Modele i platformy AI
Zrozumienie modeli dyfuzji: głębokie wprowadzenie do generatywnego AI
Dodaj Unite.AI do preferowanych źródeł w Google
Modele dyfuzji wyłoniły się jako potężne podejście w generatywnym AI, produkując wyniki na poziomie stanu sztuki w generowaniu obrazów, dźwięku i wideo. W tym artykule technicznym będziemy się zagłębiać w to, jak działają modele dyfuzji, ich kluczowe innowacje i dlaczego stały się tak udane. Będziemy omawiać podstawy matematyczne, proces szkolenia, algorytmy próbkowania i najnowocześniejsze zastosowania tej ekscytującej nowej technologii.
Wprowadzenie do modeli dyfuzji
Modele dyfuzji są klasą modeli generatywnych, które uczą się stopniowo usuwać szum z danych, odwracając proces dyfuzji. Podstawową ideą jest rozpoczęcie od czystego szumu i stopniowe udoskonalanie go w wysokiej jakości próbce z docelowej dystrybucji.
To podejście zostało zainspirowane przez termodynamikę nieequlibrium – konkretnie, procesem odwracania dyfuzji w celu odzyskania struktury. W kontekście uczenia maszynowego możemy o tym myśleć jako o nauce odwracania stopniowego dodawania szumu do danych.
Niektóre kluczowe zalety modeli dyfuzji obejmują:
- Jakość obrazu na poziomie stanu sztuki, przewyższającą GAN-y w wielu przypadkach
- Stabilne szkolenie bez dynamiki przeciwnika
- Wysoka równoległość
- Elastyczna architektura – każdy model, który mapuje dane wejściowe na dane wyjściowe o tej samej wymiarowości, może być użyty
- Silne podstawy teoretyczne
Zagłęźmy się głębiej w to, jak działają modele dyfuzji.
Źródło: Song et al.
Równania różniczkowe stochastyczne rządzą procesami do przodu i do tyłu w modelach dyfuzji. Równanie różniczkowe do przodu dodaje szum do danych, stopniowo przekształcając je w dystrybucję szumu. Równanie różniczkowe do tyłu, podążając za nauczonym funkcją punktu, stopniowo usuwa szum, prowadząc do generowania realistycznych obrazów z losowego szumu. To podejście jest kluczem do osiągania wysokiej jakości wyników generatywnych w przestrzeniach stanu ciągłych.
Proces dyfuzji do przodu
Proces dyfuzji do przodu rozpoczyna się od punktu danych x₀ wybranego z rzeczywistej dystrybucji danych i stopniowo dodaje szum Gaussa w czasie T, wytwarzając coraz bardziej szumione wersje x₁, x₂, …, xT.
W każdym kroku t dodajemy niewielką ilość szumu zgodnie z:
x_t = √(1 - β_t) * x_{t-1} + √(β_t) * ε
Gdzie:
- β_t jest harmonogramem wariancji, który kontroluje, ile szumu jest dodawane na każdym kroku
- ε jest losowym szumem Gaussa
Ten proces trwa aż do momentu, gdy xT jest prawie czystym szumem Gaussa.
Matematycznie możemy opisać to jako łańcuch Markowa:
q(x_t | x_{t-1}) = N(x_t; √(1 - β_t) * x_{t-1}, β_t * I)
Gdzie N oznacza dystrybucję normalną.
Harmonogram β_t jest zwykle wybierany tak, aby był mały dla wczesnych kroków i wzrastał w czasie. Typowe wybory obejmują harmonogramy liniowe, cosinusoidalne lub sigmoidalne.
Proces dyfuzji do tyłu
Celem modelu dyfuzji jest nauczenie się odwrócenia tego procesu – rozpoczęcie od czystego szumu xT i stopniowe oczyszczenie go w celu odzyskania czystej próbki x₀.
Modelujemy ten proces odwrotny jako:
p_θ(x_{t-1} | x_t) = N(x_{t-1}; μ_θ(x_t, t), σ_θ^2(x_t, t))
Gdzie μ_θ i σ_θ^2 są nauczonymi funkcjami (zwykle sieciami neuronowymi) parametryzowanymi przez θ.
Kluczowa innowacja polega na tym, że nie musimy jawnie modelować pełnej odwrotnej dystrybucji. Zamiast tego możemy ją parametryzować w odniesieniu do procesu do przodu, który znamy.
