Τελικά, για να μη χρειάζεται κανείς να μάθει να γράφει μουσική, κάποιος άλλος πρέπει πρώτα να έχει γράψει μερικά εκατομμύρια τραγούδια.
Αυτή θα μπορούσε να είναι η σύντομη περίληψη της νέας αποκάλυψης γύρω από τo Suno. Σύμφωνα με στοιχεία που φέρεται να απέκτησε το 404 Media από δεδομένα που υπεκλάπησαν από hacker, η εταιρεία πίσω από μία από τις δημοφιλέστερες πλατφόρμες δημιουργίας μουσικής με τεχνητή νοημοσύνη χρησιμοποίησε περισσότερα από δύο εκατομμύρια μουσικά αποσπάσματα για την εκπαίδευση των μοντέλων της, αντλώντας υλικό από το YouTube, το Deezer, το Genius, podcasts και διάφορες βιβλιοθήκες μουσικής και ήχων.
Η εταιρεία Suno δεν έχει κρύψει άλλωστε στο παρελθόν ότι εκπαιδεύει τα μοντέλα της πάνω σε «όλα τα μουσικά αρχεία εύλογης ποιότητας που είναι προσβάσιμα στο ανοιχτό διαδίκτυο», υποστηρίζοντας ότι αυτή η πρακτική εμπίπτει στο fair use. Και κάπου εδώ αρχίζει η πραγματικά ενδιαφέρουσα συζήτηση. Γιατί πίσω από τις δικαστικές διαμάχες, τις συμφωνίες με τις μεγάλες δισκογραφικές εταιρείες και τις ατελείωτες συζητήσεις περί copyright κρύβεται ένα πολύ πιο απλό και ταυτόχρονα πολύ πιο ενοχλητικό ερώτημα: πότε ακριβώς αποφασίσαμε ότι το γεγονός πως κάτι βρίσκεται στο διαδίκτυο σημαίνει αυτομάτως ότι είναι διαθέσιμο ως πρώτη ύλη για οποιαδήποτε εμπορική χρήση;
Η μουσική που βρίσκεται στο YouTube δεν φύτρωσε εκεί. Κάποιος την έγραψε. Κάποιος πέρασε ώρες μπροστά σε ένα πιάνο, μια κιθάρα, ένα modular synthesizer ή μια οθόνη υπολογιστή. Κάποιος πλήρωσε ένα στούντιο. Κάποιος ξενύχτησε αλλάζοντας για εκατοστή φορά έναν ήχο που κανείς άλλος πιθανότατα δεν θα πρόσεχε ποτέ. Κάποιος έμαθε να παίζει ένα όργανο, κάποιος απέτυχε, κάποιος ξαναδοκίμασε. Κάποιος έγραψε ένα τραγούδι που δεν άκουσε σχεδόν κανείς και κάποιος άλλος έγραψε ένα που άκουσαν εκατομμύρια.
Και όλα αυτά, ξαφνικά, μετατρέπονται σε data. Εδώ βρίσκεται ίσως η μεγαλύτερη φιλοσοφική σύγκρουση γύρω από τη generative AI. Δεν αφορά αποκλειστικά το copyright. Αφορά τον τρόπο με τον οποίο αντιλαμβανόμαστε πλέον την ίδια την ανθρώπινη δημιουργία. Γιατί η τεχνολογία μπορεί να αντιμετωπίζει το τελικό αποτέλεσμα ως προϊόν, ο δημιουργός, όμως, γνωρίζει ότι το αποτέλεσμα είναι μόνο το τελευταίο στάδιο μιας πολύ μεγαλύτερης διαδρομής. Και αυτό κάνει ακόμη πιο ενδιαφέρουσα τη δήλωση του CEO της Suno, Mikey Shulman, ότι οι περισσότεροι άνθρωποι δεν απολαμβάνουν τον χρόνο που απαιτείται για να δημιουργήσουν μουσική. Όπως υποστήριξε, χρειάζεται πολύς χρόνος, πολλή εξάσκηση, πρέπει να μάθεις ένα όργανο ή να γίνεις καλός στη χρήση ενός προγράμματος μουσικής παραγωγής. Δηλαδή, περίπου όλα εκείνα που μέχρι χθες ονομάζαμε μουσική.
Γιατί, ναι, το να γράφεις μουσική είναι δύσκολο. Μερικές φορές είναι αφόρητα δύσκολο. Μπορείς να περάσεις μια ολόκληρη ημέρα προσπαθώντας να γράψεις οκτώ μέτρα και το βράδυ να τα διαγράψεις όλα. Μπορείς να ψάχνεις για εβδομάδες έναν ήχο που τελικά θα ακούγεται για δεκαπέντε δευτερόλεπτα. Μπορείς να δουλεύεις ένα τραγούδι για μήνες και στο τέλος να συνειδητοποιήσεις ότι η πρώτη, πρόχειρη εκδοχή του ήταν καλύτερη. Αλλά ίσως αυτό να είναι ακριβώς το νόημα.
