Phần lớn công cụ tạo ảnh từ chữ hiện nay dùng một cách làm gọi là mô hình khuếch tán: máy bắt đầu từ một khung hình toàn hạt nhiễu như màn hình tivi mất sóng, rồi qua hàng chục lượt, mỗi lượt gỡ bớt một ít nhiễu theo hướng mà câu mô tả của bạn chỉ ra, cho tới khi còn lại một bức ảnh rõ nét. Máy không lục kho ảnh để cắt dán, cũng không "tưởng tượng" như người hoạ sĩ. Nó đã được luyện rất lâu cho đúng một kỹ năng: nhìn một ảnh bị làm nhiễu và đoán phần nhiễu nằm ở đâu.
Bài này giải thích nguyên lý đó bằng ví dụ đời thường, không công thức: máy học gỡ nhiễu thế nào, câu chữ của bạn điều khiển bức ảnh ra sao, vì sao cùng một câu mô tả mà mỗi lần ra một ảnh khác, và câu hỏi nhiều người thắc mắc nhất là ảnh AI có phải được ghép từ ảnh của người khác hay không. Hiểu được cơ chế này, bạn sẽ đoán trước được khá nhiều điểm mạnh và điểm yếu của ảnh AI mà không cần thuộc mẹo nào.
Ý tưởng gốc: học cách lau sạch một tấm ảnh bị làm bẩn
Hãy hình dung một trò chơi. Bạn lấy một tấm ảnh chụp con mèo, rắc lên đó một lớp hạt nhiễu mỏng, rồi đưa cho một người học việc và hỏi: phần nào là hạt bạn vừa rắc? Lần sau rắc dày hơn, rồi dày hơn nữa, cho tới khi tấm ảnh chỉ còn là một đám hạt li ti không nhận ra hình gì. Mỗi lần, người học việc phải đoán lớp nhiễu và gỡ nó đi. Lặp lại trò chơi đó với hàng trăm triệu tấm ảnh đủ loại, người học việc dần nắm được ảnh thật trông "như thế nào": lông mèo có kết cấu ra sao, bầu trời thường sáng phía trên, bóng đổ đi theo hướng nguồn sáng.
Mô hình khuếch tán được huấn luyện đúng theo cách đó. Phần "làm bẩn" là dễ, máy tự làm được bằng phép cộng nhiễu ngẫu nhiên. Phần khó, và là thứ mô hình phải học, là chiều ngược lại: nhìn một ảnh nhiễu ở mức bất kỳ và đoán lớp nhiễu đã thêm vào. Tên gọi "khuếch tán" mượn từ vật lý, như giọt mực nhỏ vào cốc nước loang dần cho tới khi đều màu. Quá trình làm nhiễu giống mực loang; mô hình học cách cho mực "tụ" ngược lại.
Điểm thú vị là khi đã học xong, ta có thể đưa cho mô hình một khung hình chỉ toàn nhiễu, không có ảnh gốc nào bên dưới cả. Mô hình vẫn làm đúng việc quen thuộc: đoán nhiễu và gỡ bớt. Vì nó đã thấm "ảnh thật trông thế nào", mỗi lượt gỡ lại đẩy khung hình về gần một bức ảnh hợp lý. Sau đủ số lượt, một bức ảnh chưa từng tồn tại hiện ra. Ý tưởng này được nhiều nhóm nghiên cứu phát triển, trở nên phổ biến từ khoảng năm 2020 và được dùng rộng rãi trong các công cụ tạo ảnh từ năm 2022.
Câu chữ của bạn điều khiển bức ảnh bằng cách nào
Nếu chỉ gỡ nhiễu tự do, mô hình sẽ cho ra một ảnh hợp lý bất kỳ, lúc là phong cảnh, lúc là gương mặt. Để ảnh đi theo câu mô tả, cần thêm một bộ phận hiểu chữ. Trong lúc huấn luyện, mỗi tấm ảnh đi kèm một dòng chú thích, thường là chú thích có sẵn trên mạng hoặc do máy viết lại. Câu chú thích được một bộ mã hoá văn bản biến thành một dãy số đại diện cho ý nghĩa, và dãy số này được đưa vào mỗi lượt gỡ nhiễu như một lời gợi ý: "ảnh này có con mèo, nằm trên bậu cửa, nắng chiều".
