چرا پرامپت کافی نیست؟ معماریِ پیوستگی تصویر در عصر هوش مصنوعی

نورولوژیست‌ها یک حقیقت تکان‌دهنده را در مورد مغز انسان اثبات کرده‌اند: ذهن ما با دیدن هر تصویر، در کسری از ثانیه به‌طور میانگین چیزی معادل ۱۰۰۰ تا ۲۰۰۰ کلمه را پردازش می‌کند. وقتی پای تصاویری با اتمسفر پیچیده و جزئیات سینمایی در میان باشد، این عدد به راحتی مرز ۱۰,۰۰۰ کلمه را هم رد می‌کند!

حالا بیایید به یک کمدیِ تلخ در دنیای امروز نگاه کنیم: شما تصویری با تمام جزئیات، نورپردازی، بافت و اتمسفر در تاریک‌خانه‌ی ذهن خود ساخته‌اید و حالا می‌خواهید تمام آن ده هزار کلمه داده‌ی بصری را صرفاً در قالب چند خط متنی به نام «پرامپت» (Prompt) جنریت کنید! این کار دقیقاً شبیه این است که بخواهید یک دبه‌ی ۴ لیتری آب را با یک قاشق چای‌خوری به ظرف دیگری منتقل کنید. اساساً کلمات، به‌تنهایی، برای استخراج و مصور کردنِ آنچه در عمق ذهن شماست، ابزارهایی به‌شدت حقیر و غیرقابل اتکا هستند.

پایانِ تک‌فریم‌های تصادفی؛ به دنیای «روایت» خوش آمدید

پیش‌نیاز: این مقاله به درد چه کسانی می‌خورد؟

اگر هدف شما این است که صرفاً یک «تک‌فریم» یا «تصاویری مجزا و مستقل از یکدیگر» بسازید تا در شبکه‌های اجتماعی لایک بگیرید، احتمالاً این متن برای شما کاربردی نخواهد بود. هوشواره‌های تصویریِ فعلی، برای ساختن یک فریم ایزوله (بدون نیاز به حفظ استایل در فریم‌های بعدی) بی‌نظیر عمل می‌کنند و به تصویر ذهنی شما بسیار نزدیک می‌شوند.

اما کابوسِ یک هنرمند یا دولوپر دقیقاً از جایی شروع می‌شود که پای «روایت و پیوستگی» (Consistency) به میان می‌آید. جایی که شما به مجموعه‌ای از تصاویرِ به‌هم‌مرتبط نیاز دارید؛ شات‌هایی که کاراکتر، محیط، اتمسفر، استایل، رنگ و نورپردازی باید در امتداد هم حفظ شوند.

راه‌حل چیست؟ احتمالاً اولین پاسخی که به سرعت می‌دهید این است: «خب، رفرنس بصری آپلود می‌کنیم!» اما تا به حال از خود پرسیده‌اید: دقیقاً چه تصاویری را باید به عنوان رفرنس به مدل داد؟ آیا برای این کار استاندارد مشخصی وجود دارد؟ من شخصاً چنین استانداردی را جایی ندیدم. اما پس از مدت‌ها درگیریِ فنی با معماری مدل‌های تصویری و سر و کله زدن با آن‌ها در پروژه‌های مختلف، تلاش کردم یک پروتکل و استاندارد شخصی برای رفرنس‌دهی تدوین کنم. خوبیِ این استاندارد این است که با آپدیت شدنِ روزمره‌ی ابزارها منقضی نمی‌شود؛ مگر اینکه در معماریِ پایه‌ی هوش مصنوعی اتفاق انقلابی و عجیبی بیفتد.

کالبدشکافیِ مدل‌ها: از نقاش‌های کور تا موتورهای کانتکست چندوجهی

برای درک اینکه چرا رفرنس‌دهیِ شما کار نمی‌کند، باید بفهمید در معماریِ این مدل‌ها دقیقاً چه می‌گذرد.

