Многолетний спор о том, является ли генеративный ИИ продвинутым «ксероксом» или подлинным творцом, наконец перекочевал из области философии в сухую математику. Чжэн Дао Карпати из Google Research представил доказательства того, что «креативность» диффузионных моделей — это не магия и не случайный шум, а формальный побочный продукт обучения. Анализируя процесс устранения шума, исследователи подтвердили: модели не извлекают данные из памяти, а заполняют пустоты между обучающими примерами через математическое сглаживание функции оценки (score function).
Для бизнеса и R&D-подразделений это означает конец эпохи «черного ящика». Мы получаем теоретическую базу для превращения генеративного ИИ из непредсказуемого генератора картинок в прецизионный инструмент проектирования физически достоверных структур.
Механизм сглаживания функции оценки Чтобы понять суть открытия, нужно взглянуть на то, как диффузионная модель превращает шум в данные. В процессе обучения нейросеть выстраивает «силовое поле» (score function), которое направляет хаотичные частицы к осмысленным формам. Если бы модель выучила эту функцию идеально, мы бы получили тотальное зазубривание: каждый результат был бы стопроцентной копией исходника. Однако Чжэн Дао Карпати обнаружил, что ограниченность архитектур и регуляризация не дают сетям работать так жестко. Нейросети физически плохо справляются с резкими скачками и «обрывами» функций, поэтому они вынуждены создавать упрощенную, сглаженную версию реальности.
Этот эффект сглаживания создает «зону интерполяции» — пространство между точками данных из обучающей выборки. Вместо того чтобы падать в заранее заготовленные корзины памяти, данные оседают в пустотах, формируя новые объекты. Google Research доказали, что это позволяет генерировать контент, который органически связан с обучающим сетом, но не копирует его напрямую.
От случайных озарений к контролируемому R&D Переход от меморизации к интерполяции критически важен для разработки новых материалов и поиска молекул. Здесь ценность модели определяется её способностью предлагать структуры, которых никогда не существовало в природе, но которые при этом жизнеспособны. Диффузионные модели ориентируются по «скрытому многообразию» (data manifold) — карте того, что вообще может считаться валидным объектом. Сглаживая функцию, модель не просто гадает на кофейной гуще, а выстраивает логические мосты вдоль этого многообразия.
«Креативность модели — не счастливая случайность, а следствие того, как обучение естественным образом сглаживает трансформацию шума обратно в данные», — подчеркивает команда Чжэн Дао Карпати.
Для юридического ландшафта и защиты авторских прав это исследование — мощный аргумент в пользу того, что синтетический контент является производным, а не украденным. Если результат — это математическая интерполяция в диапазоне значений, а не прямая выдача из базы, то претензии к «плагиату» на уровне весов становятся несостоятельными. Однако у этой медали есть и оборотная сторона: там, где заканчивается контролируемое сглаживание, начинается галлюцинация. Логика модели может уйти слишком далеко от физической реальности (ground truth), превращая инновацию в бессмыслицу.
Практическая ценность для корпоративного сектора теперь сводится к калибровке: подкручивая параметры регуляризации, инженеры могут выбирать между фотографической точностью воспроизведения и широким, «творческим» поиском. Креативность наконец-то поддается квантификации, и задача технических команд — определить ту черту, за которой математическое обобщение превращается в опасный дрейф от фактов.