Konkretnie, możemy pokazać, że optymalny proces odwrotny jest:
μ* = 1/√(1 - β_t) * (x_t - β_t/√(1 - α_t) * ε_θ(x_t, t))
Gdzie:
- α_t = 1 – β_t
- ε_θ jest nauczonym modelem predykcji szumu
To daje nam proste zadanie – trenujemy sieć neuronową ε_θ, aby przewidzieć szum, który został dodany na każdym kroku.
Cel treningu
Cel treningu modeli dyfuzji może być wyprowadzony z inferencji wariacyjnej. Po pewnych uproszczeniach dochodzimy do prostego błędu L2:
L = E_t,x₀,ε [ ||ε - ε_θ(x_t, t)||² ]
Gdzie:
- t jest wybierany równomiernie z 1 do T
- x₀ jest wybierany z danych szkoleniowych
- ε jest wybierany jako szum Gaussa
- x_t jest konstruowany przez dodanie szumu do x₀ zgodnie z procesem do przodu
Innymi słowy, trenujemy model, aby przewidzieć szum, który został dodany na każdym kroku.
Architektura modelu
Źródło: Ronneberger et al.
Architektura U-Net jest centralna dla kroku denoisingu w modelu dyfuzji. Posiada strukturę encoder-decoder z połączeniami skip, które pomagają zachować drobne szczegóły podczas procesu rekonstrukcji. Encoder stopniowo zmniejsza rozdzielczość wejściowego obrazu, jednocześnie przechwytując cechy wysokiego poziomu, a decoder powiększa zakodowane cechy w celu odtworzenia obrazu. Ta architektura jest szczególnie skuteczna w zadaniach wymagających precyzyjnej lokalizacji, takich jak segmentacja obrazu.
Sieć neuronowa ε_θ może używać dowolnej architektury, która mapuje dane wejściowe na dane wyjściowe o tej samej wymiarowości. Architektury w stylu U-Net są popularnym wyborem, szczególnie dla zadań generowania obrazów.
Typowa architektura może wyglądać następująco:
<p>class DiffusionUNet(nn.Module): def __init__(self): super().__init__()</p> <p># Downsampling self.down1 = UNetBlock(3, 64) self.down2 = UNetBlock(64, 128) self.down3 = UNetBlock(128, 256)</p> <p># Bottleneck self.bottleneck = UNetBlock(256, 512)</p> <p># Upsampling self.up3 = UNetBlock(512, 256) self.up2 = UNetBlock(256, 128) self.up1 = UNetBlock(128, 64)</p> # Output self.out = nn.Conv2d(64, 3, 1) <p>def forward(self, x, t): # Embed timestep t_emb = self.time_embedding(t)</p> <p># Downsample d1 = self.down1(x, t_emb) d2 = self.down2(d1, t_emb) d3 = self.down3(d2, t_emb)</p> <p># Bottleneck bottleneck = self.bottleneck(d3, t_emb)</p> <p># Upsample u3 = self.up3(torch.cat([bottleneck, d3], dim=1), t_emb) u2 = self.up2(torch.cat([u3, d2], dim=1), t_emb) u1 = self.up1(torch.cat([u2, d1], dim=1), t_emb)</p> # Output return self.out(u1)
Kluczowe komponenty to:
- Architektura w stylu U-Net z połączeniami skip
- Wbudowanie kroku czasowego w celu warunkowania na kroku
- Elastyczna głębokość i szerokość
Algorytm próbkowania
Gdy już wytrenujemy sieć neuronową ε_θ, możemy ją wykorzystać do generowania nowych próbek. Podstawowy algorytm próbkowania wygląda następująco:
- Rozpocznij od czystego szumu Gaussa xT
- Dla t = T do 1:
- Przewiduj szum:
ε_θ(x_t, t) - Oblicz średnią:
μ = 1/√(1-β_t) * (x_t - β_t/√(1-α_t) * ε_θ(x_t, t)) - Próbkuj:
x_{t-1} ~ N(μ, σ_t^2 * I)
- Przewiduj szum:
- Zwróć x₀
Ten proces stopniowo oczyszcza próbkę, podążając za naszą nauczona siecią neuronową ε_θ.