مدل‌های نسل قدیم: آن‌ها شبیه به استادانِ نقاشیِ کوری بودند که فقط می‌توانستند «بشنوند». اگر می‌خواستید ورودی‌ای به جز متن به آن‌ها بدهید، یا آن را پس می‌زدند یا در بهترین حالت، آن عکس را به یک متن طولانی ترجمه می‌کردند. سپس این متن در «فضای برداری» (Vector Space) تفسیر می‌شد تا یک خروجی بصری خلق کند. در این ترجمه‌ی اجباری، بخش عظیمی از روحِ تصویر از بین می‌رفت.

مدل‌های نسل جدید (Multimodal Vision Engines): اما در حال حاضر، مدل‌های تصویرسازِ پیشرو، «موتورهای کانتکست چندوجهی» هستند؛ موتورهایی که چشم باز کرده‌اند. به زبان ساده‌تر، وقتی شما یک رفرنس تصویری (یا حتی ویدیویی) را برای یک مدل چندوجهی آپلود می‌کنید، این ورودی‌ها از طریق شبکه‌ی عصبی بیناییِ مدل مستقیماً وارد فضای برداری شده و وکتورایز (Vectorize) می‌شوند. دیگر خبری از ترجمه‌ی تصویر به متن نیست! مدل، تصویر شما را با تمامِ بافت‌ها و وزنِ نورش «می‌بیند» و آنالیز می‌کند.

سندرم آلودگی رفرنس (Reference Pollution)

وقتی متوجه می‌شویم مدل‌ها تصویر را مستقیماً می‌فهمند، اولین تله‌ای که گرفتارش می‌شویم این است: «پس هرچه عکس بیشتری بدهم، مدل خروجی بهتری و دقیق‌تری می‌دهد!» این یک اشتباه مهلک است که به آن آلودگی رفرنس (Reference Pollution) می‌گوییم. بمباران کردنِ مدل با تصاویرِ مختلف، باعث تداخلِ دیتای بصری شده و خروجی را خراب می‌کند. به‌طور استاندارد، ۳ تا ۵ تصویرِ رفرنسِ مهندسی‌شده، بهترین خروجی را در شرایط نرمال ارائه می‌دهد؛ البته به شرطی که طبق پروتکل رفتار کنیم.

نقش مکمل: رفرنس، بدون پرامپت کار نمی‌کند!

فراموش نکنید: رفرنس دادن بدون پرامپت‌نویسیِ مهندسی‌شده، باز هم آن‌چنان که باید برایتان کار نمی‌کند. رفرنس در اینجا نقشِ «مکمل» را بازی می‌کند. اگر ساختار پرامپتِ شما ضعیف باشد، خروجیِ نهایی از آب درنمی‌آید. در اصل، ما از رفرنس‌ها استفاده می‌کنیم تا پرامپت‌های متنی‌مان را برای مدل «تفسیر» و شفاف کنیم.

۵ ستونِ اصلی برای کنترلِ مطلقِ تصویر در AI

اساساً برای در دست گرفتنِ سکانِ هدایتِ مدل‌های تصویری و کنترلِ تمام‌عیارِ خروجی، شما تنها به تسلط بر ۵ فاکتور نیاز دارید. این پنج ستون، مرز بین یک «کاربرِ آماتورِ تصادفی» و یک «کارگردانِ هوش مصنوعی» را مشخص می‌کنند.

۱. مهندسیِ استایل بصری (Visual Style)

استایل بصریِ هر تصویر را می‌توان هم از طریق پرامپت‌نویسیِ اصولی و هم با کمک رفرنس‌دهی کنترل کرد. بزرگ‌ترین و رایج‌ترین اشتباه، استفاده از کلماتِ کلی و بی‌هویت است (مثلاً: "یک تصویر انیمیشنی قشنگ"). این جنس از پرامپت‌ها، توهین به ظرفیتِ مدل و دور ریختنِ کردیتِ شماست. اگر می‌خواهید به استایلِ دقیق و تاریک‌خانه‌ی ذهنتان برسید، پرامپتِ شما باید این ۵ پارامتر را به‌دقت کالبدشکافی کند:

