Thuật ngữ điện ảnh AI: 24 khái niệm cho người mới

Bài viết về điện ảnh và AI đầy những từ kỹ thuật vay mượn, và chúng thường được dùng khá lỏng lẻo. Bảng thuật ngữ này định nghĩa những từ bạn sẽ gặp trong các bài về điện ảnh AI và cảnh quay do AI tạo, đại khái theo thứ tự một cú máy tạo sinh được làm ra. Các định nghĩa được viết cố ý đơn giản, và mỗi định nghĩa kết bằng phần quan trọng trên màn ảnh.

Mô hình và cách nó học

Mô hình (model)

Mô hình là một hệ thống biến đầu vào — một prompt, một ảnh, một khung hình — thành đầu ra như một cú máy được tạo sinh, một nhãn, hay từ tiếp theo. Trong bài viết về phim, “mô hình” thường chỉ toàn bộ công cụ tạo sinh, không phải một thành phần bên trong nó.

Tham số và trọng số (parameters and weights)

Những con số đã học bên trong một mô hình. Huấn luyện điều chỉnh chúng; suy luận dùng chúng mà không thay đổi. Khi một mô hình được gọi là “lớn”, thường là nói đến số lượng tham số.

Huấn luyện (training)

Quá trình điều chỉnh trọng số của một mô hình trên dữ liệu, thường bằng cách so sánh đầu ra với mục tiêu và đẩy trọng số để giảm sai số. Huấn luyện rất tốn kém và phần lớn diễn ra trước khi bạn chạm vào công cụ.

Suy luận (inference)

Chạy một mô hình đã huấn luyện để có đầu ra. Tạo sinh chính là suy luận: không có việc học nào diễn ra, và kiến thức của mô hình bị đóng băng tại thời điểm huấn luyện kết thúc.

Prompt

Đoạn văn bản chỉ dẫn — và đôi khi cả hình ảnh — đặt điều kiện cho một lần tạo sinh. Prompt dẫn dắt đầu ra, nhưng nó không phải mã. Những prompt giống hệt nhau có thể cho kết quả khác nhau giữa các mô hình và phiên bản.

Token

Một đơn vị văn bản mà mô hình xử lý, thường là một từ hoặc một phần của từ. Số token quan trọng vì giới hạn ngữ cảnh và chi phí được tính bằng token.

Mô hình đa phương thức (multimodal model)

Một mô hình xử lý nhiều hơn một loại đầu vào hoặc đầu ra, như văn bản cộng hình ảnh hoặc âm thanh. Hầu hết công cụ video hiện nay đều đa phương thức, ít nhất theo nghĩa này.

Một cú máy tạo sinh được dựng nên thế nào

Không gian ẩn (latent space)

Một biểu diễn số đã nén của hình ảnh hoặc video. Các mô hình làm việc trong không gian này vì nó nhỏ hơn và mượt hơn điểm ảnh thô, và những điểm gần nhau thường trông giống nhau. “Latent walk” nghĩa là di chuyển giữa các điểm để tạo ra thay đổi dần dần.

Bộ tự mã hóa biến phân (VAE)

Một cặp mạng nén một ảnh thành biểu diễn ẩn rồi tái dựng lại. Trong nhiều công cụ ảnh, VAE là phần giải mã một kết quả ẩn trở lại thành điểm ảnh.

Mô hình khuếch tán (diffusion model)

Một mô hình tạo sinh được huấn luyện để đảo ngược quá trình thêm nhiễu dần dần: nó học cách loại bỏ nhiễu từng bước cho đến khi một ảnh hoặc clip hiện ra. Cách tiếp cận này được trình bày trong bài báo giới thiệu denoising diffusion probabilistic models.

Số bước lấy mẫu (sampling steps)

Số bước khử nhiễu mà mô hình thực hiện. Nhiều bước hơn có thể thêm chi tiết, nhưng cũng thêm thời gian và không bảo đảm kết quả tốt hơn.

Seed

Con số ngẫu nhiên khởi tạo nhiễu. Dùng lại một seed với cùng mô hình, thiết lập và phần mềm có thể tái tạo một ảnh gần như nguyên vẹn. Đổi phiên bản mô hình hoặc nền tảng thì kết quả có thể trôi.

Thang hướng dẫn (guidance scale)

Một thiết lập kiểm soát mức độ mô hình bám theo prompt, thường được hiện thực bằng classifier-free guidance. Giá trị thấp cho kết quả lỏng hơn, bất ngờ hơn; giá trị rất cao thường tạo ra kết quả dễ vỡ hoặc quá bão hòa.

