سه مخزن گیت‌هاب که پرامپت‌های تصویری را به سیستم‌های خلاق تبدیل می‌کنند

آیا یک «مهارت خلاق» می‌تواند جایگزین پرامپت‌های سنتی شود؟ موج جدیدی از مخازن گیت‌هاب نشان می‌دهد که می‌توان به‌جای توصیفات ساده، از سیستم‌های پیچیده‌ای استفاده کرد که فرآیند تصمیم‌گیری یک مدیر هنری را برای آموزش عامل‌های هوش مصنوعی کدنویسی می‌کنند تا به آن‌ها بیاموزند چگونه عناصر بصری را مشاهده، تفسیر و ترکیب کنند.

سال‌هاست که تولید تصویر با مهندسی پرامپت (Prompt Engineering) — که شبیه هنر سؤال درست پرسیدن از یک مشاور باتجربه است تا بهترین جواب را بگیرید — پیش می‌رود. در این روش، کاربران صفاتی را روی هم می‌چینند و امیدوارند مدل به نتیجه‌ای خاص برسد. این رویکرد با مدل هوش مصنوعی مانند یک «جعبه سیاه» برخورد می‌کند که یا به هدف می‌زند و یا خطا می‌رود. اما رویکرد جدید «مهارت‌ها» تمرکز را از خروجی به فرآیند منتقل می‌کند و سلیقه بصری را به یک سیستم قابل انتقال و بازاستفاده تبدیل می‌کند.

به گزارش dev.to در ۱۳ اوت ۲۰۲۶، سه مخزن خاص این تکامل را به نمایش گذاشته‌اند. این ابزارها فراتر از قالب‌های زیبایی‌شناختی، تعریف می‌کنند که مدل باید به چه چیزی در تصویر منبع توجه کند و اجازه دارد چه تغییراتی ایجاد کند. خروجی این سیستم‌ها تصاویری مینیمال، تحریریه‌ای و الهام‌گرفته از مجلات مستقل (Zine) است که با بافت کاغذ، تایپوگرافی کنترل‌شده و فضای منفی زیاد شناخته می‌شوند. این ابزارها کمتر شبیه پرامپت‌های ذخیره‌شده و بیشتر شبیه مدیران هنری کوچک هستند.

همان‌طور که در بحث‌های گذشته‌ی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، باز شدن دسترسی به منطق داخلی ابزارها، کنترل بیشتری به کاربر می‌دهد. در اینجا نیز ما با مدل‌هایی روبرو هستیم که شبیه مدیران هنری کوچک عمل می‌کنند.

Gathered Scenes Zine: رویکرد تفسیری

پروژه Gathered Scenes Zine بر رابطه بین عکس منبع و اثر نهایی تمرکز دارد. این سیستم با یک پرسش بنیادی شروع می‌شود: آیا عکس اصلی باید در اثر نهایی بماند یا فقط باید الهام‌بخش باشد؟

این مهارت دو گردش‌کار مجزا ارائه می‌دهد:

• Gathered Scenes: از عکس اصلی به‌عنوان لنگر بصری استفاده می‌کند. این سیستم به دنبال روابط خاصی در داخل صحنه می‌گردد — مانند فردی که به دوردست خیره شده، جاده‌ای که جهت ایجاد می‌کند یا پنجره‌ای که نور را نگه داشته است — و سپس آن‌ها را از طریق تصویرسازی‌های انتزاعی، رنگ‌های ساختاری، فضای منفی و لبه‌های کاغذِ پاره‌شده گسترش می‌دهد.
• Scene Distillation: عکس را به‌طور کامل حذف می‌کند. این روش هسته احساسی یا معنایی صحنه را استخراج می‌کند و یک ژست، فاصله بین دو سوژه یا یک تعامل ناتمام را به یک استعاره بصری تبدیل می‌کند.

برخلاف ابزارهای معمولی که فقط استایل عکس را تغییر می‌دهند، این سیستم با تصویر به‌عنوان متریالی برخورد می‌کند که ابتدا باید تفسیر شود. گردش‌کار آن از یک توالی مشخص عبور می‌کند: مشاهده، انتخاب، ترجمه، ترکیب‌بندی و در نهایت خروجی. از مدل خواسته می‌شود به‌جای بازتولید تمام جزئیات مرئی، فقط حداقل اطلاعات لازم برای معنادار ماندن صحنه را حفظ کند. این سیستم با جمله «این را شبیه یک مجله کن» شروع نمی‌شود، بلکه می‌پرسد «چه چیزی در این عکس واقعاً مهم است؟»

Photo Abstract Editorial: سیستم مبتنی بر شواهد

پروژه Photo Abstract Editorial تحت یک محدودیت سخت‌گیرانه عمل می‌کند: عکس اصلی باید صادقانه باقی بماند. این سیستم عکس را به یک ترکیب‌بندی تحریریه عمودی تبدیل می‌کند که شامل دو بخش اصلی است: عکس اصلی و یک «پنل حافظه» انتزاعی.

