اگر یک متخصص امنیت سایبری هستید، احتمالاً جذاب‌ترین پروژه اخیرتان در تقاطع غیرمنتظره‌ای از «تیم قرمز» و خرده‌فروشی قرار دارد. 1nn0k3sh4، سازنده‌ای که به مهندسی معکوس فیلترهای ایمنی هوش مصنوعی شهرت دارد، اکنون سیستمی ساخته است که مفاهیم مد تولیدشده توسط AI را به ست‌های لباس واقعی و قابل پوشیدن برای مشتریان paying تبدیل می‌کند.
این رویکرد در زمانی می‌آید که صنعت هوش مصنوعی مملو از «کانسپت‌های مد» است که فقط در قالب تصاویر Midjourney وجود دارند. در حالی که بیشتر سازندگان در مرحله‌ی تخته‌های ایده‌پردازی (Mood Board) متوقف می‌شوند، این پروژه شکاف بین یک توهم دیجیتال و لباسی را که واقعاً می‌توانید بخرید، پر می‌کند. در اینجا مد نه به عنوان هنر، بلکه به عنوان سیستمی از محدودیت‌ها دیده می‌شود که باید حل شوند.
زمینه: از جیل‌بریک تا ژاکت
آشنایی ما با این سازنده با تمرکز متفاوتی آغاز شد. ما پیش از این، تأییدیه مستقلی از یک تکنیک دور زدن فیلتر پرامپت GigaChat را در وب‌سایت dev.to منتشر کرده بودیم. این تحقیق از «استتار متنی» (contextual camouflage) برای دستکاری فیلترهای ایمنی یک مدل زبانی بزرگ (LLM) استفاده می‌کرد. آن پروژه یک قطعه تحقیق محکم در زمینه تیم قرمز بود که نتایج آن توسط ما آزمایش و مستند شده بود و قابلیت بازتولید داشت.
هفته‌ها بعد، هنگام گشت‌وگذار در گیت‌هاب، مخزن دیگری از همین نویسنده را کشف کردیم: ai-styling-case-studies. این کشف فاش کرد که همان دقت تحلیلی که برای شکستن فیلترهای AI به کار می‌رفت، اکنون در یک سرویس تجاری مد اعمال شده است. این یک نمونه نادر از تبدیل مهارت‌های فنی یک پژوهشگر امنیت به یک صنعت خلاق است.
به گزارش منتشر شده در ۱۷ ژوئن ۲۰۲۶ در وب‌سایت dev.to، این متخصص از یک خط لوله دو مرحله‌ای مشخص برای دستیابی به این نتایج استفاده می‌کند. او ابتدا از یک خط لوله AI سفارشی شامل GPT و ابزارهای تولید تصویر برای استخراج عناصر بصری مانند فرم لباس (silhouette)، بافت و پالت‌های رنگی استفاده می‌کند. در مرحله دوم، او این ویژگی‌ها را به قطعات موجود در بازار از برندهایی مانند Zara، Befree و New Yorker ترجمه می‌کند.
جزئیات: خط لوله اجرا
طبق مستندات منتشر شده در مخزن گیت‌هاب او با نام ai-styling-case-studies، هر مورد مطالعاتی (Case Study) از یک مکانیزم سخت‌گیرانه پیروی می‌کند تا اطمینان حاصل شود که مفهوم AI در انتقال به دنیای واقعی زنده می‌ماند:
- نمونه اولیه AI: فرآیند با تغذیه ارجاعات شخصیتی یا درخواست‌های استایلی به خط لوله آغاز می‌شود تا عناصر کلیدی بصری، از جمله لایه‌بندی و پالت‌های رنگی استخراج شوند.
- ترجمه به دنیای واقعی: نویسنده قطعات بازار انبوه (mass-market) را که با کانسپت همخوانی داشته باشند، در حالی که با فرم بدنی خاص مشتری سازگار باشند و در محدوده بودجه تعیین‌شده باقی بمانند، تأمین می‌کند.
