GPT-4o: นิยามใหม่ของการสร้างภาพด้วย AI

ภูมิทัศน์ของปัญญาประดิษฐ์ยังคงเปลี่ยนแปลงอย่างไม่หยุดยั้ง และไม่มีที่ใดที่จะเห็นภาพได้ชัดเจนไปกว่าในขอบเขตของการสร้างภาพ เป็นเวลาราวหนึ่งปีแล้วที่โมเดล GPT-4o ของ OpenAI ได้เรียนรู้ ปรับตัว และพัฒนาอย่างต่อเนื่อง บัดนี้ ได้เปิดตัวการปรับปรุงที่สำคัญในคลังความสามารถของตน: ความสามารถในการสร้างภาพที่ซับซ้อน นี่ไม่ใช่เพียงแค่การเสกพิกเซลจากคำสั่งเท่านั้น แต่เป็นการมีส่วนร่วมในบทสนทนาที่สร้างสรรค์ ช่วยให้ผู้ใช้สามารถปั้นแต่งแนวคิดทางภาพของตนด้วยความแตกต่างและการควบคุมที่ไม่เคยมีมาก่อนผ่านภาษาธรรมชาติ ลองจินตนาการถึงการสั่งงานศิลปินดิจิทัลทีละขั้นตอน ปรับแต่งรายละเอียด เพิ่มองค์ประกอบ และเปลี่ยนสไตล์ จนกระทั่งภาพบนหน้าจอสะท้อนแนวคิดในใจของคุณได้อย่างสมบูรณ์แบบ กระบวนการโต้ตอบและทำซ้ำนี้ถือเป็นก้าวกระโดดที่สำคัญ

แนวทางการสร้างสรรค์ภาพด้วยการสนทนา

วิธีการสร้างภาพด้วย AI แบบดั้งเดิมมักให้ความรู้สึกเหมือนการร่ายมนตร์ – การสร้างพรอมต์ข้อความที่ซับซ้อนอย่างระมัดระวังและหวังว่าเทพยากรณ์ดิจิทัลจะตีความได้อย่างถูกต้อง หากผลลัพธ์ไม่ถูกต้องนัก กระบวนการมักจะเกี่ยวข้องกับการปรับแต่งคาถาเดิม การเพิ่มพรอมต์เชิงลบ หรือการปรับพารามิเตอร์ที่ลึกลับ แน่นอนว่ามันทรงพลัง แต่บ่อยครั้งที่ขาดกระบวนการทำงานร่วมกันที่ใช้งานง่ายเหมือนมนุษย์

GPT-4o นำเสนอการเปลี่ยนแปลงกระบวนทัศน์ โดยมุ่งสู่กระบวนการทำงานที่เน้นการสนทนาและทำซ้ำมากขึ้น การเดินทางเริ่มต้นอย่างง่ายดาย: คุณขอภาพเริ่มต้นตามแนวคิด จากนั้น ความมหัศจรรย์ที่แท้จริงก็เผยออกมา แทนที่จะเริ่มต้นใหม่หรือต่อสู้กับพรอมต์เริ่มต้น คุณจะมีส่วนร่วมในบทสนทนากับ AI “ทำให้ทรงกลมเป็นสีแดง” คุณอาจพูด “ตอนนี้ คุณช่วยเพิ่มกลีบให้มันเหมือนดอกกุหลาบได้ไหม” “เปลี่ยนพื้นหลังเป็นสีฟ้าอ่อน” แต่ละคำสั่งจะต่อยอดจากสถานะก่อนหน้า ทำให้สามารถปรับแต่งได้อย่างต่อเนื่อง การโต้ตอบไปมานี้สะท้อนให้เห็นว่าคนเราอาจทำงานร่วมกับนักออกแบบที่เป็นมนุษย์อย่างไร โดยให้ข้อเสนอแนะและปรับเปลี่ยนทีละน้อย

