Làm thế nào để ngăn chặn AI mô tả iPhone trong các thời kỳ đã qua

Làm thế nào các máy phát sinh hình ảnh AI hình dung về quá khứ? Nghiên cứu mới cho thấy chúng thả điện thoại thông minh vào thế kỷ 18, chèn máy tính xách tay vào các cảnh từ những năm 1930 và đặt máy hút bụi trong các ngôi nhà thế kỷ 19, đặt ra câu hỏi về cách những mô hình này tưởng tượng về lịch sử – và liệu chúng có khả năng chính xác về mặt lịch sử hay không.

Đầu năm 2024, khả năng tạo hình ảnh của mô hình AI đa phương thức Gemini của Google đã bị chỉ trích vì áp đặt sự công bằng về dân tộc trong các ngữ cảnh không phù hợp, chẳng hạn như tạo ra các binh sĩ Đức trong Thế chiến II với nguồn gốc không thể tin được:

Nhân viên quân sự Đức không thể tin được về mặt dân tộc, như được hình dung bởi mô hình đa phương thức Gemini của Google vào năm 2024. Nguồn: Gemini AI/Google qua The Guardian

Đây là một ví dụ về nỗ lực nhằm giải quyết sự thiên vị trong các mô hình AI đã không tính đến ngữ cảnh lịch sử. Trong trường hợp này, vấn đề đã được giải quyết ngay sau đó. Tuy nhiên, các mô hình dựa trên sự khuếch tán vẫn còn dễ bị tạo ra các phiên bản lịch sử mà混 hợp các khía cạnh và hiện vật hiện đại và lịch sử.

Điều này là một phần do sự gắn kết, nơi các đặc điểm thường xuất hiện cùng nhau trong dữ liệu đào tạo trở nên gắn kết trong đầu ra của mô hình. Ví dụ, nếu các đối tượng hiện đại như điện thoại thông minh thường đồng xuất hiện với hành động nói hoặc nghe trong tập dữ liệu, mô hình có thể học cách liên kết các hoạt động đó với các thiết bị hiện đại, ngay cả khi lời nhắc chỉ định một ngữ cảnh lịch sử. Khi những mối liên hệ này được nhúng vào các biểu diễn nội bộ của mô hình, nó trở nên khó khăn để tách hoạt động khỏi ngữ cảnh hiện đại của nó, dẫn đến kết quả không chính xác về mặt lịch sử.

Một bài báo mới từ Thụy Sĩ, nghiên cứu về hiện tượng các thế hệ lịch sử gắn kết trong các mô hình khuếch tán tiềm ẩn, quan sát thấy rằng các khung AI có khả năng tạo ra hình ảnh photorealistic về con người nhưng vẫn thích mô tả các nhân vật lịch sử theo cách lịch sử:

Từ bài báo mới, các đại diện đa dạng thông qua LDM của lời nhắc ‘Một hình ảnh photorealistic của một người đang cười với một người bạn trong [thời kỳ lịch sử]’, với mỗi thời kỳ được chỉ định trong mỗi đầu ra. Nguồn: https://arxiv.org/pdf/2505.17064

Với lời nhắc ‘Một hình ảnh photorealistic của một người đang cười với một người bạn trong [thời kỳ lịch sử]’, một trong ba mô hình được thử nghiệm thường bỏ qua lời nhắc tiêu cực ‘hình ảnh đơn sắc’ và thay vào đó sử dụng các phương pháp xử lý màu sắc phản ánh phương tiện trực quan của thời kỳ được chỉ định, ví dụ như bắt chước các tông màu nhạt của phim celluloid từ những năm 1950 và 1970.

Trong quá trình thử nghiệm các mô hình để kiểm tra khả năng tạo ra sự không phù hợp thời gian (các vật không thuộc thời kỳ mục tiêu, hoặc ‘không đúng thời gian’ – có thể từ tương lai hoặc quá khứ của thời kỳ đó), họ phát hiện ra một xu hướng chung là trộn các hoạt động không thay đổi theo thời gian (chẳng hạn như ‘hát’ hoặc ‘nấu ăn’) với các ngữ cảnh và thiết bị hiện đại:

Các hoạt động đa dạng hoàn toàn hợp lệ cho các thế kỷ trước được mô tả với công nghệ và trang thiết bị hiện đại hoặc gần đây hơn, trái với tinh thần của hình ảnh được yêu cầu.