• مدیوم و ابزار خلق (Medium): جنس و متریالِ پایه‌ی اثر چیست؟ (مثال: 35mm Film Photography یا Impasto Oil Painting)
• نورپردازی و پالت رنگ (Lighting & Palette): رفتار فیزیکیِ نور چگونه است و از کجا می‌تابد؟ (مثال: Volumetric Rim Light یا Chiaroscuro)
• تنظیمات اپتیک و لنز (Lens & Optics): چشمِ دوربین چطور محیط را می‌بیند؟ عمق میدان چقدر است؟ (مثال: 85mm f/1.4 lens با Cinematic bokeh)
• بافت و جنس سطح (Texture & Surface): خروجی روی چه سطحی نقش بسته است؟ (مثال: Matte paper texture یا Glossy metallic finish)
• لنگرگاه هنری یا تاریخی (Artist/Era Anchor): ارجاع به یک مکتب، دوره‌ی تاریخی یا سبک خاص برای قفل کردن اتمسفر. (مثال: Bauhaus Minimalist Design)

۲. رفرنس آبجکت (Object Reference)

پیوستگیِ کاراکتر و اشیاء (آبجکت‌ها) در هر روایتی — چه کامیک‌بوک باشد، چه ویدیوهای کوتاه و چه کالکشن‌های بصری — حیاتی‌ترین دغدغه‌ی پروداکشن است. منظور از «آبجکت» چیست؟ هر شئ یا ابزاری که دارای یک هویتِ ثابت است (نه شکلِ رندوم) و قرار است در چندین فریم تکرار شود؛ مثل شمشیرِ خاصِ یک جنگجو یا یک فانوسِ عتیقه. برای اینکه مدل گیج نشود، حتماً باید یک Reference Sheet کاملاً مجزا و اختصاصی، فقط برای همان آبجکت طراحی کرده و به مدل بدهید.

۳. رفرنس کاراکتر (Character Reference)

کاراکتر هم دقیقاً مشابه آبجکت نیازمند شیت است، اما چرا این دو را در یک دسته‌بندی قرار نمی‌دهیم؟ بسیاری از کاربران، شیتِ کاراکتر و آبجکت‌هایش را در قالب یک تصویرِ واحد رفرنس می‌کنند که از لحاظ فنی اشتباه است. برای رسیدن به بالاترین سطحِ شباهت (Likeness)، شما باید نماهای مختلف کاراکتر را تفکیک کنید: شیتِ ۳۶۰ درجه‌ی تمام‌قد، شیتِ میمیک صورت، شیتِ اکشن‌ها و نماهای کلوزآپ برای جزئیات متمایزکننده (مثل زخم، تتو، یا فرمِ خاصِ چشم‌ها).

⚙️ [باکس فنی - عمیق‌تر بدانید: چرا شیتِ یکپارچه کیفیت را نابود می‌کند؟] وقتی شما تمامِ نماهای کاراکتر را در قالب یک تصویرِ شلوغ و یکپارچه به خوردِ مدل می‌دهید، سهمِ رزولوشن در هر «پچ» (Patch - واحدهای پردازشِ تصویری در شبکه‌ی عصبی مدل) به‌شدت افت می‌کند. مدل نمی‌تواند جزئیات را به‌صورتِ شفاف و فوکوس‌شده آنالیز کند و در نتیجه، درصد شباهتِ خروجیِ نهاییِ شما سقوط می‌کند. تفکیکِ شیت‌ها، دستِ شبکه‌ی عصبی را برای پردازشِ حداکثریِ جزئیات باز می‌گذارد. این نکته هم قابل توجه است که در هر نما مدل نیاز مند همه شیت ها از کارکتر نیست. مثلا در نمای کلوز آپ از صورت کارکتر، مدل احتیاجی به نمای ۳۶۰ درجه ی تمام قد کارکتر ندارد! بلکه فقط احتیاج به شیت میمیک صورت دارد! در نتیجه آلودگی بصری افزایش پیدا می‌کند و دقت مدل کاهش می‌یابد.