W praktyce istnieją różne techniki próbkowania, które mogą poprawić jakość lub szybkość:
- DDIM sampling: Wariant deterministyczny, który pozwala na mniej kroków próbkowania
- Ancestral sampling: Włącza nauczona wariancję σ_θ^2
- Truncated sampling: Zatrzymuje się wcześniej dla szybszej generacji
Oto podstawowa implementacja algorytmu próbkowania:
<p>def sample(model, n_samples, device): # Start with pure noise x = torch.randn(n_samples, 3, 32, 32).to(device)</p> <p>for t in reversed(range(1000)): # Add noise to create x_t t_batch = torch.full((n_samples,), t, device=device) noise = torch.randn_like(x) x_t = add_noise(x, noise, t)</p> <p># Predict and remove noise pred_noise = model(x_t, t_batch) x = remove_noise(x_t, pred_noise, t)</p> <p># Add noise for next step (except at t=0) if t > 0: noise = torch.randn_like(x) x = add_noise(x, noise, t-1)</p> return x
Matematyka za modelami dyfuzji
Aby naprawdę zrozumieć modele dyfuzji, konieczne jest zagłębienie się w matematykę, która leży u ich podstaw. Rozważmy niektóre kluczowe pojęcia bardziej szczegółowo:
Łańcuch Markowa i równania różniczkowe stochastyczne
Proces dyfuzji do przodu w modelach dyfuzji można traktować jako łańcuch Markowa lub, w granicy ciągłej, jako równanie różniczkowe stochastyczne (SDE). Formułowanie SDE zapewnia potężne ramy teoretyczne do analizy i rozszerzania modeli dyfuzji.
Równanie SDE do przodu można zapisać jako:
dx = f(x,t)dt + g(t)dw
Gdzie:
- f(x,t) jest termem dryftu
- g(t) jest współczynnikiem dyfuzji
- dw jest procesem Wienera (ruchem Browna)
Różne wybory f i g prowadzą do różnych typów procesów dyfuzji. Na przykład:
- Wariancja wybuchowa (VE)
SDE: dx = √(d/dt σ²(t)) dw - Wariancja zachowawcza (VP)
SDE: dx = -0.5 β(t)xdt + √(β(t)) dw
Zrozumienie tych SDE pozwala nam wywnioskować optymalne strategie próbkowania i rozszerzyć modele dyfuzji na nowe dziedziny.
Dopasowanie punktu i denoisingowe dopasowanie punktu
Połączenie między modelami dyfuzji a dopasowaniem punktu zapewnia kolejną cenną perspektywę. Funkcja punktu jest zdefiniowana jako gradient logarytmicznej gęstości prawdopodobieństwa:
s(x) = ∇x log p(x)
Denoisingowe dopasowanie punktu ma na celu oszacowanie tej funkcji punktu, trenując model, aby oczyszczał nieco zaburzone punkty danych. To zadanie okazuje się być równoważne z celem treningu modelu dyfuzji w granicy ciągłej.
To połączenie pozwala nam wykorzystać techniki z modelowania generatywnego opartego na punktach, takie jak annealed Langevin dynamics do próbkowania.
Zaawansowane techniki treningu
Importance sampling
Standardowy model dyfuzji próbuje kroki czasowe równomiernie. Jednak nie wszystkie kroki są równie ważne dla uczenia. Techniki importance sampling mogą być użyte, aby skoncentrować trening na najbardziej informacyjnych krokach.
Jednym z podejść jest użycie nierównomiernego rozkładu nad krokami czasowymi, ważonym przez oczekiwaną normę L2 punktu:
p(t) ∝ E[||s(x_t, t)||²]
To może prowadzić do szybszego treningu i lepszej jakości próbek.
Postępowe destylowanie
Postępowe destylowanie jest techniką tworzenia szybszych modeli próbkowania bez poświęcania jakości. Proces działa w następujący sposób:
- Trenuj podstawowy model dyfuzji z wieloma krokami (np. 1000)
- Utwórz model ucznia z mniejszą liczbą kroków (np. 100)
- Trenuj model ucznia, aby dopasował proces oczyszczania modelu podstawowego
- Powtórz kroki 2-3, postępując zredukowaną liczbę kroków
To pozwala na generowanie wysokiej jakości próbek z znacznie mniejszą liczbą kroków oczyszczania.