- تأیید مشتری: برخلاف بیشتر هنرهای AI، این پروژه‌ها با پوشیدن لباس توسط مشتری و ارسال عکس برای تأیید نتیجه به پایان می‌رسند.
دو مورد مطالعاتی خاص این مکانیزم را به تصویر می‌کشند:
- زیبایی‌شناسی هکر (Case Study 001): یک مشتری حس و حال شخصیت مارکوس هالوی در بازی Watch Dogs 2 را درخواست کرد؛ استایلی شهری و تکنولوژیک (techwear-ish)، اما به گونه‌ای که برای زندگی واقعی قابل پوشیدن باشد و شبیه لباس مبدل (costume) نباشد. هوش مصنوعی یک هودی لایه‌بندی شده و ژاکتی با لبه‌های فنی را شناسایی کرد. نویسنده یک ژاکت سبز نظامی از Zara، شلوار اسلک مشکی، یک تی‌شرت چاپ‌شده، کفش‌های ساق‌دار (high-top) و یک کیف تکنو با وصله (patched tech bag) را تأمین کرد. مشتری اکنون این استایل را «تقریباً هر روز» می‌پوشد و یک زیبایی‌شناسی واقعی هکری ایجاد کرده که برای یک کافه یا یک جلسه استندآپ مناسب است.
- ادغام استایل کره ای (Case Study 002): برای یک مهندس زن AI که دورکاری می‌کند، درخواست یک استایل «دخترانه» آسیایی شد که امروزه برای ملاقات با دوستان محبوب است. خط لوله، شلوارهای دم‌پا گشاد (wide-leg)، ژاکت‌های آسیایی و کفش‌های مدل Tabi را شناسایی کرد. با تأمین کالا از Befree و O'shade، نویسنده بودجه کل را در حدود ۲۵۰ دلار نگه داشت. مشتری اشاره کرد که مردم «فقط فکر می‌کنند من با کلاس لباس می‌پوشم، نه عجیب»، و بدین ترتیب از ظاهر «بیش از حد انیمه‌ای» که از آن می‌ترسید، دوری کرد.
هم‌پوشانی فنی در اینجا خیره‌کننده است. همان مهارت‌های مورد استفاده برای دور زدن فیلترهای پرامپت GigaChat — یعنی درک رفتار مدل، مهندسی پرامپت و تست سیستماتیک — اکنون برای رمزگشایی از زیبایی‌شناسی مد به کار می‌رود. در هر دو حوزه، هدف دستکاری یک سیستم برای رسیدن به یک خروجی خاص و بازتولیدپذیر در محدودیت‌های سخت است. به طور مشخص، مهندسی پرامپت برای دور زدن فیلترها، بازتابی از مهندسی پرامپت برای استخراج مفاهیم بصری است، و مستندسازی سیستماتیک در امنیت، به تأمین کالا به صورت سیستماتیک در مد تبدیل شده است.
برای خواننده، این بدان معناست که کاربرد AI از تولید محتوا فراتر رفته و به سمت لجستیک و تأمین کالا حرکت می‌کند. وقتی یک سازنده بتواند یک نمایش در فضای پنهان (latent space representation) — یعنی یک تصویر AI — را به یک کد کالا (SKU) در انبار Zara متصل کند، هوش مصنوعی از یک ابزار الهام‌بخش دیجیتال به ابزاری برای تدارکات فیزیکی تبدیل می‌شود.
این یک استارتاپ با حمایت سرمایه‌گذاران نیست، بلکه یک عملیات مستقل (indie) است که از طریق یک مخزن گیت‌هاب و یک ایمیل رزرو ([email protected]) اداره می‌شود. این موضوع ثابت می‌کند که تفکر ساختاریافته روی مسائل نامنظم — مانند «چگونه باحال به نظر برسیم بدون اینکه شبیه یک شخصیت انیمه شویم» — ارزش واقعی در بازار خلق می‌کند.
اگر می‌خواهید ببینید AI چگونه می‌تواند از تصاویر زیبا فراتر رود، مخزن ai-styling-case-studies را دنبال کنید تا روند تکامل این خط لوله‌ها را مشاهده نمایید.
گفتگو