همگرایی خلاقیت؛ چرا ویدیوهای تولیدشده با هوش مصنوعی شبیه هم می‌شوند؟

تصور کنید دو گروه از دوستان، برای یک عروسی در ۱۳ جولای ۲۰۲۶، دو ویدیوی یادگاری کاملاً متفاوت می‌سازند، اما در نهایت خروجی‌ها شبیه به یک کپی از یکدیگر باشند. این اتفاق واقعی است و نشان می‌دهد که هوش مصنوعی در حال تبدیل شدن به یک «چاه گرانشی» برای زیبایی‌شناسی است.

به گزارش وب‌سایت hugodaniel.com، این ویدیوها با وجود تفاوت در داستان‌های اولیه، ساختار روایتی، نقشمایه‌های بصری و لحن گوینده‌ای یکسان داشتند. در واقع، هوش مصنوعی زاینده (Generative AI) — که شبیه کتابخانه‌داری است که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — به‌جای خلق تنوع، ما را به سمت یک میانگین پیش‌بینی‌پذیر می‌برد. همان‌طور که در تحلیل قبلی ما درباره‌ی اثر مدل‌های زبانی بر یکسانی متون اشاره کردیم، این روند اکنون به دنیای تصویر و ویدیو سرایت کرده است.

بر اساس مستندات این گزارش، شباهت‌ها در سه محور اصلی متمرکز بود:

• بصری: هر دو ویدیو نماهای مشابهی از پرواز بر فراز سواحل خلوت، عبور از میان درختان جنگلی و سفرهای کیهانی در میان ستاره‌ها داشتند.
• صوتی: لحن گوینده در هر دو اثر، ریتمی خاص و شبیه به مستندهای شبکه National Geographic بود.
• روایتی: هر دو فیلم‌نامه بر قدرت تکاملی عشق تمرکز کرده بودند و یکی از آن‌ها حتی لوگوی National Geographic را بازسازی کرده بود.

این وضعیت نشان‌دهنده فرآیند «رگرسیون به میانگین» است. وقتی کاربران برای نوشتن فیلم‌نامه، تولید صدا و تدوین به هوش مصنوعی تکیه می‌کنند، در واقع به‌جای سرعت بخشیدن به خلاقیت، یک «قالب مشترک» را می‌پذیرند. این موضوع با چالش‌هایی که تولیدکنندگان محتوا در مواجهه با برتری ابزارهای همه‌فن‌راست هوش مصنوعی تجربه می‌کنند، هم‌راستا است. به نظر می‌رسد ترس از تولید محتوای «بد» یا ترجیح نتایجی که با کمترین تلاش، ظاهری حرفه‌ای دارند، باعث این یکسانی شده است.

برای کاربر عادی، این یعنی مزیت رقابتی هوش مصنوعی در حال تغییر است. وقتی همه از ابزارهای یکسان برای رسیدن به یک ظاهر «حرفه‌ای» استفاده می‌کنند، ارزش خلاقیت انسانیِ منحصر‌به‌فرد و غیرمتعارف افزایش می‌یابد. در این میان، برخی متخصصان برای شکستن این قالب‌ها به متدهای پیچیده‌تری روی آورده‌اند، مانند استفاده از خط‌لوله‌های چهارلایه و گیت‌های کیفی برای مهندسی ویدیوهای ویروسی.

گام بعدی شما

• در دستورات (Prompts) خود از کلمات منفی استفاده کنید تا مدل را از الگوهای رایج دور کنید.
• برای بخش‌های حساس روایی، به‌جای تکیه کامل بر مدل، از متدهای ترکیبی (انسان-ماشین) استفاده کنید.
• به دنبال ابزارهایی بگردید که اجازه کنترل دقیق‌تر روی «بذر» (Seed) و استایل بصری را می‌دهند.

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