{"id":4127,"date":"2024-01-18T13:40:43","date_gmt":"2024-01-18T13:40:43","guid":{"rendered":"https:\/\/architeles.eu\/ethics\/?p=4127"},"modified":"2024-01-18T16:51:02","modified_gmt":"2024-01-18T16:51:02","slug":"czy-sztuczna-inteligencja-zagraza-poszczegolnym-branzom-analiza-nastrojow-spolecznych","status":"publish","type":"post","link":"https:\/\/architeles.eu\/ethics\/index.php\/2024\/01\/18\/czy-sztuczna-inteligencja-zagraza-poszczegolnym-branzom-analiza-nastrojow-spolecznych\/","title":{"rendered":"Czy sztuczna inteligencja zagra\u017ca poszczeg\u00f3lnym bran\u017com? Analiza nastroj\u00f3w spo\u0142ecznych."},"content":{"rendered":"

Rozw\u00f3j generatywnych modeli opartych o sztuczn\u0105 inteligencj\u0119 i sieci neuronowe gwa\u0142townie przyspieszy\u0142 w ci\u0105gu ostatnich kilku lat przynosz\u0105c do powszechnego dost\u0119pu i konsumenckiego, darmowego u\u017cytku takie narz\u0119dzia, jak generator tekstu ChatGPT, czy generatory obraz\u00f3w, takie jak MidJourney, Imagene, Dall-E, a tak\u017ce Stable Diffusion \u2013 ten ostatni zdolny jest do generowania nawet kr\u00f3tkich animacji czy film\u00f3w. Wymienione modele zdolne s\u0105 do wygenerowania wysokiej jako\u015bci danych wyj\u015bciowych w reakcji na odpowiednie <\/span>\u2018prompty\u2019 – <\/span>dane<\/span> wej\u015bciowe. Model tekstowy mo\u017ce wygenerowa\u0107 przepis na nale\u015bniki, kod w wielu j\u0119zykach programowania, porady, odpowiedzi na wyszukiwarkowe pytania, czy plan pracy licencjackiej. Modele wizualne zdolne s\u0105 do wygenerowania obraz\u00f3w o dowolnej tre\u015bci i w dowolnym stylu. Popularno\u015b\u0107 tych narz\u0119dzi, umiej\u0119tno\u015b\u0107 zsyntezowania tre\u015bci skutecznie na\u015bladuj\u0105cej bieg\u0142o\u015b\u0107 cz\u0142owieka i ich og\u00f3lno<\/span>dost\u0119pno\u015b\u0107 <\/span>budz\u0105 mieszane uczucia po\u015br\u00f3d spo\u0142ecze\u0144stwa.<\/span><\/span>\u00a0<\/span><\/strong><\/p>\n

<\/p>\n

Technikalia<\/b>\u00a0<\/span><\/p>\n

Jako przyk\u0142ad rozpatrzmy generator Stable Diffusion. Jest to generator, kt\u00f3ry przed udost\u0119pnieniem publicznie zosta\u0142 wytrenowany w oparciu o dyfuzj\u0119 danych obrazu. Jak przebiega taki trening? <\/span>W dyfuzji \u2018w prz\u00f3d\u2019 model najpierw pobiera obraz treningowy, a nast\u0119pnie stopniowo dodaje do niego szum gaussa w odpowiedniej ilo\u015bci krok\u00f3w tak, aby w ostatnim otrzymany zosta\u0142 sam szum przypominaj\u0105cy telewizyjne artefakty (tv static). Nast\u0119pnym, kluczowym krokiem jest <\/span>dyfuzja wsteczna<\/span><\/b>. We wstecznej dyfuzji model stara si\u0119 odwr\u00f3ci\u0107 ca\u0142y proces i otrzyma\u0107 konkretny obraz o pewnej tre\u015bci z zupe\u0142nego szumu. W serii krok\u00f3w odejmowany jest ten szum tak, aby pozostawi\u0107 jedynie te informacje, kt\u00f3re pasuj\u0105 do opisu generowanego przedmiotu podanego przez prompty wej\u015bciowe. Innymi s\u0142owy przetwarzanie\u00a0na tym etapie polega na przekszta\u0142caniu szumu w konkretn\u0105 tre\u015b\u0107 nie b\u0119d\u0105c\u0105 szumem, a jednocze\u015bnie odpowiadaj\u0105c\u0105 pewnemu opisowi tej rzeczy. Korzystaj\u0105c z podpowiedzi tekstowych na ka\u017cdym etapie odszumiania mechanizm m\u00f3wi generatorowi \u201cw nast\u0119pnym kroku obraz powinien wygl\u0105da\u0107 bardziej w taki konkretny spos\u00f3b, kontynuuj odszumianie\u201d (Zhao, 2023).<\/span>\u00a0<\/span><\/p>\n

