Artificial Intelligence Goes to Hollywood (and Infiltrates the Movie Industry)
Coraz więcej aplikacji uczenia maszynowego znajduje drogę do różnych aspektów produkcji filmowej i zawodu aktora
W poprzednich postach badaliśmy, jak sztuczna inteligencja/uczenie maszynowe jest coraz częściej stosowane w nauce, a także w różnych (innych) kreatywnych przedsięwzięciach (część 1, część 2).
Zapuśćmy się teraz do krainy, gdzie spotykają się wielkie budżety i kreatywność: Hollywood, Tinseltown, magiczna kraina filmu.
Tam, rosnącym budżetom towarzyszy coraz częstsze stosowanie coraz bardziej wyrafinowanego CGI. Decyzje dotyczące produkcji filmowej zależą nie tylko od budżetu, ale także od przewidywanych zysków. Prognozy te opierają się na danych o widzach. Podział budżetu? Dane. CGI? Dane.
Już słyszę, jak AI zaciera swoje wirtualne ręce.
Blockbusterowe budżety
Produkcja filmowa z listy A nie jest tanią inwestycją. Współczesne blockbustery filmowe regularnie przekraczają 200 milionów dolarów. Jeśli jesteś kimś z firmy produkcyjnej, która ma dokonać (części) takiej inwestycji, będziesz chciał mieć jak największą pewność, że film będzie hitem. Nikt nie inwestuje bez oczekiwania zysku.
Jak ocenić potencjał zysku filmu? Spójrz w przeszłość. Jakie (rodzaje) filmów dobrze sobie radziły? Czy istnieją cechy wspólne dla kinowych hitów? Czego szukają widzowie i na co są skłonni wydać pieniądze?
Strach przed utratą pieniędzy i odejściem od znanych formuł sukcesu doprowadził do obecnej „ery sequeli”.
Ale, jak wszyscy wiemy, nie jest to gwarancja sukcesu. Niektóre sequele są świetne, inne nie za bardzo.
A gdybyśmy mieli system, który uwzględniałby jak najwięcej istotnych parametrów w ocenie „potencjału blockbustera”, nie – lub przynajmniej mniej – utrudniony przez ludzką awersję do ryzyka?
Guess what? Duże firmy produkcyjne już to robią. 20th Century Fox używa systemu o nazwie Merlin (który przewidział sukces Logana), Warner Bros. niedawno rozpoczął współpracę z Cinelytic, firmą wykorzystującą uczenie maszynowe do przewidywania sukcesu filmu. Belgijska firma ScriptBook może przewidzieć zwrot z box office’u filmu z 86% skutecznością (i potencjalnie już współtworzyła scenariusze do filmów – nie wiemy, do których z powodu umów o nieujawnianiu…).
Nikt nie inwestuje bez oczekiwania zysku.
Miejmy tylko nadzieję, że rosnące wykorzystanie tych systemów AI/machine learning doprowadzi również do wspierania ukrytych klejnotów, które w przeciwnym razie zostałyby zignorowane. Jeśli studia dostarczą więcej danych niż tylko o przeszłych sukcesach, czy te systemy będą w stanie przewidzieć zmęczenie widzów sequelami?
CGI, nieśmiertelność i głębokie fałszerstwa
Wszyscy słyszeliśmy o magii zielonego ekranu. Aktorzy i aktorki robią swoje przed zielonym ekranem, artyści VXF posypują trochę magii CGI i voila, nasi bohaterowie i złoczyńcy walczą z bronią laserową na szczycie statku kosmicznego. (Bonusowy fakt: ekran jest zielony, ponieważ pierwotnie był używany przez meteorologów, którzy – w tamtych czasach – nosili niebieskie kombinezony. Jaki kolor świetnie z tym kontrastuje? Racja, jaskrawa zieleń.)
Ale oddzielenie prawdziwych aktorów/aktorek od wirtualnego tła nie zawsze jest łatwym zadaniem.
W rzeczywistości, najlepsze, najbardziej gładkie wyniki wymagają niemal piksel po pikselu przypisania pikseli do aktora/aktorki, elementu pierwszego planu lub tła. (I są nawet pstrokate piksele, które składają się po trochu ze wszystkiego.)
Wejdź do AI.
Badacze z MIT zaprezentowali ostatnio system zwany semantyczną segmentacją miękką, który:
…analizuje teksturę i kolor oryginalnego obrazu i łączy je z informacjami uzyskanymi przez sieć neuronową na temat tego, czym tak naprawdę są obiekty na obrazie.
Długo by opowiadać, system znacznie przyspiesza proces i chociaż obecnie pracuje ze statycznymi obrazami, nie ma wątpliwości, że przemysł filmowy uważnie śledzi jego rozwój.
Co z samymi aktorami/aktorkami?
Jedną z rzeczy, którą AI/uczenie maszynowe może już zrobić, jest „podrasowanie” aktorów/aktorek. Znanym niedawnym przykładem jest film Irlandczycy, w którym Robert De Niro, Joe Pesci i Al Pacino zostali „postarzeni” dzięki połączeniu uczenia maszynowego i innowacyjnych technik motion-capture. Żadnych długich godzin w pokoju do makijażu wymaganych.
Innym przykładem jest Thanos w Avengers: Endgame. Nowy system uczenia maszynowego, który nosi trafną nazwę Masquerade, namalował wyraz twarzy Josha Brolina na renderowanej w wysokiej rozdzielczości twarzy Thanosa, oszczędzając artystom VFX wielu godzin żmudnej pracy.
Nie chodzi o SI, chodzi o to, jak ją rozwijamy i wykorzystujemy.
To są jednak prawdziwi aktorzy. A co z rzeczywistymi systemami aktorskimi AI?
Cóż, jeszcze tego nie osiągnęliśmy. Ale biorąc pod uwagę obecne przerażająco dobre deepfakes i rosnącą zdolność systemów uczenia maszynowego do robienia tego, co wydaje się prawie jak twórcze skoki, nagle sprawia, że prawdziwe życie S1m0ne wygląda mniej nieprawdopodobnie.
Czy to wyrzuci aktorów/aktorki z biznesu? Mam nadzieję – i myślę – że nie. Podobnie jak w przypadku innych artystycznych przedsięwzięć AI, przyszłość może być hybrydowa. Pół-niezależni aktorzy AI mogliby dać ludzkim aktorom/aktorkom „partnera” do działania przed zielonym ekranem, a może nawet do improwizacji.
Możliwym problemem jest to, że dane używane do rozwoju Hollywood AI mogą odzwierciedlać lub nawet wzmacniać istniejące uprzedzenia. Z drugiej strony, ostrożne i rozsądne wykorzystanie uczenia maszynowego może pomóc w identyfikacji tych uprzedzeń. Nie chodzi o SI, chodzi o to, jak ją rozwijamy i wykorzystujemy. Wykorzystaniu SI w Hollywood powinna towarzyszyć zróżnicowana i inkluzywna obsada postaci.
I… cięcie.