Đáng chú ý là điện thoại thông minh đặc biệt khó tách rời khỏi ý nghĩa của nhiếp ảnh, và từ nhiều ngữ cảnh lịch sử khác, vì sự phổ biến và mô tả của chúng được đại diện tốt trong các tập dữ liệu hyperscale có ảnh hưởng như Common Crawl:

Trong mô hình tạo hình ảnh từ văn bản Flux, truyền thông và điện thoại thông minh là các khái niệm gắn liền – ngay cả khi ngữ cảnh lịch sử không cho phép.

Để xác định mức độ của vấn đề này và để cung cấp cho các nỗ lực nghiên cứu trong tương lai một cách để tiến bộ với vấn đề này, các tác giả của bài báo mới đã phát triển một tập dữ liệu tùy chỉnh để thử nghiệm các hệ thống tạo hình ảnh. Trong một lúc, chúng ta sẽ xem xét bài báo mới này, có tiêu đề Lịch sử Tổng hợp: Đánh giá các Biểu diễn trực quan của Quá khứ trong các Mô hình Khuếch tán, và đến từ hai nhà nghiên cứu tại Đại học Zurich. Tập dữ liệu và mã được sử dụng là công khai.

Một ‘Sự thật’ mong manh

Một số chủ đề trong bài báo chạm vào các vấn đề nhạy cảm về văn hóa, chẳng hạn như sự thiếu đại diện của các chủng tộc và giới tính trong các đại diện lịch sử. Trong khi việc áp đặt sự công bằng chủng tộc của Gemini trong Đệ tam Đế chế không công bằng là một sự sửa đổi lịch sử phi lý và xúc phạm, việc khôi phục lại ‘truyền thống’ đại diện chủng tộc (nơi các mô hình khuếch tán đã ‘cập nhật’ những đại diện này) thường sẽ hiệu quả ‘tái tẩy trắng’ lịch sử.

Nhiều chương trình truyền hình lịch sử nổi tiếng gần đây, chẳng hạn như Bridgerton, làm mờ ranh giới giữa độ chính xác dân tộc lịch sử theo cách có thể ảnh hưởng đến các tập dữ liệu đào tạo trong tương lai, làm phức tạp nỗ lực để căn chỉnh hình ảnh thời kỳ được tạo bởi LLM với các tiêu chuẩn truyền thống. Tuy nhiên, đây là một chủ đề phức tạp, xét đến xu hướng lịch sử của (Tây) lịch sử để ưa thích sự giàu có và trắng da, và để bỏ lại rất nhiều ‘câu chuyện nhỏ’ chưa được kể.

Hãy nhớ những tham số văn hóa phức tạp và thay đổi này, hãy cùng xem xét cách tiếp cận mới của các nhà nghiên cứu.

Phương pháp và Kiểm tra

Để kiểm tra cách các mô hình tạo hình ảnh diễn giải ngữ cảnh lịch sử, các tác giả đã tạo HistVis, một tập dữ liệu gồm 30.000 hình ảnh được tạo từ một trăm lời nhắc mô tả các hoạt động của con người phổ biến, mỗi hoạt động được hiển thị trong mười thời kỳ lịch sử khác nhau:

Một mẫu từ tập dữ liệu HistVis, mà các tác giả đã làm cho có sẵn trên Hugging Face. Nguồn: https://huggingface.co/datasets/latentcanon/HistVis

Các hoạt động, chẳng hạn như nấu ăn, cầu nguyện hoặc nghe nhạc, được chọn vì tính phổ quát của chúng và được diễn đạt theo định dạng trung lập để tránh neo mô hình vào một vẻ ngoài cụ thể. Các thời kỳ cho tập dữ liệu trải từ thế kỷ 17 đến ngày nay, với sự tập trung thêm vào năm thập kỷ riêng lẻ từ thế kỷ 20.

30.000 hình ảnh đã được tạo ra bằng cách sử dụng ba mô hình khuếch tán mã nguồn mở được sử dụng rộng rãi: Stable Diffusion XL; Stable Diffusion 3; và FLUX.1. Bằng cách cô lập thời kỳ là biến số duy nhất, các nhà nghiên cứu đã tạo ra một cơ sở cấu trúc để đánh giá cách các mô hình này mã hóa hoặc bỏ qua các gợi ý lịch sử về mặt trực quan.