Opisanie procesu generacji id\u0105c od danych wej\u015bciowych do wyj\u015bciowych da nam wi\u0119ksz\u0105 przejrzysto\u015b\u0107. Stable Diffusion oferuje mo\u017cliwo\u015b\u0107 zamiany tekstu na obraz, gdzie u\u017cytkownik opisuje obraz, kt\u00f3ry ma zosta\u0107 wygenerowany przez model. W tym celu podaje tekstowe prompty. Po naci\u015bni\u0119ciu przycisku \u2018generuj\u2019 koder tekstu t\u0142umaczy tekst wej\u015bciowy u\u017cytkownika na wektory i liczby o pewnych wagach, kt\u00f3re model dopasowuje do innych wektor\u00f3w i liczb reprezentuj\u0105cych opisy obrazk\u00f3w, na kt\u00f3rych model zosta\u0142 wytrenowany (Zhang, 2015). U\u017cytkownik mo\u017ce na przyk\u0142ad poda\u0107 prompt \u2018lizard wizard\u2019, kt\u00f3ry zostanie przetworzony na wektory i liczby reprezentuj\u0105ce s\u0142owa \u2018lizard\u2019 i \u2018wizard\u2019. B\u0119d\u0105 one mia\u0142y ponadto pewne wagi, np. \u2018wizard\u2019 = 65, a \u2018lizard\u2019 = 630. Model wyszuka wszystkie powi\u0105zane z tymi okre\u015bleniami \u2018obrazy\u2019, a raczej uzyskane na podstawie uczenia si\u0119 na nich reprezentacje poj\u0119\u0107, aby u\u017cy\u0107 ich do wygenerowania obrazu wyj\u015bciowego. Na ka\u017cdym etapie odszumiania okre\u015blenia \u2018wizard\u2019 i \u2018lizard\u2019, kt\u00f3re odpowiadaj\u0105 pewnym danym w bazie danych generatora, okre\u015blaj\u0105 spos\u00f3b redukcji szumu w 'obrazie’, natomiast waga okre\u015bla si\u0142\u0119 tej redukcji. Pami\u0119tajmy jednak, \u017ce s\u0142owa \u2018obraz\u2019 nie powinni\u015bmy tutaj rozumie\u0107 jako informacji w przestrzeni pikselowej, a raczej zestaw semantycznych, wymiarowych wektor\u00f3w, kt\u00f3re reprezentuj\u0105 s\u0142owa oraz ich powi\u0105zania mi\u0119dzy sob\u0105 – r\u00f3\u017cne konteksty. Po odszumieniu obrazu dane wyj\u015bciowe s\u0105 nast\u0119pnie t\u0142umaczone z powrotem na przestrze\u0144 pikseli, aby mog\u0142y je zobaczy\u0107 ludzkie oczy. <\/span>\u00a0<\/span><\/p>\n