• صداقت: عکس نباید توسط مدل بازترسیم شود، گسترش یابد یا به‌طور نامحسوس تغییر کند.
• اشتقاق: پنل انتزاعی باید از روابطی که پیش‌تر در منبع وجود داشته است، از جمله رنگ‌ها، ساختار فضایی، ریتم و اشکال، مشتق شود.
• قابلیت ردیابی: هر عنصر بصری مهم در پنل باید به‌طور مستقیم به چیزی که واقعاً در عکس وجود دارد، قابل ردیابی باشد.

این محدودیت، خلاقیت را از طریق تفسیر به جای اختراع تحمیل می‌کند. نتیجه شبیه کار یک طراح گرافیک است که در پاسخ به یک عکس عمل می‌کند؛ طراح نمی‌تواند اتفاقات رخ داده در تصویر را تغییر دهد، اما می‌تواند تصمیم بگیرد کدام رنگ‌ها تکرار شوند، چقدر فضای خالی باقی بماند و چه نوع عنوانی نحوه خوانش ما از تصویر را تغییر دهد.

برای دسترس‌پذیر کردن این سیستم، مخزن مربوطه پرامپت‌های زیربنایی را به هر دو زبان انگلیسی و چینی ارائه می‌دهد. این مستندات دقیقاً توصیف می‌کنند که کاربران کدام بخش‌ها را می‌توانند تنظیم کنند، از جمله نسبت عکس به پنل، سطح انتزاع، تایپوگرافی و تعادل رنگی. این امر سیستم بصری را به‌جای یک قالب دست‌نیافتنی، به‌عنوان یک نقطه شروع ارائه می‌دهد.

GC Minimal Zine Poster: خط لوله تولید

پروژه GC Minimal Zine Poster ساختار فنی‌تری دارد و مانند یک خط لوله تولید (Production Pipeline) فشرده عمل می‌کند که می‌تواند یک تم، جمله، ایده مقاله، شیء، مود، عکس یا مجموعه‌ای از مراجع را به یک پوستر تحریریه مینیمال تبدیل کند.

زبان بصری آن بسیار دقیق است و نیازمند نواحی وسیع از فضای منفی، یک اتفاق بصری کوچک، تایپوگرافی کنترل‌شده، یک لنگر رنگی با اشباع بالا (High-chroma) و نقص‌های بصری چاپ یا کاغذ است. با این حال، مخزن به‌گونه‌ای طراحی شده است که از طریق یک مکانیزم مسیریابی پیچیده، تنوع را در این سیستم ایجاد کند. این مهارت می‌تواند:

۱. یک تصویر نهایی تولید کند.
۲. فقط یک پرامپت آماده برای تولید (Production-ready) برگرداند.
۳. مراجع بصری را بدون تولید هیچ تصویری تحلیل کند.
۴. یک سیستم بصری را تحلیل کرده و سپس ترکیب‌بندی جدیدی از آن بسازد.

وقتی عکس‌ها به سیستم داده می‌شوند، مدل نقش آن‌ها را طبقه‌بندی کرده و ثبت می‌کند که هر یک باید با چه شدتی حفظ شوند. این سیستم قوانین بصری ثابت را از تصمیمات متغیر و بقایای منبع تفکیک می‌کند. این امر تضمین می‌کند که مدل یاد بگیرد یک سیستم طراحی از چیدمان‌های خلوت و یک رنگ قوی استفاده می‌کند، بدون اینکه لزوماً سوژه یا متن دقیق یک تصویر نمونه را کپی کند.

برای پشتیبانی از این ساختار، مخزن شامل فایل‌های مرجع مجزایی برای سیستم استایل، کامپایلر پرامپت، موتور تغییرات (Variation Engine)، فرآیند تحلیل مراجع و بررسی‌های کیفی است. در این سطح از جزئیات، ما دیگر با یک پرامپت ساده روبرو نیستیم، بلکه با یک خط لوله تولید خلاق مواجهیم.

چرخش از پرامپت به منطق

این پروژه‌ها نشان می‌دهند که یک «مهارت» در واقع نظریه‌ای درباره فرآیند است. در حالی که یک پرامپت معمولی خروجی را توصیف می‌کند — فرمت، سوژه، رنگ‌ها و استایل — یک مهارت فرآیندی را توصیف می‌کند که باید آن خروجی را تولید کند.

این سیستم به عامل (Agent) دستور می‌دهد که:

• پیش از تولید، منبع را بازرسی کند.
• واقعیت‌ها را از تفسیرهای خلاقانه تفکیک کند.
• بین مسیرهای مختلف مسیریابی را انتخاب کند.
• عناصر خاص را حفظ کرده و از کپی کردن هویت بصری مراجع بپرهیزد.
• نتیجه را در برابر یک استاندارد کیفی بررسی کند.

