Το Google DeepMind εξειδίκευσε το Imagen σε σκίτσα ενός σχεδιαστή για να φτιάξει μια τρισδιάστατα εκτυπωμένη καρέκλα

Μια εξειδίκευση για ένα μόνο studio, όχι ένα γενικό εργαλείο σχεδίασης

Το έργο του Google DeepMind με το Lovegrove Studio, την Creative Director Ila Colombo και το γραφείο σχεδίασης Modem είναι πιο περιορισμένο απ' όσο δείχνει ο τίτλος. Η ομάδα εξειδίκευσε το Imagen, το μοντέλο μετατροπής κειμένου σε εικόνα, σε ένα επιλεγμένο σύνολο δεδομένων από προσωπικά σκίτσα του Ross Lovegrove. Το αποτέλεσμα δεν είναι ένας βοηθός σχεδίασης για όλους — είναι ένα μοντέλο φτιαγμένο για να αναπαράγει τις συγκεκριμένες καμπύλες, τη δομική λογική και τα οργανικά μοτίβα ενός συγκεκριμένου σχεδιαστή.

Η ίδια η καρέκλα επιλέχθηκε σκόπιμα. Η Google το παρουσιάζει ως ένα κλασικό πρόβλημα περιορισμών: μια σταθερή λειτουργία σε συνδυασμό με μια ανοιχτή φόρμα. Αυτό το πλαίσιο επέτρεψε στην ομάδα να αξιολογήσει αν το μοντέλο εξέφραζε το ύφος του Lovegrove και δεν παρήγαγε απλά κάποιο πειστικό έπιπλο. Το κριτήριο επιτυχίας ήταν υποκειμενικό — αν το studio αισθανόταν ότι το αποτέλεσμα ήταν μια αυθεντική προέκταση της δουλειάς τους — κάτι πολύ διαφορετικό από την ακρίβεια ή τις βαθμολογίες σε benchmark.

Η πραγματική μηχανική ήταν ένα κοινό λεξιλόγιο

Η πιο μεταφερόμενη λεπτομέρεια είναι ότι το studio αποφάσισε να δώσει προτεραιότητα στη γλώσσα παράλληλα με το οπτικό σύνολο δεδομένων. Δούλεψαν για να αποκωδικοποιήσουν και να διατυπώσουν το σχεδιαστικό λεξιλόγιο του Lovegrove — χτίζοντας ένα συγκεκριμένο λεξιλόγιο για να περιγράψουν τη δουλειά του studio — επειδή η οπτική εκπαίδευση από μόνη της δεν αρκούσε για να κατευθύνει το μοντέλο προς τα επιθυμητά αποτελέσματα.

Η ομάδα στη συνέχεια αντιμετώπισε τη διαδικασία των prompt ως έναν επαναληπτικό κύκλο: παρατηρούσαν πώς το μοντέλο ερμήνευε συγκεκριμένους όρους και χρησιμοποιούσαν αυτή την ανατροφοδότηση για να βελτιώσουν τα prompt. Το πιο χαρακτηριστικό παράδειγμα είναι ότι προκάλεσαν το μοντέλο να δημιουργήσει μια καρέκλα χωρίς ποτέ να χρησιμοποιήσουν τη λέξη «καρέκλα», αντικαθιστώντας τη με συνώνυμα για να εξαναγκάσουν μια ευρύτερη διερεύνηση της φόρμας. Αυτή είναι μια συγκεκριμένη τακτική prompt engineering και αποκαλύπτει πόσο η διεπαφή μεταξύ σχεδιαστή και μοντέλου ήταν γλωσσική, όχι απλά ένας ρυθμιστής ή ένα UI.

Δύο μοντέλα για δύο διαφορετικές δουλειές

Η ροή εργασίας χρησιμοποίησε δύο ξεχωριστά συστήματα για δύο ξεχωριστά στάδια. Το εξειδικευμένο μοντέλο Imagen παρήγαγε ιδέες στο ύφος του Lovegrove. Στη συνέχεια, το Gemini χρησιμοποιήθηκε σε επόμενο στάδιο για τη δημιουργία ιδεών σχετικά με τα υλικά και την οπτικοποίηση της καρέκλας από διαφορετικές μορφές και οπτικές γωνίες. Η παραγωγή και η διερεύνηση χειρίστηκαν ξεχωριστά, κάτι που αξίζει να σημειωθεί για όποιον υποθέτει ότι ένα και μόνο μοντέλο μπορεί να καλύψει ολόκληρη τη ροή σχεδιασμού.

Η διαδικασία κατέληξε σε άτομα, όχι σε pixel. Ο τελικός σχεδιασμός παρήχθη φυσικά με τρισδιάστατη εκτύπωση μετάλλου. Η Google το περιγράφει ως τη μετατροπή pixel που δημιουργήθηκαν με ΤΝ σε ένα υλικό αντικείμενο — η επίδειξη έγκειται στο ότι τα αποτελέσματα άντεξαν στη διαδικασία κατασκευής, όχι μόνο στην οθόνη.

Τι σημαίνει μια εξειδίκευση ανά καλλιτέχνη για τα εργαλεία δημιουργικής δουλειάς

Το δίδαγμα από αυτό το συγκεκριμένο έργο είναι ότι η αποτύπωση ενός προσωπικού ύφους απαίτησε τόσο ένα ιδιωτικό, επιλεγμένο σύνολο δεδομένων όσο και ένα λεξιλόγιο διατυπωμένο από άνθρωπο για να το καθοδηγήσει. Ούτε το βασικό μοντέλο ούτε ένα γενικό prompt θα αναπαρήγαγαν τη γλώσσα του Lovegrove· το studio έπρεπε να διδάξει στο σύστημα τους δικούς του όρους και να παρατηρήσει τις αποκρίσεις για να κλείσει το κενό.

Για εμένα, το τελικό αποτέλεσμα ξεπερνά όλη τη συζήτηση περί σχεδιασμού. Μας δείχνει ότι η ΤΝ μπορεί να προσφέρει κάτι μοναδικό και εξαιρετικό στη διαδικασία. — Ross LovegroveMontana Labs

Για τις ομάδες εφαρμοσμένης ΤΝ που φτιάχνουν δημιουργικά εργαλεία, το συμπέρασμα είναι ότι το διαρκές περιουσιακό στοιχείο εδώ είναι το ζεύγος συνόλου δεδομένων και λεξιλογίου ανά συνεργάτη, όχι ένα μοντέλο κατάλληλο για όλους. Το frontend ενός τέτοιου συστήματος είναι μια κοινή περιγραφική γλώσσα, και η κατασκευή της είναι μια αργή, ανθρωποκεντρική διαδικασία επιμέλειας — το κομμάτι που δεν έρχεται δωρεάν μαζί με το μοντέλο.