\"\" \"\" \"\"<\/p>\n

Sk\u0105d model Stable Diffusion wie jednak, jak odejmowa\u0107 szum w reakcji na prompty? Ot\u00f3\u017c musia\u0142 on wcze\u015bniej mie\u0107 okazj\u0119 ogl\u0105dn\u0105\u0107 odpowiednio du\u017co par obraz \u2013 opis obrazu<\/span>, dzi\u0119ki czemu ukonstytuowa\u0142 swoj\u0105 wiedz\u0119 na temat tego, jak konkretny opis tekstowy koresponduje z <\/span>informacjami buduj\u0105cymi obrazy, a wi\u0119c – z ich zawarto\u015bciami. <\/span>Stable Diffusion zosta\u0142 przeszkolony na miliardach par tekst-obraz z LAION, „organizacji non-profit, kt\u00f3ra zapewnia zbiory danych, narz\u0119dzia i modele w celu uwolnienia bada\u0144 nad uczeniem maszynowym” (LAION, 2023). LAION posiada bazy danych licz\u0105ce miliardy link\u00f3w do obraz\u00f3w oraz powi\u0105zane z nimi metadane w postaci tag\u00f3w, kt\u00f3re opisuj\u0105 zawarto\u015b\u0107 obraz\u00f3w. <\/span>Stability AI pobra\u0142o obrazy spod podanych link\u00f3w i wykorzysta\u0142o je do wytrenowania swojego modelu generatywnego.<\/span> <\/span>\u00a0<\/span><\/p>\n

 <\/p>\n

Kontrowersje prawno-etyczne <\/b>\u00a0<\/span><\/p>\n

Nie ulega w\u0105tpliwo\u015bci, \u017ce wiele obraz\u00f3w zawartych w zbiorze danych jest chronionych prawami autorskimi i pobranych ze stron internetowych bez pozwolenia. Jest jednak ma\u0142o prawdopodobne, by sam zbi\u00f3r danych zosta\u0142 uznany za naruszenie praw autorskich w\u0142a\u015bcicieli obraz\u00f3w. Po pierwsze, status non-profit LAION i deklarowany cel promowania bada\u0144 nad sztuczn\u0105 inteligencj\u0105 wchodz\u0105 w zakres dozwolonego u\u017cytku (Cantrill i Newman, 2023). <\/span>Po drugie, zbiory danych LAION to jedynie indeksy internetowe, tj. listy adres\u00f3w URL do oryginalnych obraz\u00f3w wraz z tekstami\u00a0powi\u0105zanymi z tymi obrazami” (LAION, 2022). To wyt\u0142umaczenie mo\u017ce czyni\u0107 z bazy danych LAION co\u015b na kszta\u0142t \u2018kroniki faktograficznej\u2019, w takim samym sensie, w jakim za takow\u0105 mog\u0105 zosta\u0107 uznane indeks wyszukiwarki czy ksi\u0105\u017cka telefoniczna (Grimmelman, 2023). Sam <\/span>web scraping<\/span><\/i>, proces gromadzenia publicznie dost\u0119pnych informacji z internetu, raczej nie budzi kontrowersji. Jest on prawnie dozwolony przez zasady <\/span>fair use<\/span><\/i>; nie stanowi nieautoryzowanego dzie\u0142a pochodnego, a jedynie gromadzi informacji <\/span>o <\/span><\/b>dzie\u0142ach. <\/span>Mo\u017cliwe jednak, \u017ce to Stability AI zostanie uznana za odpowiedzialn\u0105 za przyczynienie si\u0119 do naruszenia praw autorskich lub nak\u0142anianie do ich naruszenia, bior\u0105c pod uwag\u0119, \u017ce ich model Stable Diffusion zosta\u0142 udost\u0119pniony publicznie na mocy licencji Creative ML OpenRAIL-M<\/span> umo\u017cliwiaj\u0105cej komercyjne i niekomercyjne wykorzystanie (Stability AI, 2022). To otworzy\u0142o drzwi firmom takim jak Midjourney do zarabiania na modelu. Stability AI r\u00f3wnie\u017c czerpie zyski ze swojego modelu w swojej aplikacji DreamStudio (Saveri et. al, 2023). Poniewa\u017c model Stable Diffusion stanowi podstaw\u0119 setek komercyjnych aplikacji, traci on ochron\u0119 dozwolonego u\u017cytku przyznan\u0105 celom badawczym. Patrz\u0105c ze \u015bci\u015ble prawnego punktu widzenia opartego o aktualne regulacje, Stable Diffusion naruszy\u0142o prawa autorskie nie ograniczaj\u0105c wykorzystania modelu jedynie do u\u017cytku niekomercyjnego. <\/span>\u00a0<\/span><\/p>\n

