Hvad er Stable Diffusion? Forstå værktøjet på 2 minutter

Det var intet mindre end en revolution, da en ny type billedgenerator dukkede op på nettet. Under navnet Stable Diffusion blev teknologien frigivet som open source, og pludselig kunne enhver med en nogenlunde computer skabe fotorealistiske billeder ud fra en simpel tekstbeskrivelse. Hvor man tidligere skulle være professionel kunstner eller fotograf, kunne man nu skrive en sætning og få et unikt billede tilbage på få sekunder. Folk strømmede til, delte deres værker på sociale medier og eksperimenterede med prompts, der spændte fra surrealistiske drømmelandskaber til hyperrealistiske portrætter. Spørgsmålet meldte sig straks: Hvordan kan en maskine pludselig male billeder, der ser ud som om de er tegnet af en menneskelig hånd? Stable Diffusion var ikke den første model af sin slags – DALL·E og Midjourney kom før – men den var den første, der blev gjort frit tilgængelig for alle. Det betød, at udviklere, kunstnere og hobbyister kunne downloade modellen, køre den lokalt og bygge videre på den. Effekten var enorm, og teknologien spredte sig hurtigere end nogen havde forudsagt.

Det tekniske fundament bag Stable Diffusion bygger på en metode kaldet latent diffusion. I stedet for at arbejde direkte med pixels, komprimerer modellen først billedet til en komprimeret repræsentation i et såkaldt latent rum. Her foregår selve diffusionsprocessen, hvor støj gradvist fjernes, indtil et klart motiv står tilbage. Processen minder om, hvordan en fotograf fremkalder et billede i mørkekammeret – men her er det algoritmer, der styrer hvert eneste skridt. Det er en forholdsvist effektiv metode, der kræver mindre regnekraft end ældre tilgange, hvilket var en af grundene til, at Stable Diffusion kunne køre på almindelige grafikkort. I modsætning til større lukkede modeller, der kræver skybaserede servere, kunne enhver med en mellemklasse GPU afprøve teknologien derhjemme. Det åbnede for en helt ny måde at arbejde med billedkunst på.

Fra tekst til billede – hvordan hænger det sammen?

Kernen i Stable Diffusion er en sprogmodel, der oversætter dine ord til en numerisk repræsentation, og en billedgenerator, der bearbejder den repræsentation. Teksten bliver først en såkaldt embedding, en slags vektor, der beskriver betydningen af hvert ord. Denne vektor guides ind i diffusionsmodellen, som starter med et felt af tilfældig støj. Gennem en række trin – typisk 50 eller 100 – bliver støjen langsomt omdannet til et billede, der matcher teksten. Undervejs bruger modellen en U-Net-arkitektur, der er særlig god til at genkende mønstre og strukturer. Det er lidt som at se en skulptør hugge sten væk, indtil en figur træder frem. Måske er det netop denne iterative proces, der gør resultaterne så overraskende levende.

Det er værd at bemærke, at modellen ikke forstår verden på samme måde som et menneske. Den har blot lært at forbinde ord med visuelle mønstre fra millioner af billedtekster på nettet. Når du skriver ”en hund i en solhat”, har modellen set nok eksempler til at gætte, hvordan det omtrent ser ud. Tilsyneladende kan den endda håndtere abstrakte begreber som ”kærlighed” eller ”ensomhed”, men resultatet er ofte en kliché – fordi modellen trækker på det mest almindelige, den har set. Det er her, den menneskelige kreativitet kommer ind: ved at eksperimentere med prompts, negative prompts og parametre som CFG-scale kan man styre modellen i en bestemt retning. Forhåbentlig vil fremtidige versioner blive endnu bedre til at forstå nuancer, men allerede nu er mulighederne næsten uendelige.

Open source og fællesskabets magt

En af de helt store styrker ved Stable Diffusion er, at den blev udgivet med en åben licens. Det betød, at udviklere verden over straks begyndte at tilpasse modellen. Der kom specialiserede versioner til anime-stil, fotorealisme, arkitektur og meget mere. Der blev bygget brugergrænseflader som Automatic1111, der gjorde det let at styre alle indstillinger, og platforme som Hugging Face, hvor man kunne dele og downloade finjusterede modeller. Eksempelvis har fællesskabet skabt utallige såkaldte LoRA’er, der kan ændre en bestemt stil eller tilføje en specifik karakter uden at genstarte hele modellen. Det er en verden, hvor alle bidrager, og hvor innovationen sker i et tempo, som kommercielle virksomheder har svært ved at matche.

Samtidig er der naturligvis etiske dilemmaer. Stable Diffusion kan generere billeder, der ligner rigtige mennesker, og den kan efterligne kunstneres stil. Det har ført til debat om ophavsret, misinformation og misbrug. Man kan eksempelvis skabe deepfakes, der ser ægte ud, eller generere billeder af offentlige personer i kompromitterende situationer. Uundgåeligt rejser det spørgsmål om regulering og ansvar. Skal udviklerne tage stilling til, hvad modellen bliver brugt til? Eller er det op til den enkelte bruger? I nogle lande overvejer man allerede lovgivning, men det er en svær balancegang mellem frihed og beskyttelse. I mellemtiden arbejder forskere på vandmærker og detektionsværktøjer, men de er ofte et skridt bagefter.

