Generativ KI og kreativitet

Kontorveggen min fremstår nok som kaotisk, men jo mer jeg tenker på det desto viktigere blir dette, som en trening for og oppdatering av tenkningen omkring eksisterende og kommende prosjekter. Les: visuell trening (og for min del: vedlikehold) av nevrale nettverk.

Kreativitet er et begrep som noen fag synes å mene de har mer hevd på enn andre. Som underviser og forsker i et såkalt "kreativt" fag, undrer jeg meg ofte over dette. Kanskje er noe av grunnen at jeg  er ingeniør i bunn, fag som av en for meg merkelig grunn ikke betegnes som "kreative".

Ser forresten at jeg har skrevet om Kunstig intelligens og kreativitet tidligere. Det kan hende dette blir en gjenganger.

Meningene er trolig mange om hva kreativitet egentlig er, men i denne sammenhengen definerer jeg det som evne og trang til å finne og utforske problemer. Kanskje går skillet mellom kunstneren og ingeniørens kreativitet ved at kunstneren er mer på jakt etter problemer, mens ingeniøren løser problemer som allerede er identifisert. Så ligger det samtidig mye kreativitet i problemløsning.

Det alle nok kan enes om er at det finner forskjellige former og nivåer for kreativitet. Den kreativiteten som kjennetegner en god kunstner eller ingeniør, arter seg annerledes når de bruker sin kreativitet på sine områder. 

Virkelig bra ting oppstår kanskje på områder der ulike former for kreativitet møtes og blandes. Hvilket bringer meg til maskiner og kreativitet. Tradisjonelt knyttes kreativitet knyttes til mennesker, men dette utfordres av maskiner som benytter kunstig intelligens (KI), som allerede frembringer objekter som fremstår som resultat av kreative prosesser. 

Noe som kjennetegner maskiner er at de er agnostiske når det gjelder tradisjonelle fagområder. En industrirobot bryr seg ikke om den lakkerer en bil eller maler en form for bilde. Ikke minst ser en dette når en begynner å trene fysiske roboter med samme type nevrale nettverk som benyttes i store språkmodeller. På samme vis blir det virkelig fart i resultatene som kommer ut når KI-modeller, i utganspunktet utviklet for verbaltekst, trenes med visuelle data,

KI-teknikkene, basert på såkalt Reinforcement Learning (forsterkende læring), kommer frem til alternative løsninger som fremstår som ytterst kreative – løsninger som kan fremstå som nyskapende og overraskende. Dette kommer nær essensen av "kreativitet".

Generative KI-modeller kan lage bilder, design, videoer, musikk, osv – innhold som tidligere kun mennesker var i stand til å skape. Dette fører til at mange "kreative fag" føler seg utfordret av KI, noe som i seg selv er med på å bekrefte at KI kan produsere resultater, som om den har kreative evner.

Den viktigste grunnen til at KI fremstår som "kreativ" handler om hvordan kunstig nevrale nettverk er inspirert av biologiske nevrale nettverk. Når våre hjerner bearbeider informasjon lagrer vi ikke dette som tekst, bilder eller lyder, men snarere mønstre som lar oss gjenkalle og skape informasjon egnet for disse informasjonsbærerne. Dette er noe av grunnen til at jeg legger så stor vekt på representasjonsformer, i Digitale medier og materialitet. 

Kunstige nevrale nettverk fungerer på en veldig lik måte. De trenes med store mengder informasjon og trekker ut mønstre og egenskaper fra treningsdataene, som så kan brukes for å skape noe som ikke finnes i de datene som nettverket er trent med. I motsetning til et mennesker, som kun kan motta og behandle en ganske begrenset mengde informasjon gjennom et liv, kan kunstige nevrale nettverk trene med milliarder av elementer i løpet av kort tid. I det ligger et formidabelt "kreativt" potensiale, ikke minst på tvers av fagområder.

Kreativt talent vil forhåpentligvis fremdeles være en sentral menneskelig egenskap, men det er all grunn til å tro at de som evner å kombinere egen kreativitet med de resultatene som KI kan frembringe, vil være de som lykkes best. Jeg tror de mest spennende resultatene vil komme på områder som ikke kan defineres tydelig innenfor de tradisjonelle "kreative" fagområdene.

Når NFR nå lyser ut midler til KI-satsing, kan det synes som om ulike fagmiljøer ser til egne fagfelt og hvilken betydning KI kan få på disse feltene. Det kan avgjort komme spennende forskning ut av dette, men det slår meg at det mest spennende trolig vil komme gjennom tverrfaglige tilnærminger.