Đominance về Phong cách trực quan

Tác giả ban đầu đã kiểm tra xem các mô hình tạo hình ảnh có mặc định các phong cách trực quan cụ thể khi mô tả các thời kỳ lịch sử hay không; vì dường như ngay cả khi lời nhắc không đề cập đến phương tiện hoặc phong cách, các mô hình thường gắn các thế kỷ cụ thể với các phong cách đặc trưng:

Các phong cách trực quan dự đoán cho hình ảnh được tạo từ lời nhắc ‘Một người đang nhảy múa với người khác trong [thời kỳ lịch sử]’ (trái) và từ lời nhắc sửa đổi ‘Một hình ảnh photorealistic của một người đang nhảy múa với người khác trong [thời kỳ lịch sử]’ với ‘hình ảnh đơn sắc’ được đặt làm lời nhắc tiêu cực (phải).

Để đo lường xu hướng này, các tác giả đã đào tạo một mạng nơ-ron tích chập (CNN) để phân loại mỗi hình ảnh trong tập dữ liệu HistVis vào một trong năm loại: vẽ; điêu khắc; tranh minh họa; tranh sơn dầu; hoặc nhiếp ảnh. Những loại này được thiết kế để phản ánh các mẫu phổ biến xuất hiện trên các thời kỳ và hỗ trợ so sánh có cấu trúc.

Phân loại器 được dựa trên mô hình VGG16 được đào tạo trước trên ImageNet và tinh chỉnh với 1.500 ví dụ trên mỗi lớp từ một tập dữ liệu WikiArt có nguồn gốc. Vì WikiArt không phân biệt hình ảnh đơn sắc và hình ảnh màu, một điểm số màu sắc riêng biệt đã được sử dụng để dán nhãn các hình ảnh có độ bão hòa thấp là hình ảnh đơn sắc.

Phân loại器 đã được đào tạo sau đó được áp dụng cho toàn bộ tập dữ liệu, với kết quả cho thấy tất cả ba mô hình áp đặt các mặc định phong cách nhất quán theo thời kỳ: SDXL gắn thế kỷ 17 và 18 với các bản khắc, trong khi SD3 và FLUX.1 có xu hướng toward tranh sơn dầu. Trong các thập kỷ của thế kỷ 20, SD3 ưa thích nhiếp ảnh đơn sắc, trong khi SDXL thường trả về các minh họa hiện đại.

Those xu hướng này được tìm thấy là vẫn còn tồn tại mặc dù có sự điều chỉnh lời nhắc, gợi ý rằng các mô hình mã hóa các liên kết sâu sắc giữa phong cách và ngữ cảnh lịch sử.

Các phong cách trực quan dự đoán của hình ảnh được tạo ra trên các thời kỳ lịch sử cho mỗi mô hình khuếch tán, dựa trên 1.000 mẫu trên mỗi thời kỳ trên mỗi mô hình.

Để lượng hóa cách mạnh mẽ một mô hình liên kết một thời kỳ lịch sử với một phong cách trực quan cụ thể, các tác giả đã phát triển một thước đo mà họ gọi là Đominance về Phong cách trực quan (VSD). Đối với mỗi mô hình và thời kỳ, VSD được định nghĩa là tỷ lệ đầu ra dự đoán chia sẻ phong cách phổ biến nhất:

Ví dụ về các thiên vị phong cách trên các mô hình.

Điểm số cao hơn cho thấy một phong cách duy nhất chi phối các đầu ra cho thời kỳ đó, trong khi điểm số thấp hơn chỉ ra sự đa dạng lớn hơn. Điều này giúp so sánh cách mỗi mô hình tuân theo các quy ước phong cách cụ thể trên các thời kỳ.

Khi áp dụng cho toàn bộ tập dữ liệu HistVis, thước đo VSD tiết lộ các mức độ hội tụ khác nhau, giúp làm rõ cách mạnh mẽ mỗi mô hình thu hẹp sự giải thích trực quan về quá khứ:

Bảng kết quả trên cho thấy các điểm số VSD trên các thời kỳ lịch sử cho mỗi mô hình. Trong thế kỷ 17 và 18, SDXL có xu hướng tạo ra các bản khắc với sự nhất quán cao, trong khi SD3 và FLUX.1 ưa thích tranh sơn dầu. Đến thế kỷ 20 và 21, SD3 và FLUX.1 chuyển sang nhiếp ảnh, trong khi SDXL cho thấy sự đa dạng hơn, nhưng thường mặc định là minh họa.

