::: Az örkényi groteszk generatív montázsokban
A sorozat (ismét) Örkény István Rosszul összetett szavak című nyelvi játékából indul ki. Az örkényi groteszk sokszor rám talál. A szóösszetételekben mindig ott van valami, amit csak képpé kell rontani. A rontásban algoritmusokat is régóta hívok segítségül, bár eddig többnyire a műveletet bíztam rájuk, nem a javaslatot. A multimodális modellekkel azonban megváltozott a helyzet. Most a mesterséges intelligencia a korábbinál valamivel nagyobb szabadságot kap. Nem annyit persze, hogy a szabadságot is szabállyá tanulja, csak annyit, hogy kiléphessen a végrehajtó, leképező és reproduktív szerepkörből, és újabb kísérletet tehessen az alkotótársi státusz megszerzésére.
Kérdés, hogy a szóösszetételekben rejlő eleven, vibráló, meglepő és egyben kétértelmű, ironikus állapot túléli-e a képpé válást. Létrejöhet-e egy olyan kép, amely első látásra érthető, második látásra zavarba ejtő, harmadik nézésre pedig megközelíti az inspiráló szöveget?
A projekt nem kívánja eldönteni, hogy kreatív-e a mesterséges intelligencia. Erre nézve már így is sok vélemény van, és egyik sem látszik különösebben magányosnak. Azt sem vizsgálja, szükséges-e a nyelvi humor és az örkényi groteszk valódi, emberi megértése ahhoz, hogy vizuális megfelelőjük megszülethessen. Marad egy kevésbé ünnepélyes, de makacsabb kérdés: mikor következik be az a bizonyos áttörés? Mikor lesz a kezdetben használhatatlan, túl szó szerinti vagy túl általános képekből működő vizuális állítás, és ehhez milyen csalafinta trükkök, akadémikus kerülőutak és heurisztikus módszerek szükségesek?
A gép nem tud magyarul. Más nyelveken sem tud, de ez kevésbé feltűnő. Nem ismeri Örkényt, nem járt haláltánciskolába, nem simogatott vasmacskakölyköt és nem viselt soha vérfürdőruhát. Nincs szélütésvédője, pedig lehet, hogy szüksége lenne rá ebben a groteszk prompterdőben. Ebből a szempontból ideális munkatárs. Nem szavakat ért, hanem tokeneket, vektorokat és azok viszonyait kezeli. A kultúremberevő szó is feldarabolódik számára ismerősebb részekre, amelyek külön-külön lépnek be egy sokdimenziós kapcsolati térbe. Sok szám, sok viszony, sok korábbi együttállás.
Az első eredmények többnyire azért gyengék, mert a modellnek megvan a maga prioritáskája. Ebben hordja a legvalószínűbb képi priorokat. Kéznél van, praktikus és veszélyes, hiszen elsőként rendszerint ezek kerülnek elő belőle. Ebben a táskában van egy kocka is. A generálás tulajdonképpen mintavétel, hiszen ugyanaz a kérés nem egyetlen szükségszerű képet jelöl ki, inkább egy lehetőségtartományt, amelyből eltérő változatok születhetnek. A modell a tanult vizuális és nyelvi összefüggések által körülhatárolt feltételes lehetőségtérben mozog, a véletlen pedig gondoskodik róla, hogy ne mindig ugyanazon az ajtón lépjen be. A klasszikus diffúziós rendszerekben a képképzés zajból indul, és fokozatosan közelít a megadott paraméterekhez.
A multimodális modell lehet a valódi korlátnok ebben a folyamatban. Korlátolt, mert a tanítóadatok, a képaláírások, a tokenizálás, a nyelvi aránytalanságok, a képi sztereotípiák és az utasításkövetés technikai szabályai szűkítik a mozgásterét. Látnok, mert a szöveg mellé képeket, korábbi változatokat, javításokat, stílusnyomokat és vizuális ellenpéldákat is be tud fogadni. Ezért nyer a lassú iteráció. Ez persze nem jelenti azt, hogy a masina lassú. Ellenkezőleg. Egy nyomornegyedóra alatt annyi zsákutcán végigszalad, amennyire nekem korábban egy egész munkanap sem volt elegendő. A gyorsaság azonban furcsa módon nem rövidíti meg a munkát, inkább megsokszorozza a döntéseket. Régen egy rossz irányba dolgoztam órákig, most húsz rossz irány érkezik egyszerre.
