Thí nghiệm AI Picbreeder

Trang này yêu cầu Javascript. Vui lòng bật Javascript để xem trang web. Thí nghiệm AI Picbreeder Đề cử Bài báo xuất sắc nhất, GECCO 2026. Sam Earle* NYU Kai Arulkumaran Sakana AI Andrew Dai* Độc lập Akarsh Kumar* MIT Julian Togelius NYU Sebastian Risi Sakana AI Ngày 6/7/2026 Bài báo Mã nguồn Dữ liệu *Công việc được thực hiện trong thời gian thực tập hoặc làm việc tại Sakana AI. Liệu các tác nhân AI có thể sáng tạo? Đây là câu hỏi được nhiều người quan tâm. Chắc chắn, AI là một phương tiện mới, nhưng liệu nó có thể là chủ thể tạo ra thông điệp? Chúng tôi đặt câu hỏi liệu các tác nhân mà chúng ta đang sử dụng làm công cụ có thể được tái sử dụng để tự động giao tiếp với nhau hay không. Kết quả cuối cùng sẽ là một mô hình sinh vật của quá trình sản xuất văn hóa. Chúng ta nên yêu cầu gì ở các tác nhân để biến điều này thành hiện thực? Sự căng thẳng nằm ở chỗ chúng ta không thể yêu cầu bất cứ điều gì – điều đó phải do chúng tự quyết định – nhưng các tác nhân hiện đại lại đòi hỏi chúng ta phải yêu cầu theo thiết kế. Chúng được huấn luyện, đánh giá và điều phối như những thực thể tuân thủ mục tiêu. Nhưng sự sáng tạo lại tránh xa việc lập kế hoạch, và các sản phẩm cuối cùng của quá trình văn hóa không được hình thành ngay từ đầu mà được tạo ra một cách ngẫu nhiên. Điều này không chỉ đúng với nghệ thuật mà còn đúng với toán học và khoa học, nơi việc khám phá những câu hỏi mới ít nhất cũng quan trọng như việc giải quyết chúng. Với mục đích này, chúng tôi hình dung các tác nhân có khả năng lang thang có chủ đích – các tác nhân có thể tự gây bất ngờ cho chính mình, và để đáp lại, loại bỏ các kế hoạch và định kiến của mình để theo đuổi những điều bất ngờ. (Không chỉ là một vấn đề của nghệ thuật, sự sáng tạo là một điều kiện tiên quyết cho bất kỳ nỗ lực nào nhằm tự động hóa nghiêm túc toán học hoặc khoa học, vốn không chỉ liên quan đến các giải pháp mà còn liên quan đến việc đặt ra các câu hỏi mới, bản thân chúng tuân theo một tập hợp các động lực tiềm thức hơn. Nói cách khác, các quá trình theo đuổi khoa học tập thể – khác xa với các quá trình tối ưu hóa đơn thuần đối với mục tiêu giải thích kinh nghiệm trong thế giới – bản thân chúng là những sinh vật văn hóa sáng tạo.) Để nghiên cứu xem liệu các hệ thống AI có khả năng này hay không, chúng tôi chuyển sang một nền tảng tối thiểu mà chúng tôi biết là có thể – thậm chí là cần thiết. Picbreeder là một trang web đã đạt được một lượng người theo dõi nhỏ nhưng trung thành vào những năm 2010. Ở đây, bạn có thể hình dung chúng tôi đang cố gắng hồi sinh nó bằng một thứ gì đó giống như những bóng ma cơ học của những người dùng trước đây: thay thế con người bằng các mô hình lớn được huấn luyện dựa trên đầu ra tập thể của họ, và hỏi liệu các mô hình này có khả năng khám phá sáng tạo ở cùng cấp độ như chúng ta hay không. Tại picbreeder.org, người dùng tham gia vào quá trình tạo ra nghệ thuật hợp tác bằng cách tương tác phát triển hình ảnh. Các hình ảnh ban đầu trừu tượng, nhưng qua nhiều phiên với những người dùng khác nhau, các phả hệ trở nên phức tạp và các hình thức quen thuộc xuất