Từ tivi nhiễu hạt đến kiệt tác — AI đã học vẽ thế nào?

Bức tranh mà không ai vẽ

Tôi có một thằng bạn làm thiết kế ở Quận 3. Hồi đầu năm ngoái nó khoe mấy cái poster sự kiện, ánh sáng cinematic, layout như agency bên Úc làm. Tôi khen hết lời. Nó cười: "Tao gõ một câu tiếng Anh, đợi mười lăm giây."

Mười lăm giây. Không Photoshop, không stock ảnh, không thuê illustrator. Cái thứ phía sau mười lăm giây đó, nếu bạn lần ngược dây điện về tới nguồn, sẽ dẫn bạn tới một bài báo khoa học mà lần đầu đọc, tôi thề — tôi nổi da gà. Bởi vì ý tưởng cốt lõi của nó nghe như đùa: Hãy bắt đầu từ nhiễu. Nhiễu hoàn toàn. Rồi dạy máy tính gỡ nhiễu từng chút một, cho đến khi hiện ra hình ảnh.

Nghe quen không? Giống y cái tivi thời bà ngoại, khi chưa bắt được kênh thì toàn hạt tuyết nhảy loạn xạ. Bây giờ hãy tưởng tượng có ai đó xoay núm cho hạt tuyết từ từ biến thành bản tin thời sự — nhưng bản tin đó chưa từng tồn tại trước đó. Đó chính xác là điều mà diffusion model làm.

Bài toán "gỡ nhiễu" làm rung chuyển cả ngành AI

Năm 2020, ba nhà nghiên cứu ở UC Berkeley — Jonathan Ho, Ajay Jain và giáo sư Pieter Abbeel — công bố bài báo "Denoising Diffusion Probabilistic Models" (DDPM) tại hội nghị NeurIPS. Ý tưởng không hoàn toàn mới: năm 2015, Jascha Sohl-Dickstein cùng đồng nghiệp ở Stanford đã đặt nền móng lý thuyết trong bài "Deep Unsupervised Learning using Nonequilibrium Thermodynamics" tại ICML. Nhưng bài đó giống bản vẽ kiến trúc trên giấy — đẹp mà chưa ai xây được nhà.

Ho, Jain và Abbeel là đội thợ xây đầu tiên dựng được ngôi nhà đó lên, và ngôi nhà đẹp đến mức cả phố quay lại nhìn.

Cách hoạt động, nói cho bạn nhậu hiểu, thế này: Lấy một bức ảnh con mèo. Rắc nhiễu lên — giống bạn ném cát lên tranh sơn dầu — từng bước một, mỗi bước thêm một lớp cát mỏng, cho đến khi bức tranh thành... cát. Không còn nhận ra gì. Đó là quá trình "khuếch tán" — diffusion.

Giờ làm ngược lại: dạy một mạng neural nhìn đống cát đó và đoán: "À, bước trước chắc trông thế này, bớt nhiễu hơn một tí." Rồi lùi thêm bước nữa. Và bước nữa. Cho đến khi — bùm — con mèo hiện ra. Nhưng đây mới là chỗ ma thuật: con mèo hiện ra không nhất thiết là con mèo ban đầu. Nó có thể là một con mèo hoàn toàn mới, chưa từng tồn tại. Máy đã "học" cái bản chất của mèo — hình dáng, lông, tai, mắt — và tạo ra một phiên bản riêng.

Trước diffusion, thế giới bí ở đâu?

Trước DDPM, ngành tạo ảnh bằng AI bị thống trị bởi GAN — Generative Adversarial Networks — do Ian Goodfellow đề xuất năm 2014. GAN hay, nhưng nổi tiếng khó chiều. Huấn luyện GAN giống dạy hai đứa trẻ chơi cờ mà cả hai đều tự ái: một đứa vẽ tranh giả, đứa kia bắt lỗi; nếu một đứa giỏi hơn quá nhanh, cuộc chơi sụp đổ. Người ta gọi đó là mode collapse — máy chỉ vẽ đi vẽ lại một kiểu mặt, hoặc học cách "lừa" mà không thực sự sáng tạo.

DDPM giải quyết vấn đề này bằng một con đường hoàn toàn khác. Không có đối kháng, không có hai mạng cãi nhau. Chỉ có một mạng duy nhất, được huấn luyện bằng một mục tiêu đơn giản rõ ràng: nhìn ảnh bị nhiễu, đoán ra nhiễu, bỏ nhiễu đi. Kết quả? Ảnh đa dạng hơn, chất lượng cao hơn, và quan trọng nhất — quá trình huấn luyện ổn định hơn GAN rất nhiều.

Sau DDPM, mọi thứ vỡ bung. Năm 2022, nhóm Robin Rombach và đồng nghiệp ở Ludwig Maximilian University (Munich) công bố "High-Resolution Image Synthesis with Latent Diffusion Models" tại CVPR — đây chính là bài báo khai sinh Stable Diffusion. Cũng năm đó, OpenAI ra DALL-E 2 (Aditya Ramesh et al.), David Holz ra mắt Midjourney. Cả ba đều đứng trên vai DDPM.

Mười lăm giây đó đang len vào đời bạn

Bạn nghĩ diffusion model là chuyện của mấy ông Mỹ ngồi phòng lab? Nhìn lại xung quanh đi.

Thiết kế, quảng cáo: Hàng nghìn shop trên Shopee, Lazada đang dùng AI để tạo ảnh sản phẩm. Chụp một cái áo trên sàn nhà, cho vào Stable Diffusion, ra ảnh người mẫu mặc áo đó trên phố Paris. Thằng bạn thiết kế ở Quận 3 của tôi? Nó nhận gấp ba khách vì thời gian ra concept từ hai ngày rút xuống hai tiếng.