W skardze prawnej przeciwko Stable Diffusion powodowie twierdz\u0105, \u017ce generacje modelu s\u0105 w rzeczywisto\u015bci nieautoryzowanymi dzie\u0142ami pochodnymi opartymi na obrazach w zestawie danych szkoleniowych (Saveri, 2023). Posiadacze praw autorskich maj\u0105 wy\u0142\u0105czne prawa do tworzenia dzie\u0142 pochodnych, wyra\u017ce\u0144 opartych na dziele chronionym prawem autorskim z istotnymi zmianami. Mog\u0105 one obejmowa\u0107 translacje, alternatywne aran\u017cacje muzyczne, rysunki oparte na fotografiach i inne. Musz\u0105 one wymienia\u0107 oryginalnego autora, ale te\u017c, aby zosta\u0107 uznanymi za \u2018pochodne\u2019 w prawnym rozumieniu tego s\u0142owa, wykorzystywa\u0107 <\/span>istotn\u0105 <\/span><\/b>cz\u0119\u015b\u0107 istniej\u0105cego wcze\u015bniej utworu. Ponadto s\u0105dy cz\u0119sto orzeka\u0142y, \u017ce aby postrzega\u0107 utw\u00f3r jako pochodny musi by\u0107 mo\u017cliwym zidentyfikowanie utworu oryginalnego (Grimmelmann, 2023). <\/span> Dzie\u0142a pochodne musz\u0105 dzieli\u0107 z oryginalnym dzie\u0142em identyfikowalne podobie\u0144stwa. Podczas procesu dyfuzji model pobiera obraz z zestawu treningowego i dodaje do niego szum, a\u017c stanie si\u0119 nierozpoznawalny. Poprzez odwrotn\u0105 dyfuzj\u0119 model czerpie „inspiracj\u0119” z innych istniej\u0105cych obraz\u00f3w w zestawie szkoleniowym, aby utworzy\u0107 obraz wyj\u015bciowy. W sensie technicznym obraz wyj\u015bciowy rzeczywi\u015bcie jest pochodny wzgl\u0119dem obrazu lub obraz\u00f3w treningowych (Zhao, 2023). Pochodno\u015b\u0107 w tym technicznym sensie nie jest okre\u015bleniem o tym samym znaczeniu, co pochodno\u015b\u0107 w prawnym terminie \u2018dzie\u0142a pochodnego\u2019. W przypadku wi\u0119kszo\u015bci generacji Stable Diffusion nikt nie by\u0142by w stanie zidentyfikowa\u0107 oryginalnych obraz\u00f3w, na podstawie kt\u00f3rych powsta\u0142y te generacje. Mo\u017cliwym tak\u017ce jest, \u017ce dwa r\u00f3\u017cne obrazy pocz\u0105tkowe stworzone przez r\u00f3\u017cnych artyst\u00f3w mog\u0105 da\u0107 niemal identyczny rezultat. Niedawne badanie pokazuje tak\u017ce, \u017ce jest niezwykle ma\u0142o prawdopodobne, aby model odtworzy\u0142 wizualn\u0105 kopi\u0119 obrazu treningowego (Carlini et. al, 2023). Bior\u0105c to pod uwag\u0119, przysz\u0142y s\u0105d prawdopodobnie uzna\u0142by, \u017ce wyniki Stable Diffusion reprezentuj\u0105 dzie\u0142a <\/span>transformacyjne<\/span><\/b>, stanowi\u0105ce dozwolony u\u017cytek orygina\u0142\u00f3w. Jednak pomimo tych fakt\u00f3w, przysz\u0142y s\u0105d mo\u017ce by\u0107 przychylny argumentowi zwracaj\u0105cemu uwag\u0119 na chaotyczny wp\u0142yw Stable Diffusion na rynek pracy, a w szczeg\u00f3lno\u015bci tw\u00f3rc\u00f3w wizualnych, kt\u00f3rych prace zosta\u0142y wykorzystane do szkolenia modelu. Innymi s\u0142owy pomimo tego, \u017ce Stable Diffusion mo\u017ce zosta\u0107 uznane jako maj\u0105ce charakter transformacyjny, mo\u017cliwym jest pogl\u0105d, i\u017c przyczynia si\u0119 do zjawiska spo\u0142ecznie negatywnego i musi zosta\u0107 ograniczone. Jego generacje s\u0105 wszak\u017ce istotnymi substytutami orygina\u0142\u00f3w i s\u0105 wysoce konkurencyjne na rynku. Pozostawiam otwartym pytanie, czy powinni\u015bmy ten fakt traktowa\u0107 jak neutralne zdarzenie w biegu historii, czy te\u017c powinni\u015bmy je traktowa\u0107 jako przes\u0142ank\u0119 dla ograniczenia narz\u0119dzi opartych o sztuczn\u0105 inteligencj\u0119. <\/span>\u00a0<\/span><\/p>\n

