The recent history of AI in 32 otters
Этан Моллик показывает трёхлетний прогресс ИИ через один и тот же промпт «выдра в самолёте с wifi». Диффузионные модели (например, Midjourney) прошли путь от расплывшегося меха в начале 2022 года до отличного фотореализма в 2025-м и умеют воспроизводить любые стили, включая стили живущих художников, что и делает генерацию изображений столь спорной. Затем появилась мультимодальная генерация от OpenAI и Google, где LLM рисуют картинку напрямую, добавляя пиксели как слова, что даёт точный контроль и возможность редактировать детали. Тест с языком TikZ показывает пространственное «понимание»: рисунок единорога от GPT-4 в влиятельной статье сочли «искрой» AGI, а Gemini 2.5 Pro делает это заметно лучше. Видеогенерация ускоряется ещё быстрее — от Runway Gen-3 alpha (июль 2024) до Google Veo 3 со звуком в 2025-м, причём открытые модели вроде Flux, DeepSeek r1 и HunyuanVideo отстают от передового края лишь на месяцы. Вывод: мы движемся к миру, где отличить реальные изображения и видео от сгенерированных ИИ будет невозможно, и из-за открытых моделей это будет крайне трудно регулировать.
Недавняя история ИИ в 32 выдрах
Три года прогресса, показанные морскими млекопитающими
Два года назад я летел в самолёте со своей дочерью-подростком и баловался с новым ИИ-генератором изображений, пока wifi отказывался работать. Выдры были её любимыми животными, так что я естественным образом набрал: «выдра в самолёте с wifi» — как раз когда соединение восстановилось. Получившийся тред стал вирусным, и «выдра в самолёте с wifi» с тех пор стала одним из моих любимых тестов прогресса в ИИ-генерации изображений.
То, что началось как глупый промпт, стало моим случайным бенчмарком прогресса ИИ. И отслеживание этих выдр на протяжении лет раскрывает три крупных сдвига в ИИ за последние несколько лет: рост множества типов ИИ-инструментов, быстрое улучшение и статус локальных и открытых моделей.
Диффузионные модели
Первые выдры, которые я создал, были сделаны с помощью инструментов генерации изображений. На протяжении большей части совсем недавней истории ИИ генерация изображений использовала процесс под названием диффузия, который работает принципиально иначе, чем большие языковые модели вроде ChatGPT. В то время как LLM генерируют текст по одному слову, всегда двигаясь вперёд, диффузионные модели начинают со случайного шума и преобразуют всё изображение целиком за десятки шагов. Это как разница между написанием истории предложение за предложением и началом с мраморной глыбы, которую постепенно вытёсывают в статую: каждая часть изображения уточняется одновременно, а не выстраивается последовательно. Вместо того чтобы предсказывать «что идёт дальше?», как языковая модель, диффузионные модели предсказывают «чем должен стать этот шум?» и превращают случайность в связные изображения через повторяющееся уточнение.
Существует немало диффузионных моделей, но я обычно использовал Midjourney, который существует дольше многих других ИИ-инструментов. Использование Midjourney позволяет увидеть, как диффузионные модели развивались со временем, что видно на простом промпте «выдра в самолёте с wifi» (для каждого изображения и видео в этом посте я выбираю лучшее из первых четырёх сгенерированных). Мы переходим от расплавленного меха в начале 2022 года к различимой выдре (со слишком большим числом пальцев и странной клавиатурой) в конце того же года. В 2023 году мы получаем фотореалистичную выдру, но всё ещё странную клавиатуру и иллюминаторы. В 2024 году освещение и расположение становятся лучше, а к 2025-му у нас отличный фотореализм.
Но интересными диффузионные модели делает не их растущая способность создавать фотореалистичные изображения, а скорее тот факт, что они могут создавать изображения в самых разных стилях. Это бьёт в самую суть того, почему ИИ-генерация изображений столь спорна: многие ИИ-модели обучены на изображениях со всего интернета, включая защищённые авторским правом работы, и потому могут воспроизводить изображения в стиле живущих художников без их разрешения или компенсации. Но как это работает, можно увидеть на примере старых художников и стилей. Вот «выдра в самолёте с wifi» в стиле гобелена из Байё, Эгона Шиле, уличного граффити и японской гравюры укиё-э. (Чем шире ваши знания истории искусства, тем больше вы можете заставить эти генераторы изображений делать.)
