Článek
Představte si, že vezmete fotku a začnete do ní postupně přidávat náhodný šum. Pixel po pixelu, vrstvu za vrstvou, dokud z ní nezbude než chaotická změť bodů, připomínající sněžení na staré televizi. A teď si představte, že počítač naučíte celý proces obrátit. Dáte mu jen to „sněžení“ a přesný postup, jak z něj krok za krokem znovu složit původní fotku. Když to zopakujete milionkrát s miliony různých obrázků a jejich popisky, počítač se naučí z pouhého šumu zrekonstruovat jakýkoli obraz, o který si řeknete.
Přesně tak, ve velké zkratce, funguje takzvaný difuzní model. Právě na něm stojí Midjourney, DALL-E, Stable Diffusion a další nástroje generativní AI, které dnes od základu mění vizuální tvorbu.
Jak to tedy vypadá v praxi? Model se trénuje na obrovské databázi párových dat: obrázku a jeho textového popisu. Například „červené jablko na dřevěném stole zalité sluncem“. Díky tomu se učí, jaké vizuální prvky a zákonitosti odpovídají konkrétním slovům a frázím. Takový trénink trvá týdny až měsíce a vyžaduje stovky výkonných grafických karet.
Když má model vygenerovat nový obrázek, začne s čistým listem náhodného šumu a začne jej v desítkách či stovkách kroků postupně „čistit“. V každém kroku se na základě textového zadání rozhoduje, jak by měl vypadat o trochu méně zašuměný obraz, a provede příslušnou úpravu. Až se nakonec z chaosu pixelů vynoří konkrétní a srozumitelný výjev.
Výzkumníci z MIT v roce 2024 představili metodu, která celý tento postup dokázala stlačit do jediného kroku — model tak generuje obrázky až třicetkrát rychleji. Je to technicky fascinující, ale princip zůstává stejný: AI nehledá obraz od nuly, nýbrž ho odhaluje ze „sněhu“.
Dá se tomu říkat „tvorba“? Z filozofického hlediska je to otázka do pranice. Z technického jde o nesmírně propracovanou interpolaci vzorů z tréninkových dat. Difuzní model nikdy nevytvoří nic, co by se fundamentálně lišilo od toho, co už viděl; pouze kombinuje a přetváří naučené vzorce. Což je, mimochodem, až zneklidňujícím způsobem přesný popis toho, jak funguje i lidská kreativita. Jen pracuje s jinými vstupy a na jiném „hardwaru“.
Co to znamená pro budoucnost? Na stejném principu už dnes fungují i modely pro generování videa, jako je Sora nebo Kling. Jen místo „čištění“ jediného snímku pracují s celými sekvencemi, a musí tak hlídat i jejich časovou a prostorovou návaznost. A jak v roce 2025 popsal MIT Technology Review, tytéž matematické základy pohánějí jak generování statických obrázků, tak i pohyblivého obrazu — se všemi dopady pro mediální průmysl, které si teprve začínáme představovat.
Technologie, která začíná chaotickým šumem, tak přepisuje pravidla toho, co je možné vytvořit. A to je na tom to nejvíce fascinující.
Zdroje:
- AI Generates High-Quality Images 30x Faster in a Single Step — MIT News — MIT, vědecká instituce, výzkum zrychlení diffusion modelů
- How AI Models Generate Videos — MIT Technology Review — MIT Technology Review, přístupný výklad principu generativní AI
- Comprehensive Exploration of Diffusion Models — Springer Nature / Artificial Intelligence Review — recenzovaný přehled v prestižním vydavatelství Springer Nature