Innowacje architektoniczne
Modele dyfuzji oparte na transformatorach
Chociaż architektury U-Net były popularne dla modeli dyfuzji obrazu, ostatnie prace badały użycie architektur transformatorowych. Transformatory oferują kilka potencjalnych zalet:
- Lepsze radzenie sobie z dalekimi zależnościami
- Bardziej elastyczne mechanizmy warunkowania
- Łatwiejsze skalowanie do większych rozmiarów modelu
Modele takie jak DiT (Diffusion Transformers) pokazały obiecujące wyniki, potencjalnie oferując ścieżkę do jeszcze lepszej generacji.
Hierarchiczne modele dyfuzji
Hierarchiczne modele dyfuzji generują dane na wielu skalach, pozwalając na globalną spójność i drobne szczegóły. Proces zwykle obejmuje:
- Generowanie niskiej rozdzielczości
- Stopniowe powiększanie i udoskonalanie
To podejście może być szczególnie skuteczne dla generowania obrazów o wysokiej rozdzielczości lub długich treści.
Zaawansowane tematy
Bezklasowy przewodnik
Bezklasowy przewodnik jest techniką poprawy jakości próbek i sterowalności. Kluczową ideą jest trenowanie dwóch modeli dyfuzji:
- Model niewarunkowy p(x_t)
- Model warunkowy p(x_t | y), gdzie y jest pewnym warunkiem (np. tekstowym podpowiedzeniem)
Podczas próbkowania interpolujemy między tymi modelami:
ε_θ = (1 + w) * ε_θ(x_t | y) - w * ε_θ(x_t)
Gdzie w > 0 jest skalą przewodzenia, która kontroluje, jak bardzo należy podkreślić model warunkowy.
To pozwala na silniejsze warunkowanie bez konieczności ponownego trenowania modelu. Było to kluczowe dla sukcesu modeli tekst-obrazu, takich jak DALL-E 2 i Stable Diffusion.
Dyfuzja latentna
Źródło: Rombach et al.
Model dyfuzji latentnej (LDM) obejmuje zakodowanie danych wejściowych w przestrzeń latentną, w której następuje proces dyfuzji. Model stopniowo dodaje szum do latentnej reprezentacji obrazu, prowadząc do generowania zaburzonej wersji, która jest następnie oczyszczana za pomocą architektury U-Net. U-Net, podążając za mechanizmami uwagi krzyżowej, integruje informacje z różnych źródeł warunkowania, takich jak mapy semantyczne, tekst i reprezentacje obrazu, ostatecznie odtwarzając obraz w przestrzeni pikseli. Ten proces jest kluczowy dla generowania wysokiej jakości obrazów o kontrolowanej strukturze i pożądanych atrybutach.
To oferuje kilka zalet:
- Szybsze trening i próbkowanie
- Lepsze radzenie sobie z obrazami o wysokiej rozdzielczości
- Łatwiejsze włączanie warunkowania
Proces działa w następujący sposób:
- Trenuj autoencoder, aby skompresować obrazy do przestrzeni latentnej
- Trenuj model dyfuzji w tej przestrzeni latentnej
- Do generacji, próbkuj w przestrzeni latentnej i dekoduj do pikseli
To podejście okazało się bardzo udane, napędzając modele takie jak Stable Diffusion.
Modele spójności
Modele spójności są nową innowacją, która ma na celu poprawę szybkości i jakości modeli dyfuzji. Kluczową ideą jest trenowanie jednego modelu, który może mapować z dowolnego poziomu szumu bezpośrednio na wynik końcowy, zamiast wymagać iteracyjnego oczyszczania.
To jest osiągane za pomocą starannie zaprojektowanej funkcji straty, która egzekwuje spójność między predykcjami na różnych poziomach szumu. Wynikiem jest model, który może generować wysokiej jakości próbki w jednej iteracji do przodu, dramatycznie przyspieszając inferencję.
Praktyczne wskazówki dotyczące treningu modeli dyfuzji
Trening wysokiej jakości modeli dyfuzji może być wyzwaniem. Oto kilka praktycznych wskazówek, aby poprawić stabilność treningu i wyniki:
- Clipping gradientów: Użyj clipping gradientów, aby zapobiec wybuchowi gradientów, szczególnie na początku treningu.
