Potrošio sam gomilu vremena i živaca igrajući se sa najnaprednijim AI sistemima za generisanje videa na svetu. To nisu igračke. Iza njih stoje ogromni GPU klasteri, modeli trenirani na nezamislivim količinama video materijala i infrastruktura u koju su uložene milijarde dolara.
Danas praktično svako može iz browsera da koristi tehnologiju koja je do pre nekoliko godina postojala samo u istraživačkim laboratorijama. . .
Konkretno, igrao sam se sa Seedance 2.0 i Kling 3.0. Impresivni su. Zaista jesu. Ali tek kada shvatiš za šta su zapravo napravljeni.
Ako hoćeš YouTube Shorts, UGC reklamu, skeč, influensera koji priča u kameru, SF kadar sa lebdećim automobilima, eksploziju, dim, dramatično svetlo i kameru koja leti kroz prostor, dobijaš rezultate od kojih pre nekoliko godina ne bismo verovali da su mogući.
I nije slučajno. Za to su optimizovani. . .
Današnji AI video modeli uče iz mora modernog internet sadržaja. Reklame. TikTok. Shorts. Reels. Gaming. Filmski trejleri. Sve mora da bude dinamično. Nešto stalno mora da se dešava.
Problem nastaje kada poželiš nešto potpuno suprotno. . .
Ozbiljan sadržaj.
Čovek stoji mirno i drži besedu.
Koncert klasične muzike. . .
Baletsku predstavu.
Pozorišnu monodramu.
Čoveka koji polako obilazi muzej i u tišini posmatra slike.
Hor koji peva u hramu.
Tu se završava magija . .
Modeli nisu učili na tome. Učili su na modernom internetu. Na reklamama, TikTok-u, trejlerima, influenserima i sadržaju gde se svakih nekoliko sekundi nešto spektakularno dešava.
Kažeš da sveća gori.
On napravi vatromet. . .
Kažeš kandilo.
On doda maglu, lebdeće čestice i svetlo kao da je upravo otvoren portal u drugu dimenziju.
Kažeš da čovek mirno govori. . .
On klima glavom kao motivacioni govornik na poslovnoj konferenciji.
Kažeš da ne pomera telo.
On pronađe potpuno novi način da pomeri telo.
Najzanimljivije je što na prvi pogled sve izgleda odlično. Rezolucija odlična. Svetlo odlično. Lice odlično.
A onda pogledaš pozadinu. . .
Umesto pravoslavnog hrama dobiješ nešto između Tibeta, Mordora i „House of the Dragon“. Ako pokušaš ozbiljan koncert, bina počne da liči na Evroviziju. Ako tražiš pozorište, dobiješ filmski trejler.
Ako želiš balet, svaki pokret postane koreografija za holivudski spektakl. Ako pošalješ čoveka u muzej da petnaest sekundi mirno posmatra jednu sliku, AI posle osam sekundi zaključi da publici očigledno nije dovoljno zanimljivo i krene da režira sopstveni film. . .
Sve izgleda poznato, ali ništa nije na svom mestu.
I onda shvatiš da problem nije u promptu. . .
Nije ni u tome što nisi napisao „subtle“, „minimal“, „historically accurate“ ili „solemn“. Sve to možeš da napišeš sto puta.
Problem je što su ovi modeli optimizovani da proizvode pažnju, a ne dostojanstvo. . .
Zapravo, tu se vidi kako današnje mašinsko učenje funkcioniše. Model ne razume šta je liturgija, galerija ili pozorišna predstava. On statistički procenjuje šta bi najverovatnije trebalo da usledi na osnovu milijardi primera koje je video tokom treniranja.
Ako je internet naučio da se posle krupnog plana lica kamera zanjiše, da se pojavi dramatično svetlo ili da kadar dobije dodatnu dinamiku, model će upravo to smatrati dobrim odgovorom. Nije umetnik. Nije reditelj. On je, u suštini, veoma skup sistem za automatsko dovršavanje videa.. Samo što umesto sledeće reči predviđa sledeći pokret kamere. Bukvalno sabira obrasce pažnje koje je internet proizvodio poslednjih petnaest godina. . .
Čak i kada to uopšte ne tražiš, modeli imaju tendenciju da pomalo fetišizuju ljude u kadru. Pogled postane intenzivniji. Usne malo naglašenije. Pokreti tela malo „filmskiji“. Nije to zato što je model perverzan. Nego zato što je učio na internetu, a internet odavno zna da ljudsko lice, atraktivna osoba i blaga seksualizacija veoma efikasno zadržavaju pažnju. AI ne razume erotiku. Razume statistiku klikova.
Zbog toga nije dovoljno imati više parametara ili brže GPU kartice. Problem je mnogo dublji. Funkcija cilja tokom treniranja praktično nagrađuje ono što privlači pažnju. Mir nije nešto što internet meri. Tišina ne donosi klikove. Nepomičnost ne povećava gledanost. Zato modeli imaju gotovo fizičku potrebu da „pomognu“. Kao da negde u pozadini sedi zabrinuti montažer koji svakih pet sekundi viče: „Ljudi, ubacite malo dima, ode publika!“
Njihova predstava sveta je internet.
Ako se u kadru dvadeset sekundi ništa spektakularno ne desi, model ima utisak da nije dobro uradio posao. Mora da doda dim. Mora da pojača svetlo. Mora da pokrene kameru. Mora da „pomogne“. . .
A upravo je u ozbiljnom sadržaju najveća vrednost često u tome što se gotovo ništa ne dešava.
Posle nekoliko hiljada potrošenih kredita počinje da se javlja jedna neprijatna misao. . .
Možda ovakve stvari jednostavno ne treba raditi na zatvorenim komercijalnim servisima.
Možda je jedini ozbiljan put lokalni model koji možeš da treniraš, kontrolišeš i nateraš da radi upravo ono što želiš. Bez skrivenih stilova, bez „kreativnih“ odluka i bez toga da ti posle svakog rendera ostane pitanje zašto se iza dirigenta iznenada pojavila atmosfera iz epske fantazije. . .
Verovatno ćemo za nekoliko godina imati modele specijalizovane za različite vrste videa. Jedan za reklame. Drugi za film. Treći za dokumentarce. Četvrti za arhivsku rekonstrukciju. I možda jedan koji će konačno razumeti da čovek može da stoji ispred slike u muzeju trideset sekundi, a da to nije greška koju treba ispraviti.
Možda je upravo to sledeći korak AI videa. . .
Ne veći modeli.
Nego modeli koji umeju da razumeju razliku između pažnje i prisustva.
Jer nije svaki video napravljen da zadrži korisnika još tri sekunde.
Neki su napravljeni da čovek tih trideset sekundi jednostavno bude miran. . .