Диффузионные модели не ограничены существующими стилями. Midjourney позволяет любому автору обучить модель создавать изображения в понравившемся ему стиле, а затем поделиться этими уникальными «кодами стиля». Если я завершаю промпт одним из таких кодов стиля, я получаю совершенно разные результаты: от киберпанк-выдр до мультяшных.
Хочу показать вам ещё одно, последнее диффузионное изображение, но это — принципиально иное. Я создал его на своём домашнем компьютере с помощью Flux. В отличие от проприетарных ИИ-моделей вроде Midjourney или ChatGPT, которые работают в корпоративных дата-центрах, модели с открытыми весами можно скачать, изменить и запустить кому угодно и где угодно. Это высококачественное изображение было сгенерировано не серверами технологического гиганта, а видеокартой моего ПК (на нём также видно ComfyUI — интерфейс, который я использовал для генерации). Оно поразительно близко по качеству к лучшим закрытым моделям.
Будь то открытые или проприетарные, диффузионные модели обычно выдают довольно случайные результаты, и создание одного качественного изображения нередко требует нескольких попыток. Новейшие диффузионные модели (вроде Imagen 4 от Google) справляются лучше, но в хорошем результате всё ещё немало удачи и метода проб и ошибок.
Мультимодальная генерация изображений
На протяжении большей части эпохи больших языковых моделей, когда LLM вроде ChatGPT создавала изображение, она на самом деле обращалась к одной из этих диффузионных моделей, чтобы та сделала изображение и показала результат. Поскольку всё это делалось косвенно (LLM давала промпт диффузионной модели, которая создавала изображение), процесс создания изображения казался ещё более случайным, чем работа со стандартным генератором изображений.
Это изменилось с выходом мультимодальной генерации изображений от OpenAI и Google в последние пару месяцев. В отличие от диффузионных моделей, которые преобразуют шум в изображения, мультимодальная генерация позволяет большим языковым моделям напрямую создавать изображения, добавляя крошечные пятна цвета одно за другим — ровно так же, как они добавляют слова одно за другим. Это даёт ИИ глубокий контроль над создаваемыми изображениями. Вот «выдра в самолёте с wifi, на экране её ноутбука — программа генерации изображений, создающая изображение выдры в самолёте с wifi» — с моей самой первой попытки.
Но теперь мне придётся кое в чём признаться: любимое животное моей дочери — не просто выдра, а именно морская выдра (калан), а каждое изображение до сих пор было гораздо более распространённой речной выдрой. Наконец, с мультимодальной генерацией, я мог оправдаться как отец, ведь мультимодальные модели могут вносить конкретные изменения и правки: «сделай это морской выдрой, дай ей ирокез, пусть она пользуется игровым ноутбуком Razer».
Я по-прежнему использую Midjourney и Imagen, когда хочу добиться визуального эффекта и готов потратить много времени, перебирая случайные изображения, но если мне нужна конкретная картинка, я теперь всегда обращаюсь к мультимодальным генераторам изображений. Подозреваю, что они будут становиться всё более распространёнными. Пока что мультимодальных генераторов изображений с открытыми весами нет, но это, вероятно, скоро изменится.
Использование кода для изображений и «искры»
Мультимодальная генерация показывает, что ИИ может точно контролировать изображения. Но есть более глубокий вопрос: действительно ли ИИ понимает, что создаёт, или он просто перекомбинирует паттерны из обучающих данных? Чтобы проверить настоящее пространственное мышление, мы можем заставить ИИ рисовать с помощью кода — без визуальной обратной связи, без предобученных паттернов изображений, на которые можно опереться. Это как попросить кого-то рисовать с завязанными глазами, пользуясь только математическими инструкциями.