این انتقال، فراتر از یک پوشه از صفات زیبایی‌شناختی است. متقاعدکننده‌ترین پروژه‌ها حاوی تصمیمات صریح هستند: چه چیزی باید اول مشاهده شود؟ چه چیزی باید بدون تغییر بماند؟ چه چیزی باعث می‌شود یک خروجی حتی اگر جذاب باشد، غیرقابل قبول تلقی شود؟ این قضاوت‌ها که معمولاً توسط یک طراح به‌طور ضمنی انجام می‌شوند، اکنون به‌قدری صریح شده‌اند که یک عامل هوش مصنوعی بتواند آن‌ها را دنبال کند. این رویکرد ساختاریافته به ما کمک می‌کند تا از تله‌ی ظاهرهای صیقلی اما توخالی فاصله بگیریم و بر منطق تحلیلی تمرکز کنیم.

مالکیت و بسته‌بندی سلیقه

این تکامل پرسش‌های مهمی درباره مالکیت معنوی و حقوق مالکیت ایجاد می‌کند. اگر یک سازنده روش مشاهده، قوانین ترکیب‌بندی، مرزهای بصری و معیارهای ارزیابی را تعریف کرده باشد، تصویر نهایی محصول منطق آن سیستم است. این موضوع باعث می‌شود پرسش درباره اینکه تصویر نهایی چقدر متعلق به کسی است که درخواست نهایی را تایپ کرده، سخت‌تر نادیده گرفته شود.

همچنین تنشی در مورد «بسته‌بندی سلیقه» وجود دارد. وقتی یک قضاوت بصری متمایز به یک بسته قابل استفاده تبدیل می‌شود، می‌تواند به افراد بیشتری کمک کند تا کارهای منسجمی خلق کنند، اما در عین حال باعث می‌شود یک زیبایی‌شناسی خاص به‌سرعت پخش شده و تکراری شود.

لایسنس‌ها بازتاب‌دهنده این تنش هستند. مخازن شامل قوانینی علیه کپی کردن محتوای خاص نمونه‌ها هستند و بسیاری از آن‌ها استفاده تجاری را محدود کرده‌اند. به‌طور مشخص:

• GC Minimal Zine Poster از مجوز MIT استفاده می‌کند.
• Gathered Scenes Zine و Photo Abstract Editorial استفاده را به زمینه‌های شخصی، آموزشی یا غیرتجاری محدود کرده‌اند، مگر اینکه سازنده اجازه اضافی داده باشد.

بازتعریف نقش گیت‌هاب

گیت‌هاب که پیش‌تر مرکزی برای اشتراک کد و ابزارها بود، اکنون با ظهور این مهارت‌های خلاق، در حال تبدیل شدن به کتابخانه‌ای برای اشتراک «تصمیم‌گیری‌های ساختاریافته» است.

برای عامل‌های کدنویسی، این ممکن است به معنای یک گردش‌کار انتشار یا فرآیند مهاجرت باشد. برای تولید تصویر، این به معنای اشتراک روشی برای خواندن عکس‌ها، استخراج روابط بصری، محافظت از متریال منبع و تصمیم‌گیری درباره زمان پایان یک ترکیب‌بندی است. این تحول در نحوه استفاده از گیت‌هاب، مشابه آن است که چگونه تحلیل کد می‌تواند جایگزین مستندات بصری سنتی شود و ساختارها را بازتعریف کند.

ما از دنیای اشتراک «کلمات جادویی» به سمتی می‌رویم که سیستم‌های خلاق قابل حمل، نحوه دیدن را به هوش مصنوعی می‌آموزند. پوسترهای تولید شده جذاب هستند، اما اثر واقعی، منطق خلاق پشت آن‌هاست. گیت‌هاب ممکن است به مکانی شگفت‌انگیز برای کشف این موضوع تبدیل شود که نه تنها هوش مصنوعی چه چیزی می‌تواند تولید کند، بلکه افراد مختلف چگونه به آن یاد داده‌اند که ببیند.

گام بعدی شما

• مخازن ذکر شده را در گیت‌هاب بررسی کنید تا متوجه شوید چگونه می‌توان منطق بصری را به جای توصیف، کدنویسی کرد.
• سعی کنید برای پروژه‌های بصری خود، به‌جای لیست کردن صفت‌ها، یک «گردش‌کار تفسیری» (مشاهده $\rightarrow$ انتخاب $\rightarrow$ ترجمه) طراحی کنید. این نوع کنترل دقیق بر وضعیت تصویر، یادآور سیستم‌های ویرایش وضعیت‌مند است که اجازه می‌دهند تغییرات به‌صورت لایه‌بندی شده و منطقی اعمال شوند.
• لایسنس‌های این مخازن را بخوانید تا با مدل‌های جدید مالکیت در عصر سیستم‌های خلاق آشنا شوید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.