Checkpoint

Một tệp trọng số mô hình đã lưu, thường gói cả những thành phần cần thiết để chạy một mô hình cụ thể. Các checkpoint khác nhau trong cùng một dòng có thể trông và hành xử khá khác nhau.

LoRA

Viết tắt của Low-Rank Adaptation: một tập hợp nhỏ các ma trận có thể huấn luyện được thêm vào một mô hình nền bị đóng băng. Nó dạy một phong cách, nhân vật hoặc khái niệm với số tham số huấn luyện ít hơn nhiều so với tinh chỉnh toàn phần.

Tinh chỉnh (fine-tuning)

Huấn luyện thêm một mô hình đã huấn luyện trước trên dữ liệu mới. LoRA là một cách hiệu quả để làm việc đó, và “tinh chỉnh” thường được dùng lỏng lẻo cho bất kỳ sự thích nghi nào.

ControlNet

Một tiện ích bổ sung đặt điều kiện cho mô hình khuếch tán dựa trên thông tin không gian như tư thế, bản đồ độ sâu hoặc ảnh biên, để đầu ra tuân theo một cấu trúc cụ thể thay vì tự phát minh ra cấu trúc.

Inpainting và outpainting

Lấp đầy hoặc thay thế một phần của ảnh (inpainting), hoặc mở rộng ảnh ra ngoài khung gốc (outpainting). Cả hai đều phổ biến trong việc dọn cú máy và mở rộng bối cảnh.

Tạo chuyển động

Nội suy khung hình (frame interpolation)

Tổng hợp các khung hình mới giữa những khung đã có để tăng tốc độ khung hình hoặc làm chậm cảnh quay. Công cụ cũ dùng optical flow; công cụ mới dùng mô hình đã học. Nội suy có thể làm mượt chuyển động, nhưng không thể khôi phục thứ chưa từng được quay.

Nhất quán thời gian (temporal consistency)

Mức độ một chuỗi giữ được mạch lạc từ khung hình này sang khung hình khác: gương mặt, quần áo, ánh sáng và vật lý. Nhất quán thời gian kém thể hiện qua nhấp nháy, biến dạng hoặc vật thể thay đổi giữa các cú máy.

Kết quả và bằng chứng

Ảo giác (hallucination)

Một kết quả khả dĩ nhưng sai: một vật thể hiện ra từ hư không, một bàn tay thừa ngón, dòng chữ gần đánh vần được điều gì đó. Thuật ngữ này mô tả sự vô lý đầy tự tin, không phải một lỗi kỹ thuật với một nguyên nhân duy nhất.

Deepfake

Video hoặc âm thanh tổng hợp hay bị thao túng, thường là gương mặt hoặc giọng nói của một người, được làm bằng học sâu. Từ này thường được dùng lỏng lẻo cho bất kỳ thứ giả trông thuyết phục nào, nhưng định nghĩa hữu ích nêu một kỹ thuật cụ thể và một tác hại cụ thể.

Nâng cấp độ phân giải bằng AI (AI upscaling)

Tăng độ phân giải bằng một mô hình đã học. Nó có thể làm sắc nét chi tiết thật, nhưng cũng có thể phát minh ra chi tiết chưa từng có trong nguồn, nên đạo đức của việc phục chế rất quan tâm đến điều này.

C2PA và Content Credentials

C2PA là một tiêu chuẩn kỹ thuật mở để ghi lại nguồn gốc và lịch sử chỉnh sửa của nội dung số. Content Credentials là tên gọi dành cho người dùng của phần siêu dữ liệu đó. Đó là một tuyên bố có chữ ký về xuất xứ, không phải bằng chứng rằng nội dung là đúng sự thật.

Vì sao vốn từ này quan trọng

Những thuật ngữ này không trung tính. Một bài phê bình nói rằng một cú máy “được làm bằng AI” gần như không cho bạn biết gì: hoạt hình vẽ tay, một mô hình khuếch tán và một deepfake đều khớp với cụm từ ấy. Hiểu pipeline cho phép bạn đặt những câu hỏi sắc hơn — mô hình nào, huấn luyện trên dữ liệu gì, ai chạy, chỉnh sửa ra sao. Đó là những câu hỏi biến một phản ứng mơ hồ thành phê bình.

Để có một lộ trình xem qua những bộ phim đặt ra các câu hỏi lớn hơn, hãy bắt đầu với hướng dẫn xem phim về AI. Về khía cạnh thực hành khi kiểm tra cảnh quay tổng hợp, xem cách nhận ra cảnh quay do AI tạo. Và nếu bạn muốn cơ chế sản xuất thay vì vốn từ, hãy đọc mô hình video AI hoạt động thế nào.