Explorer la « différence » entre l’IA et la photographie | Knowledge #15

La génération d’images par l’IA cherche à reproduire fidèlement le texte fourni en entrée. Cette capacité à exécuter sans détour les instructions, alliée à un apprentissage fondé sur d’immenses bases de données, relève d’une « prouesse quasi divine » qui dépasse les capacités humaines. Pourtant, il arrive souvent que le résultat final ne parvienne pas à captiver l’esprit humain. Dans cet article, nous explorons les raisons du malaise qui subsiste entre les images générées par l’IA et la photographie.

La plupart des images générées traduisent correctement le texte en image. Elles sont souvent dépourvues de superflu, autrement dit, il n’y a pas de « vide ». Le « vide » désigne l’espace ou l’information laissés volontairement ou non, et les images produites par l’IA, saturées de détails, manquent fréquemment de ce vide. Si elles transmettent fidèlement le sens de l’information, elles n’en véhiculent pas le contexte.

Cependant, le « vide » porte en lui des nuances émotionnelles et des significations cachées propres à l’humain. Cette compréhension contextuelle, fondée sur l’émotion, demeure le point faible d’une IA dépourvue de corps. Si l’IA excelle dans le traitement littéral des images, elle reste en développement lorsqu’il s’agit de générer ce vide porteur de profondeur émotionnelle ou de sens caché.

Une photographie réalisée par un humain porte un sens qui dépasse la simple captation d’une image. Elle recèle une part d’imprévu, une palette d’émotions, et parfois des éléments considérés comme des « erreurs » involontaires. Tous ces accidents deviennent partie intégrante du récit photographique, offrant au spectateur matière à empathie et à imagination.

Nous avons vu que l’étrangeté ressentie entre images générées par l’IA et photographies tient à la présence ou à l’absence de « vide ». Approfondissons cette compréhension en examinant le processus de génération d’images par l’IA.

1. Conversion du texte : l’IA transforme les mots saisis en concepts plus aisés à interpréter. Par exemple, si l’on entre « un oiseau qui vole dans le ciel », l’IA comprend cela comme un élément d’image et le convertit en instructions de base pour dessiner un paysage côtier ou la silhouette d’un chien.
2. Génération d’image à partir du bruit : l’IA commence par un bruit totalement aléatoire (un ensemble de pixels sans caractéristiques), puis élimine progressivement ce bruit pour former une image concrète.
3. Décodage de l’image : le décodage consiste à transformer les données générées par l’IA en une forme intelligible pour l’œil humain. Cela inclut la conversion dans des formats d’image tels que JPEG ou PNG, ainsi que des ajustements de résolution, de colorimétrie ou de retouche interne.

Le processus par lequel l’IA élimine le « bruit » lors de la génération d’images repose essentiellement sur des calculs mathématiques et des algorithmes. Supprimer le bruit vise à rapprocher l’image de la réalité, mais cela a ses limites. L’imprévu, la richesse émotionnelle et l’imperfection inhérents à la photographie humaine sont des éléments difficiles à saisir par le calcul. Dès ce stade, une divergence de perception du bruit apparaît entre l’IA et l’humain.

Dans les multiples étapes de traitement de l’image, il demeure difficile pour l’IA de comprendre et de reproduire pleinement la complexité et les nuances subtiles propres à l’humain. Si l’IA excelle dans l’interprétation littérale et la restitution basée sur les données, elle n’est pas encore capable d’imiter la profondeur de l’expérience et des émotions humaines. Pour gagner en justesse, l’IA devra peut-être apprendre à s’accorder à ces « vides » du quotidien humain, qui semblent insignifiants mais sont porteurs de sens.