Tất cả ba mô hình đều thể hiện sự ưa thích mạnh mẽ đối với hình ảnh đơn sắc trong các thập kỷ đầu tiên của thế kỷ 20, đặc biệt là những năm 1910, 1930 và 1950.

Để kiểm tra xem những mẫu này có thể được giảm thiểu hay không, các tác giả đã sử dụng kỹ thuật lời nhắc, yêu cầu rõ ràng về tính photorealistic và ngăn chặn đầu ra đơn sắc bằng một lời nhắc tiêu cực. Trong một số trường hợp, các điểm số về sự thống trị đã giảm, và phong cách dẫn đầu đã thay đổi, chẳng hạn như từ đơn sắc sang tranh sơn dầu, trong thế kỷ 17 và 18.

Tuy nhiên, những can thiệp này hiếm khi tạo ra hình ảnh thực sự photorealistic, cho thấy rằng các mặc định phong cách của mô hình được gắn sâu.

Tính nhất quán Lịch sử

Dòng phân tích tiếp theo xem xét tính nhất quán lịch sử: liệu hình ảnh được tạo ra có chứa các đối tượng không phù hợp với thời kỳ hay không. Thay vì sử dụng một danh sách các mục bị cấm cố định, các tác giả đã phát triển một phương pháp linh hoạt tận dụng các mô hình ngôn ngữ lớn (LLM) và mô hình ngôn ngữ-vision (VLM) để phát hiện các yếu tố có vẻ không phù hợp dựa trên ngữ cảnh lịch sử.

Phương pháp phát hiện theo cùng định dạng với tập dữ liệu HistVis, nơi mỗi lời nhắc kết hợp một thời kỳ lịch sử với một hoạt động của con người. Đối với mỗi lời nhắc, GPT-4o đã tạo ra một danh sách các đối tượng có thể không phù hợp trong thời kỳ được chỉ định; và đối với mỗi đối tượng được đề xuất, GPT-4o đã tạo ra một câu hỏi đúng hoặc sai để kiểm tra xem đối tượng đó có xuất hiện trong hình ảnh được tạo ra hay không.

Ví dụ, đối với lời nhắc ‘Một người đang nghe nhạc trong thế kỷ 18’, GPT-4o có thể xác định thiết bị âm thanh hiện đại là không chính xác về mặt lịch sử và tạo ra câu hỏi Người đó có sử dụng tai nghe hoặc điện thoại thông minh không tồn tại trong thế kỷ 18 không?.

Các câu hỏi này đã được gửi lại cho GPT-4o trong một thiết lập trả lời câu hỏi trực quan, nơi mô hình xem xét hình ảnh và trả về câu trả lời đúng hoặc sai cho mỗi câu hỏi. Điều này cho phép phát hiện các nội dung không phù hợp về mặt lịch sử mà không cần dựa vào bất kỳ phân loại nào trước của các đối tượng hiện đại:

Ví dụ về hình ảnh được tạo ra được đánh dấu bởi phương pháp phát hiện hai giai đoạn, hiển thị các yếu tố không phù hợp về thời gian: tai nghe trong thế kỷ 18; máy hút bụi trong thế kỷ 19; máy tính xách tay trong những năm 1930; và điện thoại thông minh trong những năm 1950.

Để đo lường tần suất xuất hiện của các yếu tố không phù hợp về thời gian trong hình ảnh được tạo ra, các tác giả đã giới thiệu một phương pháp đơn giản để tính điểm tần suất và mức độ nghiêm trọng. Đầu tiên, họ tính đến các sự khác biệt nhỏ trong cách GPT-4o mô tả cùng một đối tượng.

Ví dụ, thiết bị âm thanh hiện đại và thiết bị âm thanh kỹ thuật số được coi là tương đương. Để tránh đếm gấp đôi, một hệ thống khớp không rõ ràng được sử dụng để nhóm các biến thể bề mặt này mà không ảnh hưởng đến các khái niệm thực sự khác nhau.

Sau khi tất cả các yếu tố không phù hợp về thời gian được chuẩn hóa, hai thước đo được tính toán: tần suất đo lường xem một đối tượng nhất định xuất hiện trong hình ảnh của một thời kỳ và mô hình cụ thể bao nhiêu lần; và mức độ nghiêm trọng đo lường xem một đối tượng nhất định xuất hiện trong hình ảnh được tạo ra sau khi được gợi ý bởi mô hình bao nhiêu lần.