Η δημιουργία δεν ήταν ποτέ μια αποτελεσματική διαδικασία. Δεν σχεδιάστηκε για να εξοικονομεί χρόνο. Δεν έχει KPI, ούτε χρειάζεται productivity hacks. Είναι γεμάτη αδιέξοδα, λάθη, επαναλήψεις και αποτυχίες. Και μέσα από αυτή την τρομερά αναποτελεσματική διαδικασία συμβαίνει καμιά φορά κάτι παράξενο: εμφανίζεται κάτι που δεν υπήρχε πριν.
Το πρόβλημα, επομένως, δεν είναι ότι η τεχνητή νοημοσύνη μπορεί να δημιουργήσει μουσική. Τα εργαλεία αλλάζουν διαρκώς και η μουσική ιστορία είναι γεμάτη τεχνολογικές επαναστάσεις που αρχικά αντιμετωπίστηκαν με φόβο, μέχρι τα DAWs να μπορέσουν να βάλουν ένα ολόκληρο στούντιο μέσα σε έναν φορητό υπολογιστή.
Και όμως, κάθε φορά, οι άνθρωποι βρήκαν έναν τρόπο να μετατρέψουν την τεχνολογία σε εργαλείο έκφρασης. Η διαφορά είναι λεπτή αλλά καθοριστική.
Το synthesizer δεν άκουσε εκατομμύρια δίσκους για να μάθει πώς να γίνει Kraftwerk. Το drum machine δεν μελέτησε κρυφά χιλιάδες ντράμερ για να μπορέσει να παίξει. Το Ableton Live δεν χρειάζεται να καταναλώσει ολόκληρη τη δισκογραφία της ανθρωπότητας πριν ανοίξεις ένα κενό project. Η generative AI λειτουργεί διαφορετικά. Για να μπορέσει να δημιουργήσει κάτι που μοιάζει με ανθρώπινη μουσική, χρειάζεται πρώτα να καταναλώσει ανθρώπινη μουσική σε ασύλληπτη κλίμακα.
Και εδώ βρίσκεται μια πολύ μεγάλη ειρωνεία. Για να κατασκευάσουμε μια μηχανή που υπόσχεται να μας απαλλάξει από τον κόπο της δημιουργίας, χρειάστηκε πρώτα να την εκπαιδεύσουμε πάνω στους καρπούς ακριβώς αυτού του κόπου. Εκατομμύρια ώρες ανθρώπινης εργασίας, αποτυχίας, εξάσκησης, αμφιβολίας και έμπνευσης μετατρέπονται σε training data ώστε κάποιος, κάπου, να μπορεί να πληκτρολογήσει μερικές λέξεις και να πάρει σε λίγα δευτερόλεπτα ένα τραγούδι. Και μπορεί, δεν λέω, αυτό το τραγούδι θα είναι καλό. Ίσως μάλιστα να είναι και πολύ καλό. Και αυτό είναι που κάνει τη συζήτηση πραγματικά δύσκολη.
Γιατί το ζήτημα δεν είναι πλέον αν η AI μπορεί να μιμηθεί πειστικά τη μουσική. Το ζήτημα είναι τι θα συμβεί όταν αρχίσουμε να θεωρούμε περιττή ολόκληρη τη διαδικασία που προηγείται της δημιουργίας της. Όταν δεν χρειάζεται πλέον να μάθεις, ή να αποτύχεις, ή να βαρεθείς και τελικά να επιμείνεις. Να ανακαλύψεις κατά λάθος κάτι που δεν έψαχνες. Ίσως τότε να έχουμε περισσότερη μουσική από οποιαδήποτε άλλη στιγμή στην ανθρώπινη ιστορία. Δισεκατομμύρια τραγούδια. Ατελείωτες playlists. Μουσική για κάθε διάθεση, κάθε στιγμή, κάθε πιθανό μικροείδος που μπορεί να φανταστεί ένας αλγόριθμος.
Και ίσως, μέσα σε αυτόν τον ατελείωτο ωκεανό ήχου, να αρχίσουμε να αναζητούμε ξανά κάτι πολύ παλιό και πολύ απλό. Έναν άνθρωπο στην άλλη πλευρά.
Τελικά σκέφτομαι πως το πραγματικό ερώτημα δεν είναι αν η τεχνητή νοημοσύνη μπορεί να γράψει μουσική, αλλά αν εμείς θα συνεχίσουμε να θέλουμε να την ακούμε όταν δεν υπάρχει κανείς πίσω από αυτήν.
