حالا سعی می‌کنم یکم پرامپت رو پیچیده‌تر کنم. تازه چند ماهه که میدجورنی فهمیده وقتی بنویسین "سه نفر" یا کلا عدد بدین، چطور بشمره و دقیقا همون تعداد رو بسازه. اول همین زمستون ساختن مثلا یک انسان با دو سر، یا پنج نفر در حالی که دارن فوتبال بازی می‌کنن برای هوش مصنوعی نزدیک غیرممکن بود. حتی اگه یکی نتیجه می‌گرفت شانسی بود.

A painting of three men and a dog sleeping under tree in style of John Leech --v 6.1

بازم نتیجه رو این بالا می‌تونین ببینین. اولی رو که کلا دو نفر کشیده، دومی حالت بدن‌ها اشتباهه و یکیشون روی سگه خوابیده، سومی هم مشخص نیست کلا روی چی خوابیدن. چهارمی... انگار نقاشیای روم باستانه.

حالا شاید براتون سوال پیش بیاد که اینا شاید از جان لیچ نباشه، ولی شبیه نقاشی فلان آرتیسته و از اون دزدیده.
بازم نه، دلیلش هم خیلی سادس:
هوش مصنوعی (مخصوصا مید‌جورنی، چون دقیقا مدل کار کردنش رو می‌دونم) نیومد از تصاویرِ نقاشی‌ها به شکل متداول استفاده کنه. مردم تصور می‌کنن به میدجورنی سایت‌هایی مثل ویکی پدیا، آرت استیشن و... رو دادن این تمام کارها رو توی دیتابیسش نگه داشته، با یک کلمه‌ی خاص می‌ره اون کار رو برمیداره و میاد کپیش می‌کنه. در حالی که اگه این کار رو می‌کردن اصلا نمی‌تونست به این مرحله‌ای که هست نزدیک هم بشه. از اون سمت هزینه‌ی انجام این کار اینقدری بالائه که نمی‌صرفه.

برای همین یادگیریش بر اساس دوتا چیزه، یعنی دوتا مورد رو بهش فهموندن:

اول همه بهش متن دادن، دیتاهای مختلف در مورد استایل‌های هنری، دوره‌های تاریخی، تکنیک‌ها و... بعد برای هر کدوم از اینا چندتا تصویر (همه public domain - بعد توضیح می‌دم چرا) رو می‌ذاشتن جلوش تا فقط یک چیز رو درک کنه. مثلا قاب بندی‌های سینمایی و ترکیب‌بندی توی تصاویر، بعد چندتا مورد. اینطوری مفهوم رو می‌گرفت، درکی از تصویر هم نداشت. روش آموزش خیلی ابتدایی و ساده‌ایه.

بعدی هم وایب بود، چون بیشتر مردم جای اینکه دنبال دزدیدن از یک آرتیست خاص باشن، دنبال یک وایب مشخصن. مثلا "پوسترهای فیلم ایتالیایی دهه هفتاد"، "آرامش بخش"، "دارک فانتزی" و... اینا رو باز هم با تصویر نمی‌شه بهش یاد داد. چون اینقدر پیشرفته و قدرتمند نیست. مسئله فقط و فقط کلماتن، مثلا پوسترِ ایتالیایی دهه هفتاد برای میدجورنی اینطوری نیست که بخواد بره عکس‌هاشو ببینه و بیاد، براش یکسری کلمه‌ن، مثلا: آبرنگ، دراماتیک، عاشقانه، بک گراند سفید، تمرکز روی یک یا دو انسان و چیزهایی شبیه این. باز هم اون کلمات دوباره وصل می‌شن به یکسری کلمه‌ی دیگه تا برسه به نقطه‌ی صفر. زمانی که یک نفر ازش اینا رو می‌خواد اون باید "مفاهیم" مختلف که از کلمات داره رو بذاره کنار هم نتیجه بده. اینکه مستقیم بخواد یکی رو بگیره و ازش بسازه تقریبا غیرممکنه (حس می‌کنم توضیحش خیلی طولانی می‌شه، اگه یکی خواست بگه تا بنویسم).