Nếu một điện thoại thông minh hiện đại được đánh dấu mười lần và xuất hiện trong mười hình ảnh được tạo ra, nó nhận được điểm mức độ nghiêm trọng là 1,0. Nếu nó chỉ xuất hiện trong năm hình ảnh, điểm mức độ nghiêm trọng là 0,5. Những điểm số này giúp xác định không chỉ liệu các yếu tố không phù hợp về thời gian có xảy ra hay không, mà còn mức độ chúng được gắn vào đầu ra của mô hình cho mỗi thời kỳ:

Mười lăm yếu tố không phù hợp về thời gian hàng đầu cho mỗi mô hình, được vẽ theo tần suất trên trục x và mức độ nghiêm trọng trên trục y.

Trên đây, chúng ta thấy mười lăm yếu tố không phù hợp về thời gian hàng đầu cho mỗi mô hình, được xếp hạng theo tần suất xuất hiện và sự nhất quán khi khớp với lời nhắc.

Quần áo là phổ biến nhưng phân tán, trong khi các vật dụng như thiết bị âm thanh và thiết bị ủi quần áo xuất hiện ít hơn, nhưng với sự nhất quán cao – những mẫu cho thấy các mô hình thường phản ứng với hoạt động trong lời nhắc nhiều hơn là thời kỳ.

SD3 cho thấy tỷ lệ các yếu tố không phù hợp về thời gian cao nhất, đặc biệt là trong hình ảnh từ thế kỷ 19 và những năm 1930, tiếp theo là FLUX.1 và SDXL.

Để kiểm tra xem phương pháp phát hiện này có khớp với phán quyết của con người hay không, các tác giả đã chạy một nghiên cứu với người dùng, bao gồm 1.800 hình ảnh được lấy mẫu ngẫu nhiên từ SD3 (mô hình có tỷ lệ các yếu tố không phù hợp về thời gian cao nhất), với mỗi hình ảnh được đánh giá bởi ba công nhân đông. Sau khi lọc ra các phản hồi không đáng tin cậy, 2.040 phán quyết từ 234 người dùng đã được bao gồm, và phương pháp này đồng ý với phiếu bầu đa số trong 72% trường hợp.

Giao diện cho nghiên cứu đánh giá của con người, hiển thị hướng dẫn nhiệm vụ, ví dụ về hình ảnh chính xác và không phù hợp về thời gian, và câu hỏi đúng/sai để xác định sự không phù hợp về thời gian trong đầu ra được tạo ra.

Dân số học

Phân tích cuối cùng xem xét cách các mô hình mô tả chủng tộc và giới tính theo thời gian. Sử dụng tập dữ liệu HistVis, các tác giả so sánh đầu ra của mô hình với các ước tính cơ sở được tạo ra bởi một mô hình ngôn ngữ. Những ước tính này không chính xác nhưng cung cấp một ý niệm thô về tính hợp lý lịch sử, giúp tiết lộ liệu các mô hình có điều chỉnh việc mô tả để phù hợp với thời kỳ dự định hay không.

Để đánh giá những mô tả này ở quy mô lớn, các tác giả đã xây dựng một đường ống so sánh đầu ra mô hình với các ước tính thô về dân số học cho mỗi thời kỳ và hoạt động. Họ đầu tiên sử dụng phân loại器 FairFace, một công cụ dựa trên ResNet34 được đào tạo trên hơn 100.000 hình ảnh, để phát hiện giới tính và chủng tộc trong các đầu ra được tạo ra, cho phép đo lường tần suất khuôn mặt trong mỗi cảnh được phân loại là nam hoặc nữ, và theo dõi các danh mục chủng tộc trên các thời kỳ.

Ví dụ về hình ảnh được tạo ra hiển thị sự đại diện quá mức về dân số học trên các mô hình, thời kỳ và hoạt động khác nhau.

Kết quả có độ tin cậy thấp đã được lọc ra để giảm nhiễu, và dự đoán được tính trung bình trên tất cả hình ảnh gắn liền với một thời kỳ và hoạt động cụ thể. Để kiểm tra tính nhất quán của các đọc FairFace, một hệ thống thứ hai dựa trên DeepFace đã được sử dụng trên một mẫu 5.000 hình ảnh. Hai phân loại器 cho thấy sự đồng ý mạnh mẽ, hỗ trợ tính nhất quán của các đọc dân số học được sử dụng trong nghiên cứu.