 <\/p>\n

Analiza kwestionariusza<\/strong><\/span><\/p>\n

Na potrzeby referatu przygotowa\u0142em kwestionariusz maj\u0105cy na celu zbadanie nastroj\u00f3w spo\u0142ecznych w stosunku do narz\u0119dzi opartych o sztuczn\u0105 inteligencj\u0119.<\/span> Ankieta by\u0142a kierowana do os\u00f3b w wieku od 18 do oko\u0142o 30 lat, kt\u00f3re uko\u0144czy\u0142y szko\u0142\u0119 \u015bredni\u0105. <\/span><\/span>\u00a0<\/span><\/p>\n

Kwestionariusz<\/strong>: Opinia o wp\u0142ywie SI na spo\u0142ecze\u0144stwo<\/a><\/p>\n

Wyniki ankiety<\/strong>: odpowiedzi na pytania<\/a><\/p>\n

 <\/p>\n

W ankiecie wzi\u0119\u0142o udzia\u0142 71 os\u00f3b<\/span> w wieku \u015brednio 22 lat. <\/span><\/span>\u00a035 z nich to kobiety, a 31 to m\u0119\u017cczy\u017ani. Pojawi\u0142y si\u0119 4 osoby niebinarne.<\/span><\/p>\n

59 (83%) ankietowanych aktualnie studiuje, 5 uko\u0144czy\u0142o studia<\/span> i aktualnie ich nie kontynuuje. <\/span><\/span>Ankieta trafi\u0142a do przedstawicieli licznych kierunk\u00f3w \u015bcis\u0142ych, interdyscyplinarnych, spo\u0142eczno-humanistycznych oraz maj\u0105cych zwi\u0105zek z tw\u00f3rczo\u015bci\u0105. Liczn\u0105 reprezentacj\u0105 cieszy\u0142y si\u0119 kierunki Biotechnologii, <\/span>In\u017cynierii Wzornictwa Przemys\u0142owego, Informatyki Spo\u0142ecznej<\/span>, <\/span>Projektowania Graficznego<\/span> i Informatyki Stosowanej<\/span>. <\/span>W drugiej kolejno\u015bci nieznacznie wi\u0119ksz\u0105 reprezentacj\u0119 od pozosta\u0142ych kierunk\u00f3w mia\u0142a Filozofia. Moje <\/span><\/span>spostrze\u017cenia odno\u015bnie og\u00f3\u0142u badanych s\u0105 nast\u0119puj\u0105ce:<\/p>\n