hiện, thường là một cách bất ngờ. (Hình ảnh được truy xuất qua Internet Archive.) (Nhấp để truy cập một bản sao của trang web gốc, được điền đầy đủ các kết quả tổng hợp qua nhiều lần phát lại các bản sao do AI điều khiển của sự kiện tập thể của con người.) Trước khi các mô hình tiên phong cho phép chúng ta tạo ra một phân phối rộng lớn các hình ảnh khả thi, Picbreeder đã cho phép người dùng tạo ra hình ảnh bằng cách biểu diễn chúng một cách gián tiếp. Mỗi hình ảnh trong Picbreeder được mã hóa dưới dạng Mạng tạo mẫu tổng hợp (CPPN), một mạng thần kinh ban đầu nhỏ, dễ thay đổi, nhận đầu vào là một số tọa độ trong không gian pixel và xuất ra màu của pixel đó. Bởi vì chúng có thể nhận các tọa độ liên tục tùy ý làm đầu vào, các mạng này mã hóa hiệu quả các hình ảnh có độ phân giải vô hạn. Ở những nơi khác, chúng đã được sử dụng để biểu diễn video, địa hình trong môi trường giống trò chơi và thậm chí cả trọng số của các mạng thần kinh hạ nguồn lớn hơn với cấu trúc liên kết thông thường hơn. Bạn có thể thấy cách các giá trị tọa độ được chuyển đổi thành pixel màu trong ảnh động dưới đây: (x,y,r) -> CPPN -> pixel đầu ra * (B) một trình xem tương tác: chọn một bộ gen người/AI và xem nó hiển thị, * di chuột qua một pixel để xem tọa độ (x,y,r) của nó ánh xạ tới một màu. * Cả hai đều sử dụng công cụ CPPN trong trình duyệt (breed/cppn.js, giống hệt pixel với * bài báo) và một gói nhỏ được tuyển chọn (breed/data/cppn_explainer.json, * được xây dựng bởi tools/build_cppn_explainer.py). * =================================================================== --> → → → → Mạng tạo mẫu tổng hợp (CPPN). Tại mỗi pixel, tọa độ x, y và bán kính từ tâm r được đưa vào mạng, mạng này trả về sắc độ, độ bão hòa và giá trị (HSV), tức là một màu. Bằng cách này, mỗi CPPN mã hóa một hình ảnh có độ phân giải tùy ý. Nhấp vào lưới đầu vào để ghim đầu dò vào vị trí; nhấn 'r' để đặt lại. Trong thực tế, chúng ta truyền tất cả các tọa độ đầu vào qua mạng cùng một lúc. Mỗi nút trong mạng có một kích hoạt hình lưới mà chúng ta có thể hiển thị dưới dạng hình ảnh thang độ xám, và tại đầu ra của mạng, ba đầu ra như vậy được kết hợp để tạo ra một hình ảnh màu duy nhất. Trong công cụ dưới đây, bạn có thể thấy cách thay đổi trọng số hoặc hàm kích hoạt của các nút và cạnh khác nhau làm thay đổi các kích hoạt trung gian và đầu ra cuối cùng của các CPPN khác nhau: Trình chỉnh sửa DNA. Chỉnh sửa một CPPN và xem hiệu ứng thời gian thực trên các đầu ra trung gian và cuối cùng. Nhấp vào một nút hoặc cạnh để mở vòng điều khiển của nó, kéo một nút để di chuyển nó (hoặc kéo tay cầm ⊕ trên đường viền của nó lên một nút khác để liên kết hai nút), hoặc nhấp và kéo trên một cạnh để điều chỉnh trọng số của nó. (Xem thêm phần tương tự trên trang web tạo giống tương tác.) Chơi với trọng số trong giây lát, bạn sẽ có cảm giác rằng việc xây dựng các hình ảnh mục tiêu bằng cách xây dựng CPPN từ đầu bằng các nút và cạnh sẽ là một công việc vô ích. Thay vào đó, trong Picbreeder, hình ảnh được phát triển. Điều này được thực hiện tương tác với người dùng trong vòng lặp: từ một lưới các CPPN ban đầu ngẫu nhiên (mà