- EMA wag modelu: Zachowaj wykładniczą średnią ruchomą wag modelu do próbkowania, co może prowadzić do bardziej stabilnej i lepszej generacji.
- Augmentacja danych: Dla modeli obrazu, proste augmentacje, takie jak losowe odwrócenia poziome, mogą poprawić uogólnialność.
- Plan szumu: Eksperymentuj z różnymi planami szumu (liniowymi, cosinusoidalnymi, sigmoidalnymi), aby znaleźć to, co najlepiej działa dla Twoich danych.
- Mieszana precyzja treningu: Użyj mieszanej precyzji treningu, aby zmniejszyć użycie pamięci i przyspieszyć trening, szczególnie dla dużych modeli.
- Warunkowa generacja: Nawet jeśli Twoim końcowym celem jest generacja niezwarunkowana, trening z warunkowaniem (np. na klasy obrazu) może poprawić ogólną jakość próbek.
Ewaluacja modeli dyfuzji
Prawidłowa ewaluacja modeli generatywnych jest kluczowa, ale wyzwaniem. Oto kilka powszechnych metryk i podejść:
Odległość Frécheta (FID)
FID jest powszechnie używaną metryką do oceny jakości i różnorodności generowanych obrazów. Porównuje statystyki generowanych próbek z danymi rzeczywistymi w przestrzeni cech pre-trenowanego klasyfikatora (zwykle InceptionV3).
Niższe wyniki FID wskazują lepszą jakość i bardziej realistyczne rozkłady. Jednak FID ma ograniczenia i nie powinna być używana jako jedyna metryka.
Wynik Inception
Wynik Inception mierzy zarówno jakość, jak i różnorodność generowanych obrazów. Używa pre-trenowanego modelu Inception, aby obliczyć:
IS = exp(E[KL(p(y|x) || p(y))])
Gdzie p(y|x) jest warunkową dystrybucją klasy dla generowanego obrazu x.
Wyższy wynik IS wskazuje lepszą jakość i różnorodność, ale ma znane ograniczenia, szczególnie dla zbiorów danych bardzo różnych od ImageNet.
Ujemny logarytmiczny współczynnik prawdopodobieństwa (NLL)
Dla modeli dyfuzji możemy obliczyć ujemny logarytmiczny współczynnik prawdopodobieństwa danych testowych. Zapewnia to bezpośrednią miarę, jak dobrze model dopasowuje się do rzeczywistej dystrybucji danych.
Jednak NLL może być obliczony w sposób komputacyjnie kosztowny dla danych wielowymiarowych.
Ewaluacja ludzka
Dla wielu zastosowań, szczególnie kreatywnych, ewaluacja ludzka pozostaje kluczowa. Może to obejmować:
- Porównania bok do boku z innymi modelami
- Ewaluacje w stylu testu Turinga
- Ewaluacje zależne od zadania (np. opisywanie obrazu dla modeli tekst-obrazu)
Chociaż subiektywna, ewaluacja ludzka może uchwycić aspekty jakości, które metryki automatyczne pomijają.
Modele dyfuzji w produkcji
Wdrożenie modeli dyfuzji w środowiskach produkcyjnych przedstawia unikalne wyzwania. Oto kilka rozważań i najlepszych praktyk:
Optymalizacja dla inferencji
- Eksport ONNX: Konwertuj modele do formatu ONNX, aby przyspieszyć inferencję na różnym sprzęcie.
- Kwantyzacja: Użyj technik kwantyzacji, takich jak kwantyzacja INT8, aby zmniejszyć rozmiar modelu i poprawić szybkość inferencji.
- Buforowanie: Dla modeli warunkowych, buforuj wyniki pośrednie dla modelu niezwarunkowanego, aby przyspieszyć przewodzenie bezklasowe.
- Przetwarzanie wsadowe: Wykorzystaj przetwarzanie wsadowe, aby efektywnie wykorzystać zasoby GPU.
Skalowanie
- Rozproszone inferencje: Dla aplikacji o wysokiej wydajności, implementuj rozproszone inferencje na wielu GPU lub maszynach.
- Próbkowanie adaptacyjne: Dynamicznie dostosuj liczbę kroków próbkowania w zależności od pożądanego kompromisu między jakością a szybkością.
- Generacja postępowa: Dla dużych danych wyjściowych (np. obrazów o wysokiej rozdzielczości), generuj postępowo od niskiej do wysokiej rozdzielczości, aby zapewnić szybsze wstępne wyniki.