พิจารณาตัวอย่างที่ OpenAI นำเสนอ ซึ่งแสดงให้เห็นกระบวนการที่ไม่หยุดนิ่งนี้ ภาพอาจเริ่มต้นเป็นรูปทรงเรขาคณิตธรรมดา และผ่านชุดคำสั่งภาษาอังกฤษธรรมดาๆ ก็เปลี่ยนเป็นดอกไม้ที่ซับซ้อนหรือวัตถุที่ซับซ้อนอื่นๆ วิธีนี้ทำให้การสร้างภาพเป็นประชาธิปไตย ทำให้การจัดการที่ซับซ้อนเข้าถึงได้แม้กระทั่งผู้ที่ไม่คุ้นเคยกับความซับซ้อนของวิศวกรรมพรอมต์ มันลดอุปสรรคในการเข้าถึง เปลี่ยนกระบวนการจากความท้าทายทางเทคนิคเป็นการสำรวจความคิดสร้างสรรค์ที่ใช้งานง่าย แม้ว่า OpenAI จะยอมรับอย่างตรงไปตรงมาว่าการบรรลุผลลัพธ์ที่ต้องการบางครั้งต้องใช้ความพยายามหลายครั้ง – โดยยอมรับว่าภาพที่จัดแสดงอาจเป็น ‘ภาพที่ดีที่สุดจาก 2 ภาพ’ หรือแม้แต่ ‘ภาพที่ดีที่สุดจาก 8 ภาพ’ – ความสามารถพื้นฐานแสดงถึงการปรับปรุงที่สำคัญในประสบการณ์ผู้ใช้และความยืดหยุ่น อินเทอร์เฟซเองให้ความสำคัญกับความเรียบง่าย โดยเน้นที่การสนทนามากกว่าแดชบอร์ดการควบคุมที่ซับซ้อน

พิชิตปริศนาข้อความ

หนึ่งในข้อจำกัดที่คงอยู่และมักน่าหงุดหงิดที่สุดของเครื่องมือสร้างภาพ AI รุ่นก่อนๆ คือการต่อสู้กับการแสดงผลข้อความที่สอดคล้องกัน ขอภาพป้ายที่เขียนว่า ‘Open for Business’ แล้วคุณอาจได้รับป้ายที่แสดงสัญลักษณ์ลึกลับ รูปแบบตัวอักษรที่บิดเบี้ยว หรือข้อความที่ไร้สาระโดยสิ้นเชิง อย่างดีที่สุด ข้อความอาจคล้ายกับตัวอักษรแต่สะกดคำที่ไม่มีความหมาย ข้อจำกัดนี้ขัดขวางการประยุกต์ใช้การสร้างภาพ AI ในทางปฏิบัติอย่างรุนแรงสำหรับงานที่เกี่ยวข้องกับการสร้างแบรนด์ การจำลอง หรือการสื่อสารด้วยภาพใดๆ ที่ต้องใช้คำที่อ่านออกได้

GPT-4o แสดงให้เห็นถึงการจัดการกับความท้าทายนี้อย่างตรงไปตรงมา มันแสดงความสามารถที่ดีขึ้นอย่างมากในการสร้างภาพที่มีข้อความที่ชัดเจน ถูกต้อง และเหมาะสมตามบริบท ลองนึกภาพการขอโปสเตอร์สไตล์วินเทจที่โฆษณาคอนเสิร์ตสมมติ – GPT-4o สามารถแสดงชื่อวง วันที่ และสถานที่ได้อย่างแม่นยำน่าทึ่ง ความก้าวหน้านี้ไม่ใช่แค่เรื่องความสวยงามเท่านั้น มันปลดล็อกความเป็นไปได้มากมาย นักออกแบบสามารถสร้างต้นแบบโลโก้และเลย์เอาต์ได้อย่างมีประสิทธิภาพมากขึ้น นักการตลาดสามารถสร้างโฆษณาที่มีสโลแกนเฉพาะเจาะจง และนักการศึกษาสามารถสร้างสื่อการสอนที่ผสานข้อความและภาพเข้าด้วยกันได้อย่างลงตัว

ความสามารถในการแสดงผลข้อความอย่างถูกต้องบ่งบอกถึงระดับความเข้าใจที่ลึกซึ้งยิ่งขึ้นภายในโมเดล – การบูรณาการความหมายเชิงความหมายเข้ากับการแสดงภาพ มันไม่ใช่แค่การจดจำรูปร่างและสีอีกต่อไป แต่เป็นการทำความเข้าใจเกี่ยวกับการสะกดคำ การพิมพ์ และความสัมพันธ์ระหว่างคำกับวัตถุที่อธิบายหรือประดับ แม้ว่าความท้าทายอาจยังคงมีอยู่ โดยเฉพาะอย่างยิ่งกับเลย์เอาต์ที่ซับซ้อนหรือสคริปต์ที่ไม่ค่อยพบบ่อย ความคืบหน้าที่แสดงให้เห็นนี้ถือเป็นก้าวสำคัญสู่ AI ที่สามารถสร้างภาพที่ครอบคลุมและสื่อสารได้อย่างแท้จริง

