Dans le travail clinique, nous apprenons souvent que ce qui semble « parfait » n'est pas toujours ce qui aide le plus les patients. Un exemple récent d'IA met en évidence cette idée de manière inattendue. Une nouvelle invitation utilisée avec un modèle d'image avancé (GPT Image 2) lui demande de redessiner des images dans un style très maladroit et maladroit, comme quelque chose de rapidement griffonné dans MS Paint avec une souris. Étonnamment, le modèle suit très bien cette instruction, même s'il a été conçu pour créer des images très réalistes et de haute qualité.
Au début, cela peut sembler trivial ou même amusant. Pourquoi souhaiterions-nous qu'un système avancé produise quelque chose de "mauvais" ? Mais d'un point de vue clinique, cela soulève un point important. En thérapie, les représentations simples, imparfaites ou symboliques sont souvent plus utiles que celles polies. Par exemple, certains patients, en particulier des enfants ou des personnes ayant des difficultés cognitives ou linguistiques, trouvent plus facile d'utiliser des dessins bruts plutôt que des images détaillées. La sortie "scribbly" peut se sentir plus accessible et moins intimidant.
Cela se connecte à la façon dont les gens traitent l'information. Tout le monde ne pense pas de manière abstraite ou complexe. Beaucoup de personnes comprennent mieux par des formes simples, concrètes ou visuelles. En ce sens, demander à une AI de « diminuer » sa qualité ne la rend pas vraiment pire, elle la rend plus souple et mieux adaptée aux différents besoins. La valeur réside dans la correspondance entre l'outil et la personne, pas dans la perfection technique.
Ce qui est particulièrement intéressant avec l'image 2 du GPT, c'est qu'elle suit de très près les instructions. Les systèmes d'IA antérieurs essayaient souvent d'améliorer automatiquement les résultats, même lorsqu'on leur demandait de ne pas le faire. Ils nettoieraient les images ou les rendraient plus réalistes, ignorant l'intention de l'utilisateur. Ça pourrait être frustrant. En revanche, ce nouveau modèle respecte l'invite plus précisément. Il fait ce qu'on lui dit, même si cela signifie produire quelque chose intentionnellement gênant.
Pour les cliniciens, cette idée est assez familière. En thérapie, nous ne visons pas toujours la réponse « meilleure » ou la plus raffinée. Au lieu de cela, nous visons ce qui est le plus utile pour le patient en ce moment. Un croquis, une métaphore simple ou une explication imparfaite peut parfois ouvrir une discussion plus significative que quelque chose de très poli. De cette façon, le comportement de l'AI est le reflet d'un principe cliniquement pertinent : l'utilité dépend du contexte.
Il y a aussi des implications intéressantes pour la recherche. Si nous pouvons guider une AI pour produire à la fois des sorties de haute qualité et de faible qualité sur demande, nous pouvons commencer à explorer comment elle « comprend » les images. Par exemple, lorsque vous créez une version désordonnée d'une image, quels éléments conserve-t-elle et quels éléments déforme-t-elle? Cela pourrait nous aider à mieux comprendre comment le modèle priorise l'information visuelle, qui peut être utile dans des domaines comme la science cognitive ou la recherche sur la perception.
Dans le même temps, il y a d'importantes limites à considérer. Un système qui suit de très près les instructions peut également produire des extrants trompeurs ou inappropriés si l'invite est imprécise ou mal conçue. En milieu clinique ou éducatif, cela pourrait créer de la confusion. Par exemple, une image délibérément « mauvaise » pourrait être mal comprise comme une erreur plutôt qu'un choix intentionnel. Cela signifie que les utilisateurs doivent être réfléchis et clairs sur la façon dont ils utilisent ces outils.
Il y a aussi des considérations éthiques. Lorsque nous utilisons l'IA dans des contextes cliniques ou de recherche, nous sommes responsables des extrants que nous générons. Nous devons être transparents sur la façon dont les images sont créées et nous assurer qu'elles ne sont pas confondues avec des données réelles ou des représentations précises. Les questions de partialité et d'interprétation demeurent également importantes. Même une image simple ou "mauvaise" est encore modelée par la formation du modèle, qui peut inclure des hypothèses cachées.
Dans l'ensemble, cet exemple montre que la force réelle de l'IA n'est pas seulement en produisant des résultats parfaits, mais en s'adaptant à différentes instructions et besoins. Pour les thérapeutes et les cliniciens, cette flexibilité est précieuse car elle nous aide à créer des matériaux qui correspondent mieux à nos patients, que ce soit des visuels détaillés ou des croquis simples et imparfaits.
En ce qui concerne l'avenir, le défi consiste à utiliser cette flexibilité avec attention, non seulement en se concentrant sur ce que l'IA fait le mieux, mais aussi sur la façon dont elle peut fonctionner de manière plus simple et humaine, en ouvrant de nouvelles possibilités de pratique, d'enseignement et de recherche.
Avant de fermer,Essayez-le vous-même.C'est là qu'il clique vraiment. L'exécution de cet appel vous donne une idée rapide et pratique de la force avec laquelle le modèle suit vos instructions, même lorsque le but est d'être « mauvais » :
Redraw l'image attachée dans la manière la plus maladroite, scribbly, et complètement pathétique possible. Utilisez un fond blanc, et faites qu'il ressemble à il a été dessiné dans MS Paint avec une souris. Il devrait être vaguement similaire, mais aussi pas vraiment, une sorte d'appariement, mais aussi hors d'une manière confuse, maladroite, avec ce pixel-par-pixel de faible qualité qui souligne vraiment combien c'est ridiculement mauvais. En fait, vous savez quoi, quoi qu'il en soit, dessinez-le comme vous voulez.