۴. پیوستگیِ محیط و صحنه (Environment Consistency)

مدیریتِ صحنه در هوش مصنوعی به دو رویکردِ کاملاً متفاوت تقسیم می‌شود:

• حالت اول (چیدمان محیطی متغیر): زمانی که موقعیتِ دقیقِ اجزا در کادر اهمیتِ حیاتی ندارد؛ مثل حرکت کردنِ کاراکتر در یک جنگلِ انبوهِ مه‌آلود. در این حالت، دادنِ یک تصویرِ واید (Wide) از محیط به عنوان رفرنس، کار را به بهترین شکل جمع می‌کند.
• حالت دوم (چیدمان محیطی دقیق): زمانی که جغرافیای صحنه قفل است. مثلاً کاراکتر در یک اتاقِ مکعبی با یک پنجره‌ی نورگیر در سمت راست و میز تحریری در سمت چپ قرار دارد. اینجاست که نیازمندِ کنترلِ بیشتر روی ترکیب‌بندی و کامپوزیشن تصویر هستیم. در این حالت دادن یک تصویر رفرنس از محیط کفایت نمی‌کند و نیازمند داشتن رفرنسی برای کامپوزیشن و ترکیب‌بندی هستیم.

۵. ترکیب‌بندی و کامپوزیشن (Composition)

به جرئت می‌توان گفت این مهم‌ترین و مغفول‌مانده‌ترین فاکتورِ دنیای AI است. در صنعت سینما و انیمیشن، اگر اصول ترکیب‌بندی و کامپوزیت رعایت نشود، تصویر روح و پیوستگیِ خود را از دست می‌دهد. برخلاف تصورِ عده‌ای که فکر می‌کنند هوش مصنوعی قرار است جای سوادِ کارگردانی را بگیرد، شما در اینجا به شدت نیازمندِ دانشِ فرم و قاب‌بندی هستید! اگر طراح هستید یا به نرم‌افزارهای 3D تسلط دارید، حرفه‌ای‌ترین روش برای کنترلِ کامپوزیشن این است که یک رفرنسِ محیطی (اسکچِ دقیق یا بلاک‌اوتِ سه‌بعدی) به مدل بدهید تا خروجی دقیقاً روی همان ترکیب‌بندی قفل شود.

تاکید دوباره!

به جهت تاکید بیشتر به دلیل اهمیت بالا لازم است دوباره تکرار کنم که رفرنس دادن بدون پرامپت‌نویسیِ مهندسی‌شده، باز هم آن‌چنان که باید برایتان کار نمی‌کند. ما از رفرنس‌ها استفاده می‌کنیم تا پرامپت‌های متنی‌مان را برای مدل «تفسیر» و شفاف کنیم.

کاتِ نهایی: قاعده تصادف و هزینه‌های شما

بیایید با خودمان روراست باشیم؛ مبنای تمام هوش‌مصنوعی‌های تصویری بر اساس پارامتری به نام Seed است. به زبانِ دقیق‌تر: قاعده‌ی تصادف! اینکه شما در چه زمانی و در کدام تلاش به آن شاتِ بی‌نقص و دلخواهتان می‌رسید، ذاتاً یک پروسه‌ی تصادفی است. هرچقدر محدودیت‌ها و استانداردهایی که به مدل می‌دهید کمتر باشد، احتمال رسیدن به تصویرِ ذهنی‌تان در تعداد دفعاتِ یکسان، پایین‌تر می‌آید.

اگر صرفاً با یک پرامپتِ شلخته و فرمولِ «یالا ماشالا» منتظرِ خروجی‌های سینمایی و باکیفیت هستید، برایتان آرزوی موفقیت روزافزون دارم! ابزارها و مدل ها به سرعت در حال آپدیت شدن هستند و هزینه‌ی استفاده از پردازشگرها (چه به صورت دلاری و چه ریالی) روزبه‌روز در حال افزایش است. ما مجبوریم با مهندسیِ دقیق، «بهینه‌تر» عمل کنیم تا هم کیفیت پروداکشن بالا برود و هم در مصرف کردیت‌ها صرفه‌جویی شود.

هیچ ابزارِ هوشمندی، جای اصول، مبانی و سوادِ بصری را نمی‌گیرد. پس در کنار یادگیریِ ابزارهای AI، سوادِ کارگردانی و درکِ فرمِ خودتان را بالا ببرید.

— طاها آوین