นอกเหนือจากการสร้าง: การปรับเปลี่ยนและการบูรณาการ

ศักยภาพในการสร้างสรรค์ของ GPT-4o ขยายไปไกลกว่าการสร้างภาพจากพรอมต์ข้อความเพียงอย่างเดียว มันครอบคลุมถึงการปรับเปลี่ยนและการบูรณาการ ทำให้ผู้ใช้สามารถนำสินทรัพย์ทางภาพของตนเองเข้ามาในกระบวนการสร้างสรรค์ได้ คุณลักษณะนี้เปลี่ยน AI จากเครื่องกำเนิดไฟฟ้าให้กลายเป็นผู้ทำงานร่วมกันที่หลากหลายและเครื่องมือจัดการดิจิทัล

ลองนึกภาพว่าคุณมีรูปถ่าย – อาจจะเป็นรูปแมวสัตว์เลี้ยงของคุณ คุณสามารถอัปโหลดภาพนี้และสั่งให้ GPT-4o แก้ไขได้ “ใส่หมวกนักสืบและแว่นตาข้างเดียวให้แมว” คุณอาจร้องขอ AI ไม่เพียงแค่วางองค์ประกอบเหล่านี้อย่างหยาบๆ เท่านั้น แต่ยังพยายามผสานรวมองค์ประกอบเหล่านี้อย่างเป็นธรรมชาติ ปรับแสง มุมมอง และสไตล์ให้เข้ากับภาพต้นฉบับ กระบวนการไม่จำเป็นต้องหยุดเพียงแค่นั้น คำแนะนำเพิ่มเติมสามารถปรับแต่งภาพได้: “เปลี่ยนพื้นหลังเป็นสำนักงานสไตล์นัวร์ที่มีแสงสลัว” “เพิ่มแว่นขยายใกล้ๆ อุ้งเท้าของมัน” ทีละขั้นตอน ภาพถ่ายธรรมดาสามารถเปลี่ยนเป็นแนวคิดตัวละครที่มีสไตล์ หรือแม้แต่ภาพหน้าจอจำลองสำหรับวิดีโอเกมที่อาจเกิดขึ้น ดังที่แสดงในตัวอย่างของ OpenAI

นอกจากนี้ GPT-4o ไม่ได้จำกัดอยู่แค่การทำงานกับภาพต้นฉบับเพียงภาพเดียว มันมีความสามารถในการสังเคราะห์องค์ประกอบจากหลายภาพให้เป็นผลลัพธ์สุดท้ายที่สอดคล้องกัน คุณอาจสามารถให้ภาพถ่ายทิวทัศน์ ภาพบุคคล และภาพของวัตถุเฉพาะ โดยสั่งให้ AI รวมเข้าด้วยกันในลักษณะเฉพาะ – การวางบุคคลภายในทิวทัศน์ ถือวัตถุ ทั้งหมดนี้ในขณะที่ยังคงรักษาสไตล์ศิลปะที่สอดคล้องกัน ความสามารถในการจัดองค์ประกอบนี้เปิดกระบวนการทำงานสร้างสรรค์ที่ซับซ้อน ทำให้สามารถผสมผสานความเป็นจริงที่แตกต่างกันหรือสร้างฉากใหม่ทั้งหมดโดยอิงจากอินพุตภาพที่หลากหลาย มันก้าวข้ามการถ่ายโอนสไตล์อย่างง่ายไปสู่การบูรณาการเชิงความหมายที่แท้จริงขององค์ประกอบภาพ

การจัดการความซับซ้อน: ความท้าทายของวัตถุหลายชิ้น

การสร้างฉากที่น่าเชื่อถือหรือซับซ้อนมักต้องจัดการองค์ประกอบจำนวนมากพร้อมกัน โมเดล AI รุ่นแรกๆ มักสะดุดเมื่อได้รับมอบหมายให้จัดการวัตถุที่แตกต่างกันมากกว่าสองสามชิ้นภายในภาพเดียว ความสัมพันธ์ระหว่างวัตถุ ตำแหน่งสัมพัทธ์ ปฏิสัมพันธ์ และการรักษาความสอดคล้องทั่วทั้งฉากพิสูจน์แล้วว่าต้องใช้การคำนวณสูง OpenAI ยืนยันว่า GPT-4o แสดงถึงความก้าวหน้าที่สำคัญในด้านนี้ โดยแสดงให้เห็นถึงความเชี่ยวชาญในการจัดการฉากที่มีความซับซ้อนมากขึ้นอย่างมาก