Qua rất nhiều cặp ảnh và chú thích, mô hình học được mối liên hệ: khi gợi ý có chữ "nắng chiều", nhiễu nên được gỡ theo hướng ra ánh vàng, bóng dài; khi có chữ "tranh màu nước", nét nên loang và mềm. Nó không hiểu chữ theo nghĩa con người hiểu, mà học được rằng những dãy số nào thường đi với những kiểu điểm ảnh nào. Một số hệ thống còn có thêm một "núm vặn" cho biết nên bám câu mô tả chặt tới đâu: vặn mạnh thì ảnh khớp chữ hơn nhưng dễ cứng và quá màu, vặn nhẹ thì ảnh tự nhiên hơn nhưng có khi lạc đề.
Cơ chế này giải thích vì sao câu mô tả dài và lộn xộn hay cho kết quả kém: những gợi ý mâu thuẫn kéo các lượt gỡ nhiễu đi những hướng khác nhau. Nó cũng giải thích vì sao các công cụ hiểu tiếng Anh tốt hơn tiếng Việt: phần lớn cặp ảnh và chú thích dùng để huấn luyện được viết bằng tiếng Anh, nên bộ mã hoá văn bản "quen" với cách diễn đạt tiếng Anh hơn. Một số công cụ dịch thầm câu tiếng Việt của bạn sang tiếng Anh trước khi vẽ; tuỳ công cụ và phiên bản, bạn nên kiểm hiện hành.
Từ câu mô tả tới bức ảnh: chuyện gì xảy ra trong mấy chục giây
Mỗi công cụ có chi tiết riêng, nhưng phần lớn đi theo trình tự chung dưới đây. Biết trình tự này giúp bạn hiểu vì sao ảnh cần thời gian và vì sao có những tuỳ chọn như số bước hay độ bám câu lệnh.
- Đọc câu mô tả. Bộ mã hoá văn bản chuyển câu chữ thành dãy số ý nghĩa. Có công cụ còn tự viết lại câu của bạn cho chi tiết hơn trước bước này.
- Gieo nhiễu. Máy tạo một khung nhiễu ngẫu nhiên. Khung này được sinh từ một con số gọi là hạt giống; cùng hạt giống và cùng thiết lập thì ra cùng khung nhiễu.
- Làm việc trên bản thu nhỏ. Để tiết kiệm sức tính, nhiều hệ thống không gỡ nhiễu trên ảnh đầy đủ mà trên một bản "nén ý nghĩa" nhỏ hơn nhiều lần, gọi là không gian ẩn. Cách làm này được công bố trong nghiên cứu về khuếch tán trên không gian ẩn và là lý do các mô hình chạy được trên máy thường.
- Gỡ nhiễu nhiều lượt. Mỗi lượt, mô hình nhìn khung hiện tại cùng gợi ý từ câu chữ, đoán phần nhiễu và trừ bớt. Những lượt đầu định bố cục lớn: đâu là trời, đâu là người. Những lượt sau mới tới chi tiết như sợi tóc, vân gỗ.
- Giải nén thành ảnh. Khi bản thu nhỏ đã sạch, một bộ giải mã phóng nó trở lại thành ảnh có đủ điểm ảnh.
- Lọc và gắn nhãn. Nhiều dịch vụ chạy thêm bộ lọc nội dung, và có nơi nhúng thông tin nguồn gốc hoặc thuỷ vân ẩn vào ảnh trước khi trả cho bạn.
Vì bố cục được quyết định ở những lượt đầu, khi ảnh còn rất nhiễu, nên một chi tiết lớn bị sai từ sớm (người có ba chân, cửa sổ lơ lửng) thường không được các lượt sau sửa lại. Các lượt sau chỉ làm cho cái sai ấy trông sắc nét và thuyết phục hơn.
Vì sao cùng một câu mô tả mà mỗi lần ra một ảnh khác
Khởi điểm là nhiễu ngẫu nhiên. Mỗi lần bấm tạo, công cụ thường gieo một hạt giống mới, tức một khung nhiễu mới. Từ những đám hạt khác nhau, quá trình gỡ nhiễu đi tới những bức ảnh khác nhau, giống như cùng một người thợ nhưng mỗi khối đá có vân riêng nên tượng tạc ra không bao giờ y hệt.
Câu mô tả để trống rất nhiều thứ. Câu "một cô gái đứng dưới mưa" không nói cô mặc gì, đứng ở đâu, góc máy nào, trời sáng hay tối. Những chỗ trống đó được lấp bằng thứ phổ biến trong dữ liệu huấn luyện cộng với chút ngẫu nhiên. Đây là lý do ảnh AI không mô tả kỹ hay trông "na ná nhau": khi bạn không quyết, mô hình chọn thứ trung bình nhất.