Ha kellően finomhangolnám a kérdést, akkor így tenném fel: tudhat-e a gép többet, mint aminek a lehetősége bele van programozva? Az biztosan állítható, hogy tud stílust átültetni, mintázatokat keresni, képek és fogalmak között bolyongani, egymás közelébe sodródott jelentéseket összekapcsolni, majd a műveletet addig ismételni, amíg valami elő nem áll. Hogy az eredmény helyes-e, azt nem tudja. Hogy jó-e, azt sem. Ennek ellenére gyakran mindkettőt teljes meggyőződéssel állítja.
Ezért, ha használni akarom az apparátus nyújtotta művészivégtag-meghosszabbítás lehetőségét, nekem is bele kell adnom valamit a közösbe, hogy legyen miből következtetnie korábbi és jelenlegi rögeszméimre. A kevésbé szigorú szakterminológia ezt etetésnek nevezi. Megetettem hát a gépet. Odaadtam neki a képeimet tanulmányozásra, szétszedésre, feldarabolásra, összehasonlításra, és olyan összefüggések keresésére, amelyeket eddig talán én sem vettem észre bennük. Megmutattam, mit csináltam éveken át, majd engedélyt adtam, hogy ne tartsa tiszteletben. Ez bizonyos (erős) elhatározást igényelt. Az ember ugyanis másképp nézi a saját munkáját, amikor tudja, hogy a következő pillanatban nyersanyag lesz belőle. Van ebben valami enyhén kannibalisztikus, azzal a megnyugtató különbséggel, hogy egyelőre én adagolom a falatokat.
A képek azonban önmagukban nem elegendők. Azt is el kellett mondanom neki, hogy mit fogyaszt. Nem szeretek címkézni és címkézve lenni sem, de képeim vizuális leírásának elkészítésekor kénytelen voltam észrevenni, hogy az vagyok, aki a testet rendszeresen szétszedi, pontosabban fogalmazva inkább átszereli és más anyagokból újra összerakja. Keveréklényeimben a biológiai és a technológiai formák már nem választhatók el egymástól. A figurák többnyire arctalan, antropomorf szerkezetek, valahol a báb és az archaikus automata között. A kéz lehet szerszám, az arc rostély vagy rózsa. A különböző eredetű részeknek nem kell tökéletesen összenőniük. Elég, ha működőképesen összeférhetetlenek, az elemek felismerhetők, így az illesztés szabálytalan.
Számomra vállalható ez a fajta konstruáltság, hiszen nem akarom elhitetni, hogy az egymás mellé került részek mindig is összetartoztak. A generatív képszerkesztés egyik alapvető célja viszont éppen a vizuális koherencia megkomponálása. A diffúziós képkiegészítés szakirodalma kifejezetten úgy határozza meg a feladatot, hogy a generált rész simuljon bele a környezetébe, és a határdiszkontinuitások eltűnjenek. Talán ez a legnagyobb különbség köztem és a generatív modell között, hogy ő a koherenciát erőlteti ott, ahol nem törekszem a szabályos összeillesztésre és a varratot részesítem előnyben.