ตามข้อมูลของบริษัท ในขณะที่โมเดลก่อนหน้านี้อาจจัดการวัตถุที่แตกต่างกันได้อย่างน่าเชื่อถือเพียง 5 ถึง 8 ชิ้นก่อนที่จะประสบปัญหา เช่น การหลอมรวมวัตถุ การวางตำแหน่งที่ไม่ถูกต้อง หรือการละเว้นส่วนต่างๆ ของพรอมต์ แต่ GPT-4o มีความเชี่ยวชาญในการจัดการฉากที่มีวัตถุที่แตกต่างกัน 10 ถึง 20 ชิ้น ความสามารถที่เพิ่มขึ้นนี้มีความสำคัญอย่างยิ่งต่อการสร้างภาพที่สมบูรณ์ขึ้น มีรายละเอียดมากขึ้น และมีไดนามิกมากขึ้น พิจารณาความเป็นไปได้:

• ภาพประกอบโดยละเอียด: การสร้างภาพประกอบสำหรับเรื่องราวหรือบทความที่เกี่ยวข้องกับตัวละครหลายตัวที่มีปฏิสัมพันธ์กันในฉากเฉพาะ
• การจำลองผลิตภัณฑ์: การสร้างภาพชั้นวางสินค้าในร้านค้าที่เต็มไปด้วยผลิตภัณฑ์ต่างๆ หรืออินเทอร์เฟซแดชบอร์ดที่ซับซ้อน
• การสร้างภาพสถาปัตยกรรม: การเรนเดอร์การออกแบบภายในพร้อมเฟอร์นิเจอร์ ของตกแต่ง และองค์ประกอบแสงที่วางไว้อย่างถูกต้อง
• การสร้างต้นแบบสภาพแวดล้อมในเกม: การสร้างภาพระดับหรือฉากที่ซับซ้อนซึ่งเต็มไปด้วยแอสเซทจำนวนมากอย่างรวดเร็ว

ความสามารถในการปฏิบัติตามคำแนะนำโดยละเอียดที่เกี่ยวข้องกับชุดองค์ประกอบที่ใหญ่ขึ้นโดยไม่ ‘สะดุด’ ดังที่ OpenAI กล่าวไว้ บ่งบอกถึงความเข้าใจเชิงพื้นที่และความสัมพันธ์ที่แข็งแกร่งยิ่งขึ้นภายในโมเดล ช่วยให้พรอมต์สามารถระบุได้ไม่เพียงแค่การมีอยู่ของวัตถุเท่านั้น แต่ยังรวมถึงการจัดเรียง ปฏิสัมพันธ์ และสถานะของวัตถุเหล่านั้นด้วย ซึ่งนำไปสู่ภาพที่สอดคล้องกับเจตนาที่ซับซ้อนของผู้ใช้มากขึ้น แม้ว่าการผลักดันให้เกินเกณฑ์ 20 วัตถุอาจยังคงเป็นความท้าทาย แต่ความสามารถในปัจจุบันถือเป็นการปรับปรุงที่สำคัญในความสามารถของ AI ในการแสดงผลเรื่องราวทางภาพที่ซับซ้อน

การยอมรับความไม่สมบูรณ์: ความซื่อสัตย์และการพัฒนาอย่างต่อเนื่อง

แม้จะมีความก้าวหน้าที่น่าประทับใจ OpenAI ยังคงรักษาจุดยืนที่โปร่งใสเกี่ยวกับข้อจำกัดในปัจจุบันของ GPT-4o ความสมบูรณ์แบบในการสร้างภาพด้วย AI ยังคงเป็นเป้าหมายที่ยากจะบรรลุ และการยอมรับข้อบกพร่องที่มีอยู่เป็นสิ่งสำคัญสำหรับการตั้งความคาดหวังที่เป็นจริงและชี้นำการพัฒนาในอนาคต มีหลายด้านที่ถูกเน้นย้ำซึ่งโมเดลยังคงสามารถผิดพลาดได้:

