L’IA occupe un domaine qui n’est évidemment ni analogique ni numérique. Peut-il un jour servir de base à un enregistrement vidéo professionnel – ou même à un flux de travail de post-production ?

Pour moi, le débat analogique/numérique est terminé, avec une conclusion simple et incontestable, à savoir que si vous disposez d’un échantillonnage à suffisamment haute résolution (et cela inclut à la fois la profondeur de bits et la fréquence d’échantillonnage), alors vous obtenez une reproduction presque parfaite. Une petite précision : vous avez une reproduction presque parfaite de ce qui est entré dans le convertisseur analogique-numérique, pas nécessairement de la réalité, mais c’est un débat sur les microphones et les capteurs.

En d’autres termes, la numérisation n’a rien de intrinsèque qui devrait déformer ou, de toute autre manière, modifier le signal d’origine.

Pour quiconque n’est pas familier avec le processus d’échantillonnage, cela peut paraître surprenant. Et les purs et durs de l’analogique ne seront probablement pas satisfaits de la réalité mathématique selon laquelle si vous échantillonnez suffisamment profondément et suffisamment haut, vous ne manquerez rien d’utile du signal d’origine.

Rien de tout cela ne veut dire que je n’aime pas les disques vinyles, les bandes magnétiques ou même les films cinématographiques 8 mm. C’est juste qu’il s’agit bien plus d’une approximation de la réalité qu’un bon enregistrement numérique, avec souvent une bonne dose de caractère. Il y a quelque chose de intrinsèquement chaleureux et engageant dans les enregistrements analogiques, dont presque toutes les nuances peuvent désormais être simulées numériquement.

Le lien entre génératif et analogique

Je pourrais écrire pendant des jours sur ce sujet et prendre plaisir à y réfléchir avec des dissidents de mes propres opinions. Mais aujourd’hui, la signification de l’analogique est sur le point d’être étendue plus loin que nous ne le pensions conceptuellement possible. Parce que je vais affirmer que l’IA générative est à certains égards analogue à un processus analogique. Ou est-ce?

Tout dans l’expression « Intelligence artificielle générative » suggère qu’elle ne sera pas fidèle à l’original. Mais cela ne doit pas nécessairement être le cas. Qu’en est-il de la suppression du bruit ? Le bruit peut masquer des détails qui n’étaient pas visibles sur l’image d’origine, et l’IA peut les restaurer. Ou, du moins, semble les remettre en place. Que cela soit acceptable ou non dépend du contexte. Si la photo est un portrait de mariage et que certains détails de la robe de la mariée ne sont pas aussi nets qu’ils devraient l’être, peu de gens s’opposeraient à ce que l’IA corrige (littéralement) la situation. Mais si l’image constituait une preuve cruciale dans une affaire de falsification de passeport, elle serait probablement rejetée hors du tribunal, car elle constituerait essentiellement une falsification de la preuve.

Il est facile de se laisser distraire par le fait que l’IA fonctionne sur des processeurs numériques. Ceux-ci créent des réseaux de neurones qui se comportent tout sauf numériquement. C’est cette relation qui s’apparente à celle de l’échantillonnage numérique de phénomènes analogiques. En fin de compte, les échantillons ne sont pas pertinents pour le résultat (autrement que comme moyen de le reproduire). Lorsque vous enregistrez numériquement un instrument de musique analogique, le résultat final que vous entendez est un instrument analogique.

Et il en va de même avec l’IA. Lorsque vous demandez à l’IA générative de créer une scène, elle ne le fait pas avec des pixels ; il le fait avec des concepts. Si vous lui demandez de dessiner une girafe, c’est cet animal au long cou qui est le résultat, et la nécessité actuelle de le représenter sous forme de pixels (car c’est ainsi que fonctionnent nos écrans) n’est pas pertinente. Si, pour une raison quelconque, nos pixels étaient triangulaires ou en forme de croissant, l’IA fonctionnerait toujours de la même manière. Au moment où vous voyez l’image finale, les pixels – et le traitement numérique – n’ont plus d’importance.

Améliorer la réalité ?

Quel est le but de tout cela ? Peut-être serons-nous capables d’utiliser l’IA non seulement pour « générer » quelque chose qui n’a jamais existé, mais aussi pour « générer » de la réalité. Montrez-lui la sortie du capteur d’une caméra et vous pourrez lui demander de générer la même image, mais en mieux. Peut-être avec plus de résolution, plus de détails et bien sûr, subtilement modifié pour s’adapter à un autre rapport hauteur/largeur ou avec une qualité de couleur différente.

Ce processus décrit essentiellement un codec AI. Au lieu d’utiliser des mathématiques telles que des transformations cosinus discrètes pour compresser l’image avec le moins de perte visuelle possible, vous confieriez à un modèle d’IA spécialisé la représentation d’une scène dans un domaine conceptuel. Selon la manière dont cela est fait, cela peut même nécessiter plus de données que l’original, mais il semble probable qu’une partie du modèle pourrait utiliser sa propre « intelligence » pour étudier comment réduire la quantité de données nécessaire pour reproduire la même image.

Et comme nous le savons désormais en expérimentant des modèles génératifs, il n’y a presque aucune limite. La post-production deviendrait une question d’ingénierie rapide. Et l’IA participerait également à l’optimisation de ces invites. Donc, oui, vous pouvez demander au modèle de « donner à cette scène l’impression qu’elle a été tournée sur une planète avec deux soleils et une atmosphère de méthane », mais vous pouvez également utiliser des interfaces utilisateur d’étalonnage des couleurs conventionnelles pour contrôler le processus d’IA.

Cela ne se fera pas du jour au lendemain. La qualité du résultat est importante, et il sera difficile de la réaliser correctement. En fin de compte, ce que nous décrivons ici est une couche sémantique dans un flux de travail technologique de post-production. C’est là que vous indiquez au flux de travail quel est le résultat souhaité. La manière dont nous parvenons à ce stade est peut-être indistincte du point de vue actuel, mais il existe des étapes que nous pouvons franchir pour y parvenir. C’est ce que j’appelle un « flux de travail cognitif ». C’est extrêmement spéculatif pour le moment, mais dans un prochain article, je décrirai les étapes dont nous avons besoin pour créer un flux de travail entièrement optimisé pour l’IA.