Генеративный ИИ — что это простыми словами, как работает, примеры

Генеративный ИИ — это класс моделей искусственного интеллекта, которые создают новый контент по запросу человека: текст, изображения, звук, видео или код. Модель не достаёт готовый ответ из базы, а собирает его заново из закономерностей, выученных на огромных наборах данных. Название пришло из английского generative AI — «порождающий ИИ».

Для стилиста и фотографа это рабочий инструмент, а не абстракция. На генеративных моделях построены онлайн-примерка по фото, замена вещи на снимке, фотосессии без студии и съёмка одежды на виртуальных моделях для карточек товаров. Понимать их устройство полезно по простой причине: так ясно, чего ждать от результата и где проверять его глазами.

Что такое генеративный ИИ и чем он отличается от обычного

Коротко: обычный ИИ распознаёт и оценивает, генеративный — создаёт. Классическая модель машинного обучения отвечает на вопрос «что это?»: отличает платье от юбки на снимке, прогнозирует спрос, отсеивает спам. Её ответ — метка, число или категория из заранее известного списка.

Генеративная модель отвечает на другую просьбу: «сделай такое». Она выдаёт то, чего до запроса не существовало: абзац текста, портрет в студийном свете, то же пальто в другом цвете. Два запуска с одинаковым запросом обычно дают два разных результата. В этом её сила и главный источник ошибок.

Граница между ними не глухая. Во многих системах примерки работают обе части: сначала распознающая находит на фото человека, позу и одежду, потом генеративная дорисовывает новую вещь.

Откуда взялись генеративные модели: GAN, трансформеры, диффузия

Генеративные модели выросли из трёх архитектур: GAN (2014), трансформеры (2017) и диффузия, которая в 2022 году вывела генерацию картинок к массовому пользователю.

• GAN, генеративно-состязательные сети. Их предложила в 2014 году группа исследователей во главе с Иэном Гудфеллоу. Две нейросети учатся в паре: генератор делает подделки, дискриминатор пытается отличить их от настоящих примеров. На GAN держались первые убедительные портреты несуществующих людей.
• Трансформеры. Архитектуру описали исследователи Google в 2017 году в статье «Attention Is All You Need». На ней построены большие языковые модели (LLM): они предсказывают следующий фрагмент текста и так пишут ответы, письма, описания товаров.
• Диффузионные модели. Учатся убирать шум из изображения шаг за шагом. Именно они в 2022 году сделали генерацию картинок по тексту публичной: тогда вышли DALL·E 2, Midjourney и Stable Diffusion. В конце того же года появился ChatGPT, и генеративный ИИ из лабораторий перешёл в повседневные сервисы.

Пользователю важнее не архитектура, а модальность — какой тип данных модель принимает и выдаёт. Текст в текст, текст в изображение, изображение плюс текст в изображение, фото в видео. Мультимодальные модели принимают несколько типов сразу, например снимок человека и фото вещи.

Как нейросеть создаёт изображение по фото и запросу

Если одной фразой: модель превращает случайный шум в картинку, которая соответствует условиям — тексту, исходному фото, маске области. У диффузионных моделей — на них построено большинство генераторов изображений — путь от обучения модели до готового кадра укладывается в четыре шага.

1. Обучение. Модели показывают огромное количество изображений с подписями. К картинке подмешивают шум, а нейросеть учится предсказывать, какой шум добавили. Так она усваивает не сами снимки, а закономерности: как свет ложится на ткань, как складка на рукаве меняется при согнутом локте, чем фактура шерсти отличается от шёлка.
2. Запрос. Вы задаёте условия: текстовый промт («портрет в студии, мягкий боковой свет»), своё фото, изображение вещи.
3. Генерация. Модель стартует с шума и за серию шагов очищает его, каждый раз сверяясь с условиями. Сначала проступает силуэт, потом детали: пуговицы, швы, блики на коже.
4. Точечная правка. Если нужно поменять только куртку, а лицо и фон оставить, генерацию ограничивают маской. Так работает инпейнтинг, на нём держится замена одежды на готовом снимке.