• ปัญหาการครอบตัด: ในบางครั้ง ภาพที่สร้างขึ้นอาจประสบปัญหาการครอบตัดที่ไม่เหมาะสม โดยเฉพาะที่ขอบด้านล่าง ซึ่งตัดส่วนสำคัญของฉากหรือวัตถุออกไป สิ่งนี้ชี้ให้เห็นถึงความท้าทายอย่างต่อเนื่องเกี่ยวกับการจัดองค์ประกอบและการวางกรอบ
• ภาพหลอน (Hallucinations): เช่นเดียวกับโมเดล AI เชิงสร้างสรรค์จำนวนมาก GPT-4o ไม่ได้มีภูมิคุ้มกันต่อ ‘ภาพหลอน’ – การสร้างองค์ประกอบที่แปลกประหลาด ไร้สาระ หรือไม่ได้ตั้งใจภายในภาพซึ่งไม่ได้อยู่ในพรอมต์ สิ่งแปลกปลอมเหล่านี้อาจมีตั้งแต่รายละเอียดที่แปลกประหลาดเล็กน้อยไปจนถึงส่วนเพิ่มเติมที่เหนือจริงอย่างเห็นได้ชัด
• ข้อจำกัดของวัตถุ: แม้ว่าจะได้รับการปรับปรุงอย่างมีนัยสำคัญ การจัดการฉากที่มีความหนาแน่นของวัตถุสูงมาก (เกินช่วง 10-20 ที่ระบุไว้) ยังคงเป็นเรื่องยุ่งยาก ซึ่งอาจนำไปสู่ข้อผิดพลาดในการแสดงผลหรือการวางตำแหน่งวัตถุ
• ข้อความที่ไม่ใช่ภาษาละติน: ความสามารถในการแสดงผลข้อความที่น่าประทับใจดูเหมือนจะน่าเชื่อถือที่สุดกับตัวอักษรที่ใช้ภาษาละติน การสร้างข้อความที่ถูกต้องและเหมาะสมตามสไตล์ในสคริปต์อื่นๆ (เช่น ซีริลลิก, ฮันจื้อ, อาหรับ) จำเป็นต้องมีการปรับปรุงเพิ่มเติม
• ความแตกต่างที่ละเอียดอ่อน: การจับภาพความแตกต่างที่ละเอียดอ่อนอย่างยิ่งของกายวิภาคของมนุษย์ ปฏิสัมพันธ์ทางกายภาพที่ซับซ้อน หรือสไตล์ศิลปะที่เฉพาะเจาะจงมากยังคงเป็นเรื่องท้าทาย

ความเต็มใจของ OpenAI ที่จะหารือเกี่ยวกับข้อจำกัดเหล่านี้อย่างเปิดเผยเป็นสิ่งที่น่าชื่นชม มันเน้นย้ำว่า GPT-4o แม้จะทรงพลัง แต่ก็เป็นเครื่องมือที่ยังอยู่ภายใต้การพัฒนาอย่างแข็งขัน ความไม่สมบูรณ์เหล่านี้แสดงถึงพรมแดนปัจจุบันของการวิจัย – พื้นที่ที่อัลกอริทึมต้องการการปรับปรุง ข้อมูลการฝึกอบรมต้องการการปรับปรุง และสถาปัตยกรรมพื้นฐานต้องการวิวัฒนาการ ผู้ใช้ควรเข้าถึงเครื่องมือด้วยความเข้าใจในความสามารถและขอบเขตปัจจุบัน ใช้ประโยชน์จากจุดแข็งในขณะที่คำนึงถึงความไม่สอดคล้องหรือข้อผิดพลาดที่อาจเกิดขึ้น การเดินทางสู่การสร้างภาพด้วย AI ที่ราบรื่นและไร้ที่ติยังคงดำเนินต่อไป และ GPT-4o ถือเป็นก้าวสำคัญ แม้ว่าจะยังไม่สมบูรณ์ บนเส้นทางนั้น ลักษณะการพัฒนาซ้ำๆ ของมันชี้ให้เห็นว่าข้อจำกัดเหล่านี้จำนวนมากมีแนวโน้มที่จะได้รับการแก้ไขในการอัปเดตในอนาคต ซึ่งจะขยายขอบเขตความคิดสร้างสรรค์ของปัญญาประดิษฐ์ต่อไป