Giữ hạt giống thì giữ được bố cục. Một số công cụ cho phép ghi lại hạt giống. Dùng lại cùng hạt giống với câu mô tả sửa nhẹ thường cho ảnh có bố cục gần giống, chỉ đổi chi tiết. Đây là hệ quả trực tiếp của cơ chế: cùng khung nhiễu ban đầu thì những lượt đầu định bố cục gần như đi cùng một đường.
Dịch vụ trực tuyến còn có thêm biến số. Phiên bản mô hình được cập nhật, câu mô tả có thể bị viết lại tự động, bộ lọc thay đổi. Vì vậy ảnh tạo hôm nay và tháng sau từ cùng một câu có thể khác nhau rõ rệt, kể cả khi bạn không đổi gì.
Ảnh AI có phải được cắt ghép từ ảnh có sẵn không
Đây là câu hỏi hay gặp nhất, và câu trả lời ngắn là: thông thường thì không ghép, nhưng cũng không hoàn toàn "từ hư không". Mô hình không mang theo kho ảnh huấn luyện bên trong. Thứ nó giữ lại là một khối tham số, hiểu nôm na là những quy luật thống kê về cách điểm ảnh sắp xếp: mắt thường nằm ngang nhau, lá cây có gân, ánh đèn đường ban đêm có quầng. Khi tạo ảnh, nó áp những quy luật đó lên khung nhiễu chứ không lấy mảnh ảnh của ai ra dán.
Tuy vậy, có những trường hợp mô hình "nhớ" quá kỹ. Khi một tấm ảnh xuất hiện rất nhiều lần trong dữ liệu, chẳng hạn một bức tranh nổi tiếng hay một ảnh quảng cáo bị đăng lại khắp nơi, mô hình có thể tái tạo nó khá sát. Một nghiên cứu năm 2023 của nhóm Carlini và cộng sự đã cho thấy có thể trích lại một số ảnh huấn luyện từ mô hình khuếch tán, dù tỉ lệ rất nhỏ so với toàn bộ dữ liệu. Ngoài ra, phong cách của một hoạ sĩ cụ thể có thể được bắt chước khá rõ nếu tranh của người đó có nhiều trong dữ liệu.
Vì thế tranh luận về bản quyền quanh ảnh AI không nằm ở chuyện "cắt dán" mà ở hai điểm khác: việc dùng ảnh và tranh của người khác để huấn luyện có cần xin phép hay trả tiền không, và ảnh tạo ra giống tác phẩm gốc tới mức nào thì thành vi phạm. Hai điểm này đang được toà án và cơ quan quản lý nhiều nước xem xét, chưa có câu trả lời thống nhất. Phần dữ liệu huấn luyện được bàn kỹ hơn ở danh mục AI học từ đâu của trang.
Khuếch tán khác những cách tạo ảnh trước đó ra sao
Khuếch tán không phải cách duy nhất để máy tạo ảnh. Trước nó, phổ biến nhất là mạng đối nghịch tạo sinh, thường gọi tắt là GAN, do Ian Goodfellow và cộng sự công bố năm 2014. Một số hệ thống khác lại vẽ ảnh theo kiểu "đoán từng mảnh tiếp theo" giống cách chatbot đoán chữ. Bảng dưới so sánh ở mức nguyên lý.
| Cách làm | Ý tưởng đời thường | Điểm mạnh | Điểm yếu thường gặp |
|---|---|---|---|
| Mạng đối nghịch (GAN) | Một bên làm giả, một bên soi giả; hai bên thi nhau giỏi lên | Tạo ảnh rất nhanh, từng cho ra gương mặt giả rất thật | Khó huấn luyện, hay chỉ giỏi một loại ảnh, kém đa dạng |
| Khuếch tán | Bắt đầu từ nhiễu, gỡ dần nhiều lượt theo gợi ý | Ảnh đa dạng, bám câu mô tả tốt, dễ mở rộng | Cần nhiều lượt nên chậm hơn và tốn sức tính hơn |
| Tạo theo từng mảnh | Chia ảnh thành mảnh nhỏ, đoán mảnh tiếp theo như đoán chữ | Kết hợp tự nhiên với mô hình ngôn ngữ, hiểu câu dài tốt | Chất lượng và tốc độ tuỳ thiết kế, chi tiết nhỏ có thể lệch |
Ranh giới giữa các cách làm ngày càng mờ: nhiều hệ thống mới kết hợp nhiều kỹ thuật, và các hãng thường không công bố đầy đủ kiến trúc. Vì vậy khi đọc tin "mô hình mới dùng kỹ thuật X", bạn nên hiểu đó là nét chính, không phải toàn bộ câu chuyện.