Один особенно сложный для рисования тип кода — это TikZ, математический язык для создания научных диаграмм в академических статьях. Он настолько непригоден для этой цели, что название TikZ расшифровывается как рекурсивная немецкая фраза «TikZ ist kein Zeichenprogramm» («TikZ — это не программа для рисования»). Из-за этого данных для обучения использованию TikZ в рисовании очень мало, а значит, ИИ не может «вспомнить» код из своего обучения — он должен придумать его сам. Создание изображения чистой математикой на этом языке — трудная задача. На самом деле, рисунок единорога на TikZ, сделанный ныне устаревшей GPT-4, был сочтён в чрезвычайно влиятельной статье признаком того, что у LLM может быть «искра» AGI — иначе как бы она могла быть настолько изобретательной? Вот как выглядел тот единорог, для справки:
Мне повезло чуть меньше, когда я пытался заставить старую GPT-4 нарисовать выдру в самолёте с wifi:
Но что произойдёт, если попросить более свежую модель, например Gemini 2.5 Pro, нарисовать нашу выдру с помощью TikZ? Это не идеально (и Gemini понял «в самолёте» буквально и посадил выдру на крыло), но если розовый единорог показал искру, то это, безусловно, представляет собой более крупный скачок.
И модели с открытыми весами тоже здесь догоняют, хотя обычно остаются на несколько месяцев позади передового края. Новая версия DeepSeek r1, вероятно, лучшая доступная модель с открытыми весами, выдаёт выдру на TikZ, которая не настолько хороша, как закрытые модели вроде Gemini, но я ожидаю, что она продолжит улучшаться.
Сами эти рисунки не так важны, как тот факт, что модели рассуждают о пространственных отношениях с нуля. Именно поэтому авторы статей про «искры» предположили, что эти системы не просто сопоставляют паттерны из обучающих данных, а развивают нечто более близкое к настоящему пониманию.
Видео
Если неподвижные изображения показывают впечатляющий прогресс, то генерация видео раскрывает, насколько быстро ИИ ускоряется. Это была «выдра в самолёте с wifi на компьютере» в исполнении лучшего на тот момент доступного генератора видео в июле 2024 года — Runway Gen-3 alpha.
А это — в Veo 3 от Google с тем же промптом «выдра в самолёте с wifi на компьютере» в 2025 году, менее чем год спустя. Да, звук тоже на 100% сгенерирован ИИ.
И, продолжая тему, теперь существуют ИИ-модели с открытыми весами, которые могут работать на моём домашнем компьютере, — они позади передового уровня, но догоняют. Вот результаты HunyuanVideo от Tencent для того же промпта. Да, это ужасно — но сделано на моём домашнем компьютере, а не в огромном дата-центре.
Что всё это означает
Эволюция выдр раскрывает два ключевых тренда с серьёзными последствиями. Во-первых, явно продолжается быстрое улучшение по широкому спектру возможностей ИИ — от генерации изображений до видео и генерации кода LLM. Во-вторых, модели с открытыми весами, хотя в целом и не так хороши, как проприетарные, нередко отстают от передового уровня лишь на месяцы.
Если соединить эти тренды, становится ясно, что мы движемся к моменту, когда генерация изображений и видео не только, вероятно, станет достаточно хорошей, чтобы обмануть большинство людей, но и эти возможности будут широко доступны и, благодаря открытым моделям, очень трудно поддаваться регулированию или контролю. Думаю, нам нужно быть готовыми к миру, где невозможно отличить настоящие изображения и видео от сгенерированных ИИ, с последствиями для широкого среза общества — от развлечений, которые мы любим, до нашего доверия к онлайн-контенту.
Это будущее не за горами, что видно по этому финальному видео, которое я сделал простыми текстовыми промптами в Veo 3. Когда досмотрите (и заранее прошу прощения за результаты промпта «как мюзикл „Кошки“, но про выдр»), оглянитесь на первое изображение Midjourney из 2022 года. Время между текстовым промптом, выдающим абстрактные массы меха, и тем, что выдаёт реалистичные видео со звуком, составило менее трёх лет.