В примерке к этим условиям добавляется ещё одно — изображение конкретной вещи. Модель переносит фасон, цвет и принт на вашу фигуру и при этом сохраняет лицо, позу и свет исходника. Подробнее о самом подходе — в термине virtual try-on.

Практический вывод со съёмочной площадки: чем меньше модели приходится додумывать, тем точнее результат. Ровный свет без жёстких теней, открытое лицо, фигура целиком в кадре, если примеряете платье или брюки. Если ног на фото нет, нейросеть их нарисует — правдоподобно, но из воображения, а не по вашим пропорциям.

Где это работает в моде и e-commerce

Главная польза генеративного ИИ для стилиста и продавца — скорость проверки идеи. Раньше, чтобы увидеть вещь на человеке, её нужно было купить, привезти, надеть и сфотографировать. Теперь черновик образа появляется за минуты, а в примерочную и на съёмку идут уже отобранные варианты.

• Примерка до покупки. Товар с маркетплейса можно показать на своём фото и понять, идёт ли вам цвет и как фасон работает с силуэтом. Пошагово, включая импорт вещи по ссылке, — в статье о том, как на Вайлдберриз примерить вещь по фото.
• Замена одежды на готовом кадре. Удачный портрет с неудачной рубашкой больше не приговор снимку.
• Фотосессия без студии. По одному фото модель собирает серию в разных стилях: деловой портрет, городская прогулка, вечерний образ. Как выглядят такие серии, можно посмотреть в разделе ИИ-фотосессия по одному фото.
• Контент для карточек. Продавец снимает вещь, а генеративная модель показывает её на ИИ-моделях разной внешности — без аренды студии и кастинга под каждый артикул.

В работе стилиста я отношусь к генерации как к эскизу, а не к финалу. Она отвечает на вопрос «стоит ли это вообще примерять». Цвет у лица, длина относительно роста, баланс верха и низа — это на картинке видно. Плотность ткани, посадку в плечах и поведение вещи в движении картинка не покажет.

Ограничения и частые ошибки при работе с генерацией

Главное ограничение генеративного ИИ: модель правдоподобна, но не обязана быть точной. Она выдаёт наиболее вероятный вариант, а не проверенный факт.

• Галлюцинации. Языковая модель уверенно ссылается на несуществующий стандарт или бренд. Модель изображений добавляет шестой палец, лишнюю пуговицу, разные серьги в ушах.
• Принты, логотипы, надписи. Мелкий рисунок, текст на футболке, сложная клетка — зона риска: узор может поплыть или смениться похожим. Для карточки товара это критично, покупатель сравнит фото с тем, что пришло.
• Размер и посадка. Примерка по фото показывает силуэт, пропорции и цвет, но не измеряет тело и не знает лекал. Размер выбирают по размерной сетке и своим замерам.
• Цвет и фактура. Оттенок на генерации зависит от света исходника и настроек экрана. Пайетки, мех, тонкий трикотаж модель упрощает.
• Чужие фото. Для примерки и фотосессий — только свои снимки или снимки людей, которые дали согласие. Изображение, выдающее себя за реальное фото конкретного человека, — это дипфейк, и к стилю он отношения не имеет.

Что помогает: смотреть результат в полном размере, сверять детали с оригиналом вещи, делать несколько вариантов и выбирать, а не публиковать первый. Для продавца правило простое: ИИ-фото показывает товар, но не улучшает его. Цвет, фурнитура и принт на кадре должны совпадать с реальной вещью.

Связанные понятия

• Промт — текстовый запрос, которым задают генерацию: сюжет, свет, стиль, ракурс.
• Диффузионная модель — архитектура, которая строит изображение из шума.
• LLM, большая языковая модель — генеративная модель для текста.
• Инпейнтинг — генерация внутри выделенной области снимка при сохранении остального кадра.
• Virtual try-on — перенос вещи на фото человека.
• Удаление фона — отделение человека или предмета от фона. Задача скорее распознающая, но в обработке фото часто стоит рядом с генерацией.

Генеративный ИИ полезен тому, кто понимает его природу: это быстрый черновик, который экономит съёмки и лишние заказы, а решение о вещи и кадре остаётся за человеком.