Hiểu nguyên lý rồi thì đoán được gì về ảnh AI
Bạn không cần nhớ thuật ngữ, chỉ cần nhớ hình ảnh "gỡ nhiễu dần theo gợi ý". Từ đó suy ra được khá nhiều điều thực tế:
- Ảnh AI giỏi những thứ có nhiều trong dữ liệu và trông "đúng" ở tổng thể, như phong cảnh, chân dung, đồ ăn; yếu ở những thứ cần đếm hoặc cần logic chặt, như số ngón tay, số bậc thang, kim đồng hồ.
- Chữ viết trong ảnh hay méo vì với mô hình, chữ chỉ là hình dạng điểm ảnh, không phải ký tự có quy tắc. Tiếng Việt có dấu còn khó hơn. Bài riêng trong danh mục này giải thích kỹ chuyện tay và chữ.
- Câu mô tả rõ về bố cục, ánh sáng, góc máy giúp nhiều hơn những từ khen như "đẹp", "chất lượng cao", vì những từ khen gần như không gắn với kiểu điểm ảnh cụ thể nào.
- Ảnh AI có thể mang định kiến của dữ liệu: nghề bác sĩ hay ra đàn ông, người Việt hay bị vẽ đội nón lá giữa ruộng. Đó là "trung bình" của dữ liệu, không phải sự thật.
- Một ảnh trông sắc nét không có nghĩa là đúng sự thật. Độ nét chỉ cho biết các lượt gỡ nhiễu đã chạy xong, không cho biết nội dung có xảy ra ngoài đời hay không.
Nếu bạn muốn học cách dùng công cụ tạo ảnh cho công việc, trang AI Hình Ảnh trong cùng hệ có hướng dẫn thao tác; ở đây chúng ta dừng ở mức hiểu vì sao máy làm được và không làm được.
Câu hỏi thường gặp
Mô hình tạo ảnh có cần mạng internet để vẽ không?
Bản thân việc gỡ nhiễu không cần internet, mô hình chỉ cần đủ sức tính. Các dịch vụ trên web thì chạy trên máy chủ của hãng nên bạn phải có mạng. Một số mô hình mở có thể chạy trên máy tính cá nhân có card đồ hoạ đủ mạnh, khi đó ảnh được tạo hoàn toàn trên máy của bạn.
Vì sao tạo ảnh lâu hơn chatbot trả lời một câu?
Mỗi bức ảnh cần hàng chục lượt gỡ nhiễu, mỗi lượt là một lần chạy toàn bộ mô hình trên cả khung hình. Chatbot cũng chạy nhiều lượt, mỗi lượt một mẩu chữ, nhưng bạn thấy chữ hiện dần nên cảm giác nhanh hơn. Các hãng đang rút ngắn số lượt bằng kỹ thuật chưng cất mô hình.
Mô hình có học thêm từ ảnh mình tạo ra không?
Mô hình đã phát hành không tự thay đổi mỗi lần bạn bấm tạo. Còn việc hãng có thu thập câu mô tả và ảnh của người dùng để huấn luyện phiên bản sau hay không thì tuỳ điều khoản từng dịch vụ và cài đặt tài khoản. Bạn nên đọc chính sách hiện hành và tránh đưa ảnh có thông tin cá nhân lên.
Ảnh AI tạo ra có hoàn toàn mới không?
Phần lớn là tổ hợp mới của những quy luật đã học, nên không trùng với ảnh cụ thể nào. Nhưng với hình rất phổ biến trong dữ liệu, như tranh nổi tiếng hay nhân vật hoạt hình quen thuộc, kết quả có thể rất giống bản gốc. Đó là lý do nhiều dịch vụ chặn câu mô tả nêu tên tác phẩm hay nhân vật có bản quyền.
Vì sao vẽ người châu Á, người Việt hay ra khuôn mẫu?
Mô hình lấp chỗ trống trong câu mô tả bằng thứ phổ biến nhất trong dữ liệu. Nếu ảnh có chú thích "người Việt" trên mạng phần lớn là ảnh du lịch nón lá, áo dài, ruộng lúa, mô hình sẽ nghiêng về những hình đó. Mô tả cụ thể bối cảnh hiện đại giúp giảm, nhưng không xoá hẳn được định kiến của dữ liệu.
Mô hình khuếch tán có dùng để làm gì khác ngoài vẽ ảnh không?
Có. Cùng ý tưởng gỡ nhiễu dần được dùng để tạo video, tạo âm thanh và nhạc, sửa một vùng trong ảnh, phóng to ảnh, và trong nghiên cứu khoa học như thiết kế cấu trúc phân tử protein. Điểm chung là bắt đầu từ ngẫu nhiên và đi dần tới một kết quả hợp lý theo điều kiện cho trước.