Ezek után, ha például azt mondom neki, hogy haláltánciskola, már az én világomban botorkál, de persze még mindig fel kell világosítanom a halálról, a táncról és az iskoláról (külön-külön), majd megkérdezni, érti-e a nyelvi játékot. Ha igenlően válaszol, akkor sincs okom megnyugodni, de a folyamat mehet tovább. A halálhoz csontvázat rendelünk. Régi, kipróbált megoldás. A tánchoz mozdulatot. Az iskolához tanárt, tanulót, szemléltetőeszközt és fegyelmet. Ezután megismertetjük a művészettörténetben azokkal, akik már korábban is ábrázolták a lehetetlent. Megmutatjuk neki a Danse Macabre ábrázolásait, Hans Holbein haláltánc-metszeteit, a vanitas csendéleteket, az anatómiai atlaszokat. Ha minden összetevő a megfelelő súlyozást kapja, akkor a végeredmény úgy néz ki, mintha ugyanaz az ember készítette volna, csak közben többen voltak, tehát nem egyedül volt önmaga.
A multimodális modell a fentiekből nem világnézetet ért meg, hanem mintázatot. A halál például számára meglehetősen jól katalogizálható vizuális probléma. Nekem valamivel személyesebb ügy. Kettőnk közül ugyanis jelenleg én vagyok az, akinek az anyaga kevésbé időtálló. Ezen a ponton célszerűnek látszott a Halált egy másik képen szabadságra küldeni. Történetesen női alakban, vérfürdőruhában várja a vonatot. Bőrönd, mentőöv és törölköző is van nála, a kaszával pedig elvégzi az utolsó simításokat, és környezete semmi okot sem lát az aggodalomra.
Beszéljünk a géppel képletesen, pontosabban képletekben: [A → x ← B], ahol x mindkét halmazhoz tartozik, következésképpen egyikhez sem egészen. A groteszk akkor tud működni, ha az x két jelentés között marad, és egyik sem tudja végleg a maga oldalára állítani. Ez a kiindulás. A munkafolyamat többszörös (át)fordításból áll. Az alkotó először jelentésmezőkre bontja a szóösszetételt. Ezután utasítást ír. A gép képet készít. A szénalapú fél válogat, javít, töröl, átrendez, visszaküld és újrafogalmaz. A szilíciumalapú fél ismét képet készít. Az ember végül elvonul Digitáliának abba a sarkába, ahova az AI keze nem ér el, és az immár klasszikusnak számító képszerkesztő, retusáló, maszkoló módszerekkel összeépíti és újrarajzolja a művet. Ez addig folytatható, amíg létre nem jön egy olyan kép, amelyről már egyikük sem tudja pontosan megmondani, hogyan jutott eszébe. Ekkor a képet késznek nyilvánítják. El lehet látni szignóval. Kinek a szignójával? Legyen azé, akié az öntudat? Kinek Életrajzszögezzük (le) a szerencsés véletlent?
A Gépzongoraművész készítése közben adódott egy másik, meglepően kézenfekvő analógia. A zongora billentyűinek száma véges, a rajtuk eljátszható dallamoké viszont gyakorlatilag beláthatatlan. A generatív modell is véges szabályrendszerrel és véges számú paraméterrel dolgozik, az ezekből előállítható képi állapotok száma azonban óriási. A gépezet figurái lehetnek elvetett variációk, kiperdülő lehetőségek, vagy a művész saját alteregói. A kompozíció alján mindenesetre marad egy üres szék, ahova valakinek időnként le kell ülnie dönteni.
A munkafolyamat vége felé, amikor a kép már majdnem elkészült, csak valami még feltűnően rendben volt vele, kialakult egy különös fázis: a masina időnként észrevette azt, amit én már megszoktam. Szólt, ha túl nagy lett a szimmetria, ha az ornamentika már csak díszletté vált, vagy ha a fekete negatív tér funkciótlanul működött. A Pókhálószobában például kifogásolta a digitálisan túlságosan hibátlan padlót, a Szeméremgyűjteményben azt javasolta, takarjuk el a díjakat, mert indokolatlanul közlékenyek, a Szitakötödénél pedig felvetette, hogy az egyik szárny legyen kissé hibás. Ez utóbbi különösen szép fordulat. A varratmentes, szimmetrikus, koherens világ felé húzó rendszer néhány kör után maga kezdte követelni a repedést, az aszimmetriát.