Giáo dục: Thầy cô ở Việt Nam bắt đầu dùng AI tạo hình minh họa cho bài giảng — vẽ lại cảnh lịch sử, mô phỏng thí nghiệm vật lý, tạo nhân vật cho bài tập đọc hiểu. Không cần ngân sách mua ảnh bản quyền.

Kiến trúc và nội thất: Gõ "phòng khách Indochine, gạch bông Sài Gòn, ánh sáng tự nhiên chiều" — ra hình phối cảnh trong mười giây. Khách hàng dễ hình dung, kiến trúc sư dễ thương lượng.

Y khoa (đang thử nghiệm): Một số nhóm nghiên cứu dùng diffusion model để tạo ảnh X-quang, MRI tổng hợp phục vụ huấn luyện AI chẩn đoán — giải quyết bài toán thiếu dữ liệu y tế mà không vi phạm quyền riêng tư bệnh nhân. Đây vẫn là giai đoạn nghiên cứu, chưa triển khai lâm sàng rộng rãi.

Game và phim: Tạo texture, background, concept art — những thứ trước đây cần đội ngũ artist cả tuần, giờ làm trong buổi chiều.

Tiền nằm ở đâu trong đống nhiễu?

Đây là phần tôi thích nhất. Bởi vì diffusion model không chỉ là khoa học đẹp — nó đang mở ra một lớp nghề nghiệp mới, và đóng cửa một số nghề cũ. Thẳng thắn vậy.

Prompt engineering — kỹ năng viết câu lệnh để AI hiểu ý mình — nghe đơn giản nhưng không phải ai cũng làm giỏi. Người biết viết prompt tốt tạo ra ảnh chất lượng studio, người viết dở ra ảnh méo mó sáu ngón tay (vâng, vẫn xảy ra). Thị trường dịch vụ thiết kế bằng AI đã hình thành rõ ràng trên Fiverr, Upwork — và đang mọc trên các nhóm freelancer Việt Nam.

Ngoài ra, fine-tuning model — huấn luyện thêm trên bộ ảnh chuyên biệt (sản phẩm của một thương hiệu, phong cách của một nghệ sĩ) — là kỹ năng đang được trả giá cao ở phân khúc agency và thương mại điện tử.

Dân chủ hóa sáng tạo — và cái giá phải trả

Diffusion model đang làm một điều mà loài người mơ suốt lịch sử nghệ thuật: tách rời ý tưởng khỏi kỹ năng tay nghề. Bạn không cần mười năm học vẽ để biến hình ảnh trong đầu thành hình ảnh trên màn hình. Một đứa trẻ mười tuổi ở Cần Thơ, nếu có máy tính và internet, có thể tạo ra hình ảnh ngang ngửa — về mặt kỹ thuật thị giác — với output của studio ở New York.

Đó là quyền lực. Và quyền lực luôn đi kèm rủi ro.

Deepfake là rủi ro hiển nhiên nhất. Diffusion model tạo ảnh giả thuyết phục đến mức khó phân biệt bằng mắt thường. Ảnh người nổi tiếng bị ghép, tin giả kèm hình minh họa "có vẻ thật" — đang là vấn đề toàn cầu, không riêng Việt Nam.

Bản quyền là vùng xám lớn. Các model được huấn luyện trên hàng tỷ ảnh từ internet — nhiều ảnh có bản quyền — và đang có nhiều vụ kiện chưa ngã ngũ. Stability AI, Midjourney, DeviantArt đều đang đối mặt kiện tụng từ các nghệ sĩ (vụ kiện Andersen v. Stability AI, nộp đơn tháng 1/2023, vẫn đang xử lý).

Việc làm nghệ sĩ truyền thống bị ảnh hưởng — đây là thực tế, không nên tô hồng. Nhưng lịch sử cho thấy máy ảnh không giết hội họa, Photoshop không giết nhiếp ảnh. Công cụ thay đổi, vai trò người sáng tạo thay đổi theo — nhưng không biến mất. Người biết dùng công cụ mới sẽ đi nhanh hơn.

Nhắc nhở tỉnh táo: diffusion model đã chứng minh khả năng tạo hình ảnh chất lượng cao từ mô tả văn bản. Nhưng nó chưa chứng minh khả năng "hiểu" nội dung theo nghĩa con người hiểu. Nó tạo ra tương quan thống kê tuyệt vời giữa từ ngữ và pixel — không hơn, không kém.

Bảng chấm và nguồn

NGUỒN THAM KHẢO

1. Jonathan Ho, Ajay Jain, Pieter Abbeel — "Denoising Diffusion Probabilistic Models" — NeurIPS, 2020.

2. Jascha Sohl-Dickstein, Eric Weiss, Niru Maheswaranathan, Surya Ganguli — "Deep Unsupervised Learning using Nonequilibrium Thermodynamics" — ICML, 2015.

3. Robin Rombach, Andreas Blattmann, Dominik Lorenz, Patrick Esser, Björn Ommer — "High-Resolution Image Synthesis with Latent Diffusion Models" — CVPR, 2022.

4. Aditya Ramesh et al. — "Hierarchical Text-Conditional Image Generation with CLIP Latents" (DALL-E 2) — OpenAI, 2022.

5. Ian Goodfellow et al. — "Generative Adversarial Nets" — NeurIPS, 2014.

6. Andersen v. Stability AI et al. — Vụ kiện bản quyền, US District Court, Northern California, nộp đơn 01/2023.