¿Puede una IA sustituir a un artista?
Por Ismael Sagredo
En las últimas semanas (entorno al 14 de diciembre de 2022) ha surgido cierta controversia acerca de la aparición de diferentes aplicaciones de inteligencia artificial y Deep Learning que son capaces de generar imágenes a partir de descripciones textuales de las mismas. Un grupo de artistas ha realizado protestas porque una de las páginas más famosas donde éstos suben sus trabajos y que sirve como porfolio a miles de artistas, Artstation[1], estaba permitiendo subir imágenes generadas por algoritmos de inteligencia artificial como arte. La protesta consistió en colocar imágenes con la frase «No AI Art» en sus portafolios y llegaron a ser tendencia en el sitio Web[2].
Ilustración 1 Imagen compartida por los miembros de ArtStation en sus perfiles
El germen de estas protestas partió del artista búlgaro Alexander Nanitchkov que tuiteó: «El ‘arte’ actual de la IA se crea a costa de cientos de miles de artistas y fotógrafos que hicieron miles de millones de imágenes y dedicaron tiempo, amor y dedicación para que su trabajo sea desalmadamente robado y utilizado por personas egoístas con fines lucrativos sin el más mínimo concepto de ética».[3]
La protesta, desde mi punto de vista, tiene una base cierta y que desde la ciencia y la inteligencia artificial deberíamos abordar, pero también se basa en premisas equivocadas. Es cierto que nadie les ha pedido permiso para usar sus imágenes para generar algoritmos de IA. Pero pensamos que la IA no roba las creaciones de los artistas. Está claro que es un tema complejo donde entran diferentes cuestiones éticas que no son fáciles de resolver y que plantearemos a continuación.
Por un lado, es innegable que la autoría de las obras con las que se entrenan los algoritmos es de los creadores de las mismas. Pero, por otra parte, son obras que han sido expuestas para que sea contempladas por el público en perfiles públicos y eso también incluye a los bots que circulan por la red y que capturan las imágenes para generar estos algoritmos. A pesar de que son públicas pienso que debería poderse proteger a los artistas y sus obras de este tipo de bots si así ellos lo manifiestan. En teoría hay una forma de hacerlo y es indicando en la página Web el meta robot: NoIndex, NoFollow, Noarchive aunque está por ver que los bots que capturan las imágenes para alimentar los bases de datos con las que se generan las imágenes haga caso a estas indicaciones. Creo que debería haber un mecanismo legal y éticamente aceptado por todos los creadores de IA de no utilizar imágenes y contenido que expresamente se manifieste que no quiere ser incluido en estos algoritmos y debería haber un soporte legal para ello. En esto estoy totalmente de acuerdo con los artistas y creo que su reivindicación es legítima.
También considero que no se puede poner en la misma balanza el arte generado por la IA con el arte generado por el ser humano. De hecho, a día de hoy, las IAs no son capaces de tener creatividad, ni en la generación de arte ni en la generación de textos; algo que sostiene, entre otros, el profesor Gary Marcus, de la Universidad de Nueva York[4]. Por lo tanto, considero que no debería equipararse uno con otro.
Pero, por otro lado, pienso que el argumento esgrimido de que las IAs roban el arte de los creadores humanos, es un concepto erróneo. Casi todo el arte se inspira en otros artistas de alguna forma y los artistas aprenden a dibujar copiando dibujos de otros artistas. En esto las IAs no son muy diferentes, solo que lo hacen mucho más rápido que un humano. Las IAs aprende a dibujar conceptos en base a ver y procesar decenas o cientos de ejemplos de ellos, utilizando para este fin las denominadas redes generativas adversarias (GAN en por sus siglas en inglés) (Goodfellow, 2014)
Este tipo de redes consisten en poner a competir dos redes de neuronas una frente a la otra, para obtener cada vez mejores predicciones del problema concreto que se pretenda tratar.
Cada una de estas redes están compuestas por dos modelos, el modelo generativo y el modelo discriminatorio:
- El generativo aprende de imágenes existentes para generar sus propias ideas, pero imitando las existentes, como haría un artista que se asocia a un estilo artístico concreto o un discípulo de un gran artista. Pensemos por ejemplo en Van Gogh y todos los pintores post-impresionsitas contemporáneos a él.
- El otro modelo es el discriminador, que es el que se encarga de clasificar que imágenes son correctas, cuales falsas, que objetos forman parte de las mismas, etc.
Ilustración 2 Esquema arquitectónico de una GAN, fuente (Ghosh , 2020)
Estas redes están consideradas como aprendizaje no supervisado, ya que no necesitan tener los ejemplos etiquetados para aprender, aunque se han utilizado para aprendizaje semi-supervisado (Dai, 2017), o aprendizaje por refuerzo con buenos resultados (Sarmad, 2019).
Si pensamos en su funcionamiento, no dista demasiado de lo que harían dos alumnos de bellas artes que compiten por ser el mejor de la clase y que para entrenarse, usan todo el arte que encuentran por las redes para aprender y perfeccionar sus creaciones, por lo que creo que no podemos afirmar que estas redes roban el trabajo de los artistas, ya que entonces la mayoría de los artistas harían lo mismo.
Cómo conclusión, se puede decir que con la tecnología actual y por la falta de creatividad que tiene las redes, estas no pueden sustituir en la mayoría de los trabajos a los artistas humanos. Si bien es cierto, es muy posible que afecte de una u otra forma a como trabajan y pienso que debería haber algún tipo de regulación que los proteja de posibles abusos y usos no autorizados de sus creaciones en estos modelos.
Bibliografía:
Goodfellow, Ian J.; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014). «Generative Adversarial Networks
Ghosh, B., Dutta, I. K., Carlson, A., Totaro, M., & Bayoumi, M. (2020, October). An empirical analysis of generative adversarial network training times with varying batch sizes. In 2020 11th IEEE Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON) (pp. 0643-0648). IEEE
Dai, Z., Yang, Z., Yang, F., Cohen, W. W., & Salakhutdinov, R. R. (2017). Good semi-supervised learning that requires a bad gan. Advances in neural information processing systems, 30.
Sarmad, M., Lee, H. J., & Kim, Y. M. (2019). Rl-gan-net: A reinforcement learning agent controlled gan network for real-time point cloud shape completion. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 5898-5907).
[1] https://www.artstation.com/
[2] https://arstechnica.com/information-technology/2022/12/artstation-artists-stage-mass-protest-against-ai-generated-artwork/
[3] https://twitter.com/Artofinca/status/1599730391698485248?s=20&t=7urS4wBdoVTTTWRe3HciQw
[4] https://www.elconfidencial.com/tecnologia/2022-12-11/chatgpt-openai-gary-marcus-ia-ai-inteligencia-artificial_3537495/?utm_source=twitter&utm_medium=social&utm_campaign=BotoneraWeb&s=08