A technomédiumok evolúciójával kapcsolatban rendszerint csak azt kérdezzük, hogyan írják át az eredetiség fogalmát, és hogyan változnak meg általuk a művek. Munka közben azonban egyre inkább az kezdett érdekelni, hogy mi történik magával az alkotóval. Mit tesz vele az a szintetikus munkatárs, aki nem fárad el, nem sértődik meg, nem kér jogdíjat, és szükség esetén századszor is nekifut ugyanannak a feladatnak? Ráadásul egészen hűen képes visszatükrözni a már látottakat. Lustává teszi? Vagy egyszerűen átszoktatja egy másfajta munkára?
Vissza akarok-e még térni a pixelről pixelre végzett munkához? Akarok-e még egyedül dolgozni, ha egyszer már megtapasztaltam egy fáradhatatlan gép közreműködését? Vagyis az automatizálás után éppen az válhat nosztalgia tárgyává, amitől szabadulni akartam. És ha nem, akkor valóban felszabadítom-e magam valami alól, vagy csak bezárom magam a kényelem és a delegált képzelet börtönébe?
A számítógépes képkészítés elterjedésének időszakában voltak, akik attól tartottak, hogy a digitális felület közbeiktatásával túl nagy távolság lesz az alkotó és műve között, és eltűnik a kéz gesztusa. Digitális montázskészítés közben azonban az alkotó végig kapcsolatban marad a mű alakulásával. A mozdulat nem vész el, csak kevésbé közvetlenül követhető. Az ecset útja, az áthelyezés, egy radír mérete, a torzítás iránya, egy elem kétpixeles elmozdítása mind olyan apró döntés, amelynél a beavatkozás eredményét már a végrehajtás közben látjuk kialakulni. A metamorfózis köztes állapotaihoz is hozzáférünk, és időnként éppen ott történik valami, ami eredetileg nem volt tervben.
A prompt más természetű beavatkozás, megváltozik a visszacsatolás ritmusa. Nagyrészt szöveg alapú utasítást adunk, és a következő állapothoz egy ugrással jutunk el. Nem járjuk végig ugyanazt az utat, amelyen a kép sok lépésen át alakul. Azonban már ez sem teljesen igaz. A maszkolás, a lokális generálás, a csomópontokból felépített munkafolyamat és az egymást követő részleges módosítások révén a generatív rendszerbe is egyre több helyen vissza lehet nyúlni. A különbség ezért talán nem kéz és gép, analóg és digitális, régi és új között van. Inkább abban, hogy a művész hol és milyen sűrűn lehet jelen a folyamatban.
Az alkotói jelenlétet persze később is vissza lehet szerezni. Dadaista párhuzammal élve, a generált kép ezért lehet végeredmény helyett talált tárgy is. Csakhogy a talált tárgy hasonlat itt kissé megbicsaklik, ha olyasmit találok, amit a rendszer éppen az én korábbi képeimből következtetett ki. Talált tárgy, amelyet történetesen nem találtam, hanem legeneráltattam. Szétvághatom, újrarendezhetem, összeragaszthatom más elemekkel, átrajzolhatom, vagy egyszerűen felhasználhatom valamire. Ebben az esetben a generatív modell a munka egy bizonyos pontján befejezi a feladatát. A kép pedig visszakerül az alkotóhoz. Ez persze még nem bizonyítja, hogy megmenekültem a kényelemtől. Csak azt, hogy egyelőre nálam maradt a kulcs.
A kérdés (egy kis része) ezzel megválaszolódott. Annyira legalábbis, hogy hamarosan újra fel lehessen tenni. Az áttörés tehát egyrészt a kontextusteremtés lehetőségében és a döntések sűrűségében rejlik. Az, hogy mindehhez az egyik fél részéről nincs szükség megértésre, csak mintázatokra, fogalmi kapcsolatokra és formai összefüggésekre a látens térben, a helyzet így izgalmas. Továbbá lenyűgöző. És talán kellemetlenül érdekes is.
Spitzer Fruzsina