Jak analizować maszynowe obrazy? Metoda medialno-materialistyczna

Generujemy w Midjourney obrazek, wpisując w prompcie frazę "rzetelność intelektualna". Otrzymujemy portret młodego mężczyzny w stroju biurowym i okularach, siedzącego w bibliotece nad wielką starą książką. Na biurku leży też stos innych książek, drugie okulary, pięknie czerwone jabłko i… czaszka. Dlaczego otrzymaliśmy taki, a nie inny wizerunek? Odpowiedź na to pytanie ułatwić może skorzystanie z medialno-materialistycznej metody analizy maszynowych obrazów, opisanej w kwietniu tego roku na łamach czasopisma "Convergence".

Artykuł A media-materialist method for interpreting generative AI images (DOI: 10.1177/13548565261441949, 2026) jest rozwinięciem doświadczeń autora, który od lat generuje i gromadzi maszynowe obrazy, za każdym razem dokumentując kontekst ich powstania, m.in. poprzez wskazanie platformy, treści promptu, parametrów generowania ustawianych bezpośrednio w aplikacjach (processing parameters) i celu, w jakim dany obraz został wytworzony:

Kiedy przeglądam folder z wygenerowanymi przez AI obrazami, które gromadziłem przez niemal trzy lata eksperymentowania, uderza mnie ich różnorodność pod względem jakości, rozdzielczości i treści. Wczesne eksperymenty przypominają grafikę komputerową o niskiej rozdzielczości lub sztukę eksperymentalną, z upływem czasu obrazy stają się jednak coraz ostrzejsze i wyraźniejsze; stają się też bardziej funkcjonalne, w tym sensie, że generowałem je na przykład jako obrazy zastępcze, szkice koncepcyjne, pomoce wizualne, ikony czy tła. Większość z nich jest niezwykle kolorowa i ekspresyjna, z jaskrawymi i dynamicznymi kontrastami barw i tonów. Są tam też oczywiście obrazy, które zachowałem dlatego, że są w uroczy lub niepokojący sposób zniekształcone, pełne glitchu albo po prostu “zepsute”. Uchwycenie tego chaosu i różnorodności obrazów jest trudne, kiedy ogląda się pojedyncze rezultaty generowania. Jednak kiedy towarzyszy temu wiedza o wykorzystywanych platformach, wpisywanych promptach, parametrach przetwarzania i decyzjach dotyczących selekcji [danych treningowych - MW], a także o celach, dla których wygenerowało się poszczególne obrazy (zawodowych, twórczych czy eksperymentalnych), zaczynają wyłaniać się wzorce, motywacje i systematyczne uprzedzenia.

Proponowana przez niego medialno-materialistyczna metoda analizy wytwarzanych maszynowo obrazów korzysta z informacji kontekstowych, gromadzonych w trakcie pracy nad syntetycznym wizerunkiem. Metoda ta jest medialna, ponieważ bierze pod uwagę - obok wybranych wątków teorii mediów (medioznawstwa) - także proces mediacji. Możemy oto pomyśleć, że wygenerowany w wybranym narzędziu AI obraz jest efektem wzajemnego przenikania się czterech warstw, z których każda w pewien sposób kształtuje finalny efekt. Warstwy te to zbiory danych treningowych, model wizualny, interfejs aplikacji, w której jest uruchamiany i oczywiście prompt:

Metoda ta traktuje media generowane przez AI jako artefakty kulturowo-obliczeniowe - ślady danych, modeli, interfejsów i promptów, które ostatecznie osadzają się w gotowej formie wizualnej, przy czym każdy z tych artefaktów zawiera możliwe do zinterpretowania ślady systemów, które wpłynęły na jego powstanie.

Proponowana metoda jest również materialistyczna, ponieważ zakłada, że większe niż finalna treść maszynowych obrazów znaczenie mają kwestie infrastruktury, rozwiązania techniczne i uwarunkowania społeczne, te ostatnie istotne np. przy kształtowaniu zbiorów danych treningowych czy konstruowaniu promptów.

Dane treningowe i pole reprezentacji

Obrazek wygenerowany w Midjourney po podaniu promptu intellectual rigor. Źródło: DOI: 10.1177/13548565261441949, 2026.

Zaproponowaną tu metodę możemy przetestować razem z autorem na jednym z wygenerowanych przez niego wizerunków:

Jeśli chodzi o dane, na których oparto model, czerpie on ze skanów lub fotografii obrazów olejnych, a także z profesjonalnych portretów, które nadają mu określony styl i wpływają na sposób przedstawienia jego tematu. Bez żadnych wskazówek dotyczących sposobu przedstawiania płci, model domyślnie wybiera postać mężczyzny, co sugeruje, że dane skupione wokół takich pojęć jak “intelekt” czy “akademia” są zdominowane przez wizerunki mężczyzn. W rezultacie autorytet intelektualny jest tu podtrzymywany przez spójne i powtarzające się wzorce ikonograficzne obecne w zbiorze danych treningowych.

Memento mori Fransa van Everbroecka (XVII w.). Źródło: Wikimedia Commons.

Dodatkowo na wygenerowanym obrazie pojawiły się atrybuty kojarzone z naukowością (dodatkowe okulary, globus, książki) oraz - co ciekawe - czaszka. Jej obecność, jak pisze autor, wynikać może z pewnych decyzji podjętych na poziomie tworzenia metadanych obrazów źródłowych i następnie automatycznego przetworzenia relacji obraz-opis w modelu. Być może w ten sposób słowo rigor powiązane zostało z wizualnymi wyobrażeniami powagi, surowości czy nawet przemijania, którego symbolem w dawnej sztuce może być czaszka leżąca na biurku pracującego mędrca:

Bez jasno określonego tematu model domyślnie sięga po dosłowne wykorzystanie symboli i figur.