Để so sánh đầu ra mô hình với tính hợp lý lịch sử, các tác giả đã yêu cầu GPT-4o ước tính phân phối giới tính và chủng tộc dự kiến cho mỗi hoạt động và thời kỳ. Những ước tính này phục vụ như các điểm chuẩn thô chứ không phải sự thật cơ bản. Hai thước đo được sử dụng: sự thiếu đại diện và sự đại diện quá mức, đo lường xem đầu ra của mô hình devi so với ước tính của LLM bao nhiêu.

Kết quả cho thấy các mẫu rõ ràng: FLUX.1 thường đại diện quá mức cho nam giới, ngay cả trong các kịch bản như nấu ăn, nơi phụ nữ được dự kiến; SD3 và SDXL cho thấy xu hướng tương tự trên các danh mục như làm việc, giáo dục và tôn giáo; khuôn mặt da trắng xuất hiện nhiều hơn dự kiến tổng thể, mặc dù thiên vị này giảm trong các thời kỳ gần đây; và một số danh mục cho thấy sự tăng đột ngột không mong đợi trong đại diện của người da màu, gợi ý rằng hành vi của mô hình có thể phản ánh mối tương quan trong tập dữ liệu hơn là ngữ cảnh lịch sử:

Sự thiếu đại diện và đại diện quá mức về giới tính và chủng tộc trong đầu ra của FLUX.1 trên các thế kỷ và hoạt động, được hiển thị dưới dạng sự khác biệt tuyệt đối từ ước tính dân số học của GPT-4o.

Các tác giả kết luận:

‘Phân tích của chúng tôi tiết lộ rằng [Mô hình Text-to-Image/TTI] dựa vào mã hóa phong cách hạn chế hơn là hiểu biết tinh tế về các thời kỳ lịch sử. Mỗi thời kỳ được gắn chặt với một phong cách trực quan cụ thể, dẫn đến việc mô tả lịch sử một chiều.

‘Đáng chú ý, các hình ảnh photorealistic của con người chỉ xuất hiện từ thế kỷ 20 trở đi, với chỉ một số trường hợp ngoại lệ trong FLUX.1 và SD3, cho thấy rằng các mô hình củng cố các liên kết đã học được thay vì thích nghi linh hoạt với các ngữ cảnh lịch sử, củng cố quan niệm rằng tính hiện thực là một đặc điểm hiện đại.

‘Ngoài ra, sự thường xuyên của các yếu tố không phù hợp về thời gian cho thấy rằng các thời kỳ lịch sử không được tách biệt rõ ràng trong không gian tiềm ẩn của các mô hình này, vì các hiện vật hiện đại thường xuất hiện trong các thiết lập tiền hiện đại, làm suy yếu tính tin cậy của các hệ thống TTI trong các ngữ cảnh giáo dục và di sản văn hóa.’

Kết luận

Trong quá trình đào tạo một mô hình khuếch tán, các khái niệm mới không được sắp xếp gọn gàng vào các khe đã định trong không gian tiềm ẩn. Thay vào đó, chúng tạo thành các cụm được định hình bởi tần suất xuất hiện và sự gần gũi với các ý tưởng liên quan. Kết quả là một cấu trúc lỏng lẻo nơi các khái niệm tồn tại liên quan đến tần suất và ngữ cảnh điển hình của chúng, chứ không phải bởi bất kỳ sự tách biệt sạch sẽ hoặc thực nghiệm nào.

Điều này làm cho việc cô lập những gì được coi là ‘lịch sử’ trong một tập dữ liệu lớn, đa năng trở nên khó khăn. Như những phát hiện trong bài báo mới này gợi ý, nhiều thời kỳ được đại diện nhiều hơn bởi hiện diện của phương tiện được sử dụng để mô tả chúng hơn là bất kỳ chi tiết lịch sử sâu sắc nào.

Đây là một lý do tại sao việc tạo ra một hình ảnh photorealistic chất lượng năm 2025 của một nhân vật từ (ví dụ) thế kỷ 19 vẫn còn khó khăn; trong hầu hết các trường hợp, mô hình sẽ dựa vào các yếu tố trực quan được rút ra từ phim và truyền hình. Khi những yếu tố này không khớp với yêu cầu, sẽ không có gì khác trong dữ liệu để bù đắp. Việc bắc cầu khoảng cách này có thể phụ thuộc vào sự cải tiến trong tương lai về việc tách các khái niệm chồng chéo.

Được xuất bản lần đầu vào Thứ hai, ngày 26 tháng 5 năm 2025