Bezpieczeństwo i filtrowanie
- Filtrowanie treści: Wdrożenie solidnych systemów filtrowania treści, aby zapobiec generowaniu szkodliwych lub nieodpowiednich treści.
- Wodowanie: Rozważ włączenie niewidocznych wodnych znaków do wygenerowanych treści w celu śledzenia.
Zastosowania
Modele dyfuzji znalazły sukces w szerokim zakresie zadań generatywnych:
Generowanie obrazów
Generowanie obrazów to miejsce, w którym modele dyfuzji po raz pierwszy zyskały uznanie. Niektóre godne uwagi przykłady obejmują:
- DALL-E 3: Model tekst-obraz OpenAI, łączący tekstowy encoder CLIP z dyfuzyjnym dekodera obrazu
- Stable Diffusion: Otwarty model dyfuzji latentnej do generowania obrazów z podpowiedziami tekstowymi
- Imagen: Model tekst-obraz Google (GOOGL )
Te modele mogą generować bardzo realistyczne i kreatywne obrazy z opisów tekstowych, przewyższając poprzednie podejścia oparte na GAN.
Generowanie wideo
Modele dyfuzji zostały również zastosowane do generowania wideo:
- Modele dyfuzji wideo: Generowanie wideo przez traktowanie czasu jako dodatkowej wymiarowości w procesie dyfuzji
- Make-A-Video: Model tekst-wideo dyfuzji Meta
- Imagen Video: Model tekst-wideo dyfuzji Google
Te modele mogą generować krótkie klipy wideo z opisów tekstowych, otwierając nowe możliwości tworzenia treści.
Generowanie 3D
Ostatnie prace rozszerzyły modele dyfuzji na generowanie 3D:
- DreamFusion: Generowanie 3D z podpowiedziami tekstowymi przy użyciu modeli dyfuzji 2D
- Point-E: Model dyfuzji chmury punktów OpenAI do generowania obiektów 3D
Te podejścia umożliwiają tworzenie aktywów 3D z opisów tekstowych, z zastosowaniami w grach, VR/AR i projektowaniu produktów.
Wyzwania i przyszłe kierunki
Chociaż modele dyfuzji osiągnęły imponujący sukces, nadal istnieją kilka wyzwań i obszarów badań na przyszłość:
Wydajność obliczeniowa
Iteracyjny proces próbkowania modeli dyfuzji może być powolny, szczególnie dla danych wyjściowych o wysokiej rozdzielczości. Podejścia takie jak dyfuzja latentna i modele spójności mają na celu rozwiązanie tego problemu, ale dalsze poprawy wydajności są aktywnym obszarem badań.
Sterowalność
Chociaż techniki takie jak bezklasowy przewodnik poprawiły sterowalność, nadal wiele pracy pozostaje, aby umożliwić bardziej szczegółową kontrolę nad generowanymi wynikami. Jest to szczególnie ważne dla zastosowań kreatywnych.
Wielomodalna generacja
Obecne modele dyfuzji wyróżniają się w generowaniu jednej modalności (np. obrazów lub dźwięku). Rozwój prawdziwie wielomodalnych modeli dyfuzji, które mogą bezproblemowo generować między modalnościami, jest ekscytującym kierunkiem przyszłych badań.
Zrozumienie teoretyczne
Chociaż modele dyfuzji mają silne wyniki empiryczne, nadal wiele pozostaje do zrozumienia, dlaczego działają tak dobrze. Rozwinięcie głębszego zrozumienia teoretycznego mogłoby prowadzić do dalszych popraw i nowych zastosowań.
Podsumowanie
Modele dyfuzji reprezentują krok naprzód w generatywnym AI, oferując wyniki wysokiej jakości w różnych modalnościach. Poprzez naukę odwracania procesu dodawania szumu, zapewniają elastyczne i teoretycznie uzasadnione podejście do generacji.
Od narzędzi kreatywnych po symulacje naukowe, zdolność generowania złożonych, wielowymiarowych danych ma potencjał transformować wiele dziedzin. Jednak ważne jest, aby podejść do tych potężnych technologii w sposób przemyślany, biorąc pod uwagę zarówno ich ogromny potencjał, jak i wyzwania etyczne, które one przedstawiają.