Zanim użytkownik wpisze prompt i rozpocznie się proces generowania obrazu, zależny oczywiście od cech zastosowanego modelu i wysłanych do niego dodatkowych parametrów, treść obrazu determinowana jest już przez zbiór treningowy, będący nie tylko selekcją wizerunków źródłowych, ale też zbiorem przypisanych do nich metadanych. To on, jak czytamy, określa pole reprezentacji. Być może jedynie błędy (glitche) w generowanych obrazach są - jak mi się wydaje - możliwością wyjścia poza ramy narzucane przez zbiór treningowy.

Materialistyczna interpretacja zbiorów danych treningowych może odwoływać się do ich źródeł (z jakiego kręgu kulturowego pochodzą? z jakich okresów historycznych?), warunków, które wpływały na ich kształt (np. zasady prawa autorskiego, dostępność zdigitalizowanych zbiorów bibliotek i muzeów, narodowy kanon) oraz oczywiście budżetów, które wpływają na to, jak wiele obrazów można i jak szczegółowo opisać. Jeśli mamy dostęp do artykułów naukowych opisujących poszczególne modele, możemy znaleźć w nich takie informacje na temat danych treningowych.

Model, interfejs, prompt

Analiza maszynowego obrazu dociera do kolejnej warstwy: modelu. Jak czytamy, na poziomie modelu mogą być generowane specyficzne układy kompozycji (np. kadrowanie geometryczne, sposób oświetlenia) oraz stosowane filtry, np. wygładzanie anomalii czy blokowanie generowania wizerunków twarzy osób publicznych.

Model - jego warstwa kodu, architektura i ukryte mapowania - jest medium samym w sobie. Wyznacza warunki tego, co może zostać wygenerowane, oraz sposób, w jaki taki obraz jest strukturyzowany. Te wewnętrzne mechanizmy nie zawsze są widoczne, ale ujawniają się w generowanych wynikach - szczególnie na granicach spójności (edges of coherence).

Owe granice spójności - o ile dobrze rozumiem, to sytuacje, w których model nie do końca radzi sobie z wygładzaniem obrazu, np. zostawiając w jego treści pewne glitche, pozwalając na nienaturalny wyraz twarzy, błędną liczbę palców itp. Zwrócenie uwagi na takie miejsca pozwala zobaczyć wpływ modelu na kształtowanie obrazu i nawet zapisane w nim ograniczenia - np. kiedy chcemy wygenerować obrazek z twarzą osoby publicznej, a model - zgodnie z polityką jego wydawców - od razu ją zniekształca. Pamiętajmy, że model nie jest bazą danych, którą dałoby się standardowo odpytywać, ani nie jest prostym generatorem kolaży, pracującym na oryginalnych fragmentach wizerunków z danych treningowych.

Model też nie działa w próżni: kolejnymi warstwami analizy są interfejs, za pomocą którego z niego korzystamy i oczywiście prompty, przez które wysyłamy do niego żądania.

Interfejsy są

punktem styku między różnymi obiektami (ciałami), sprzętem, oprogramowaniem, użytkownikami oraz tym, z czym się łączą lub czego są częścią

piszą autorzy jednej z założycielskich opracowań dla nurtu studiów nad oprogramowaniem (software studies). Autor omawianego opracowania dość czytelnie definiuje, czym jest interfejs w systemie generowania obrazów:

Jeśli zbiór danych określa, co może zostać wygenerowane, a model określa, jak zostanie to odwzorowane, interfejs decyduje o tym, w jaki sposób te możliwości są udostępniane użytkownikowi, ograniczane lub przekuwane w możliwe do podjęcia działania.

Przykładowo, w aplikacji Leonardo.ai w graficznym interfejsie użytkownika znajduje się zbiór predefiniowanych stylów estetycznych, w jakich wygenerować można własną grafikę:

Interfejs Leonardo wspiera estetykę dopracowanych, wysokiej rozdzielczości obrazów o potencjale komercyjnym, często zoptymalizowanych pod kątem brandingu, sztuki koncepcyjnej czy fotorealizmu. Jego interfejs sugeruje, że lepsze rezultaty są kwestią odpowiedniego dostrojenia: celem jest dopracowanie, a nie zaskoczenie.

Ostatnią warstwą analizy jest prompt, który autor określa jako szturchnięcie (nudge), ponieważ komenda wysłana do modelu nigdy nie jest interpretowana deterministycznie - jej efekt zawsze zależy od pewnego prawdopodobieństwa. Prompt jest też pewnym zderzeniem logiki ludzkiej, wyrażonej w języku naturalnym, z logiką systemu komputerowego. Człowiek w treści polecenia odwoływać się może do wieloznacznych pojęć (elegancja, kreatywność), które niekiedy nie mają ustalonej tradycji wizualnej - system jednak przetwarza polecenie, mapując te pojęcia do konkretnych konwencji i stereotypów. Autor proponuje pojęcie archeologii promptu, niezbędnej do krytycznej analizy maszynowego wytworu. Jeśli nie znamy oryginalnego polecenia, którego efektem stał się badany obraz, możemy rekonstruować go z jego treści i cech formalnych.

Wiele razy pisałem tutaj o traktowaniu modeli jako pewnego rodzaju archiwum (zob. np. tekst o modelach językowych vintage). Ucieszyło mnie, że autor A media-materialist method for interpreting generative AI images ma podobną intuicję. Medialno-materialistyczna metoda analizy maszynowych obrazów ma pozwalać na badanie, w jaki sposób

stulecia kultury wizualnej zostają statystycznie skompresowane do archetypowych układów.

Jakby nie patrząc, jest to praca z archiwum.

Autor: redakcja