Hvordan bruges Stable Diffusion i praksis?

Anvendelsesområderne er mange. Grafiske designere bruger modellen til at skabe konceptskitser og moodboards. Arkitekter genererer visualiseringer af bygninger baseret på tekstbeskrivelser. Spiludviklere fremstiller teksturer, baggrunde og karakterkoncepter. Inden for mode kan man afprøve nye mønstre og silhuetter uden at sy en eneste tråd. Og så er der den rene leg: at skabe bizarre, fantastiske eller smukke billeder for fornøjelsens skyld. Mange har opdaget, at de kan udtrykke sig visuelt på en måde, de ikke troede var mulig. Der findes også professionelle, der bruger modellen som en del af deres arbejdsflow – eksempelvis til at generere referencebilleder, som de efterfølgende maler videre på i Photoshop. Det sparer tid og åbner nye kreative veje.

Men det er ikke kun til kunst. Stable Diffusion bruges også til videnskabelige formål, såsom at generere syntetiske data til træning af andre AI-modeller, eller til at visualisere molekyler og biologiske strukturer. Endda i arkæologien har man eksperimenteret med at rekonstruere ødelagte genstande ud fra fragmenter og tekstbeskrivelser. Mulighederne synes uendelige, og de vokser i takt med, at hardwaren bliver billigere og modellerne mere effektive. Forhåbentlig vil vi se flere samfundsnyttige anvendelser, samtidig med at vi holder øje med risiciene. Det er en balance, vi alle er en del af.

Begrænsninger og fremtidsperspektiver

Selvom Stable Diffusion er imponerende, er der klare begrænsninger. Modellen har svært ved at generere hænder med korrekte fingre, og den kan lave tekst i billeder, der ofte er meningsløs. Den forstår heller ikke fysiske love: en kop kaffe kan flyde i luften, mennesker kan have seks fingre, og skygger kan vende den forkerte vej. Det skyldes, at den kun har lært overfladiske mønstre, ikke dybdegående forståelse. Derudover kan den have bias, fordi træningsdatasættet – primært fra nettet – indeholder samfundets fordomme. Stable Diffusion kan eksempelvis ofte vise billeder af hvide mænd, når promptet beder om en ”læge”, medmindre man specifikt tilføjer andre køn eller etniciteter. Det er et problem, der arbejdes på at løse, blandt andet gennem bedre datakuration og finetuning.

På trods af disse udfordringer er udviklingen eksplosiv. Nye versioner af modellen kommer løbende, og de bliver bedre til detaljer, form og kontekst. Multimodale modeller, der kombinerer tekst og billeder, vinder frem, og snart vil vi se modeller, der kan redigere billeder med en simpel sætning: ”skift baggrunden til en strand” eller ”giv personen et smil”. Teknologien er allerede ved at blive integreret i store platforme som Adobe Photoshop og Canva, hvilket gør den tilgængelig for endnu flere. Hvad fremtiden bringer, ved ingen præcist, men uundgåeligt vil AI-billedgeneratorer blive et almindeligt værktøj på linje med kameraet og penslen.

Hvad betyder det for dig?

Uanset om du er kunstner, iværksætter eller blot nysgerrig, så er Stable Diffusion et redskab, der er værd at stifte bekendtskab med. Du kan eksperimentere med prompts, lære at styre komposition og farver, og måske opdage en ny kreativ side af dig selv. Mange virksomheder søger allerede medarbejdere, der forstår at arbejde med AI-genererede billeder – det er en kompetence, der bliver stadig mere værdifuld. Og hvis du vil dykke dybere ned i emnet, kan du overveje et foredrag eller en workshop, hvor du lærer at bruge teknologien strategisk. Hos AIforze tilbyder vi netop sådanne forløb, hvor vi gennemgår alt fra grundlæggende promptskrivning til avancerede workflow-optimeringer. Uanset dit niveau kan du få indsigt og værktøjer, der gør dig i stand til at udnytte kunstig intelligens på en ansvarlig og effektiv måde.

Det hele startede med en simpel idé: at gøre billedgenerering tilgængelig for alle. Stable Diffusion har vist, at teknologien kan demokratisere kreativitet og give enhver mulighed for at visualisere det, der tidligere kun fandtes i fantasien. Samtidig minder den os om de etiske faldgruber, vi må navigere i. Forhåbentlig vil vi som samfund finde en balance, hvor vi kan nyde fordelene uden at overse omkostningerne. Indtil da står døren på vid gab – og du er velkommen til at træde ind.

Tags: ai tools, ai værktøjer, kunstig intelligens, llm, Stable Diffusion

Foredrag og oplæg om AI

AIforze tilbyder foredrag om kunstig intelligens og brugen af AI. Jeg hedder Erik Bork og har som virksomhedsleder udviklet internet-services og bygget webportaler siden internettets begyndelse.

★★★★★

"Der var mange oplysende og brugbare råd. Erik var enormt dygtig, kompetent, engageret, klog, opmærksom og var velforberedt"

Deltager

Book foredragOm mig