per Thorvaldsen

Per.Eilif.Thorvaldsen@hvl.no