Dolina niesamowitości — dlaczego prawie ludzka twarz budzi niepokój?

Nie trzeba usuwać połowy twarzy ani dodawać jej nienaturalnych zębów, żeby zaczęła wyglądać źle. Czasem wystarczy znacznie mniej. Oczy zatrzymują się odrobinę za długo. Uśmiech pojawia się wtedy, kiedy nie powinien. Skóra wygląda prawie jak prawdziwa, ale ruch ust przypomina animację. Wszystko znajduje się na swoim miejscu, a mimo to pojawia się wrażenie, że coś się nie zgadza.

Co ciekawe, wyraźnie sztuczna twarz może wcale nie wywoływać podobnej reakcji. Akceptujemy ogromne oczy postaci z animacji, uproszczoną twarz robota czy nieruchome rysy zwykłej lalki. Problem zaczyna się często dopiero wtedy, gdy obiekt staje się prawie człowiekiem.

To właśnie w tej niewielkiej przestrzeni pomiędzy sztucznością a realizmem umieszczono jedno z najbardziej znanych pojęć współczesnej robotyki i psychologii percepcji: dolinę niesamowitości.

Czym jest dolina niesamowitości (uncanny valley)?

Pojęcie zawdzięczamy japońskiemu robotykowi Masahiro Moriemu. W 1970 roku zaproponował on prostą zależność: kiedy robot coraz bardziej przypomina człowieka, nasza reakcja na niego powinna stawać się coraz bardziej pozytywna. Maszyna przemysłowa nie przypomina człowieka prawie wcale. Robot z rękami, oczami i głową jest nam już bliższy. Jeszcze bardziej realistyczny android powinien więc teoretycznie wzbudzać jeszcze większą sympatię.

Według Moriego w pewnym momencie ten proces może się jednak załamać. Obiekt jest już bardzo podobny do człowieka, ale nadal nie wygląda całkowicie naturalnie. Zamiast kolejnego wzrostu akceptacji następuje gwałtowny spadek. Mori nazwał ten obszar bukimi no tani, później rozpowszechniony po angielsku jako uncanny valley — dolina niesamowitości. Po jej drugiej stronie znajdowałby się prawdziwy człowiek albo sztuczna postać tak przekonująca, że przestajemy dostrzegać odstępstwa.

Warto jednak od razu wprowadzić jedno ograniczenie. Wykres Moriego nie jest prawem psychologicznym porównywalnym z prawem fizycznym. Był hipotezą, która później zaczęła być sprawdzana w badaniach nad robotami, postaciami generowanymi komputerowo i ludzkimi twarzami. Przegląd badań opublikowany w 2015 roku wskazywał, że wyniki nie wspierają każdej prostej wersji tej koncepcji. Z kolei późniejsza metaanaliza 72 badań wykazała wyraźny ogólny efekt uncanny valley, ale również dużą różnorodność sposobów jego wywoływania i mierzenia.

Dlatego doliny niesamowitości nie warto traktować jako wygodnej etykiety dla wszystkiego, co wygląda dziwnie. Klaun z przesadzonym makijażem, zdeformowana twarz, maska, trup czy człowiek zachowujący się nienaturalnie mogą budzić dyskomfort z wielu różnych powodów. Uncanny valley dotyczy przede wszystkim szczególnego problemu: bardzo wysokiego podobieństwa do człowieka, któremu towarzyszy coś niepasującego do oczekiwanego realizmu.

I właśnie dlatego twarz jest tutaj tak interesująca.

Dlaczego twarz jest szczególnie wrażliwa na drobne błędy?

Twarz nie jest dla wzroku zwykłym obiektem. To z niej rozpoznajemy człowieka, ale jednocześnie próbujemy odczytać znacznie więcej: gdzie patrzy, czy się uśmiecha, czy jest zdenerwowany, czy zamierza coś powiedzieć. Badania nad percepcją twarzy wskazują, że uczestniczy w niej rozproszony system obszarów mózgu, w którym częściowo rozdzielone są informacje względnie stałe, potrzebne choćby do rozpoznania osoby, oraz informacje zmienne, takie jak spojrzenie, ekspresja czy ruch ust.

Do tego twarzy nie odbieramy wyłącznie jako listy elementów: dwoje oczu, nos, usta. Znaczenie mają także ich wzajemne położenie i sposób, w jaki tworzą całość. Literatura dotycząca tzw. przetwarzania holistycznego i konfiguracyjnego pokazuje, że relacje pomiędzy elementami twarzy mają szczególne znaczenie dla jej rozpoznawania.

To pomaga zrozumieć pozornie dziwny paradoks. Kreskówkowa postać może mieć oczy zajmujące pół twarzy i nadal nie wyglądać źle. Od początku wiemy, że obowiązują ją inne proporcje. Nie oczekujemy faktury prawdziwej skóry, naturalnego mrugania ani drobnych ruchów mięśni.

Sytuacja zmienia się wraz ze wzrostem realizmu. Jeżeli patrzymy na twarz mającą przekonującą skórę, prawidłowe proporcje i ludzkie włosy, przestajemy odbierać ją jak dowolną ilustrację. Zaczyna przypominać bodziec, z którym mamy ogromne doświadczenie. Każdego dnia oglądamy setki ludzkich twarzy w ruchu, z różnych stron i w różnych warunkach. Wobec realistycznej twarzy rosną więc również oczekiwania.

Nie oznacza to, że w głowie istnieje prosty alarm informujący: „twarz jest błędna”. Bardziej prawdopodobne jest, że coraz bardziej ludzki wygląd uruchamia coraz dokładniejsze oczekiwania wobec tego, jak pozostałe elementy powinny do siebie pasować.

To drobna różnica w sformułowaniu, ale bardzo ważna. Nie boimy się twarzy dlatego, że mózg posiada jeden specjalny mechanizm wykrywający uncanny valley. Najpierw widzimy coś, co bardzo dobrze znamy. Dopiero później okazuje się, że część informacji przestaje pasować do reszty.

Kiedy „prawie dobrze” zaczyna wyglądać gorzej niż wyraźnie sztuczne

Jedną z najlepiej wspartych dróg prowadzących do uncanny valley jest niespójność percepcyjna. Problem nie musi polegać na tym, że cała postać jest niewystarczająco realistyczna. Czasem właśnie większość elementów wygląda dobrze, a jeden z nich zostaje na innym poziomie realizmu.

Karl MacDorman i Debaleena Chattopadhyay sprawdzali ten problem, manipulując realizmem poszczególnych elementów twarzy. Niespójność zwiększała poczucie dziwności, szczególnie kiedy mniej realistyczne były takie elementy jak oczy, rzęsy i usta. Co istotne, ich wyniki nie wspierały konkurencyjnego, bardzo intuicyjnego wyjaśnienia, według którego największy dyskomfort powinien występować wtedy, gdy trudno zdecydować, czy patrzymy na człowieka, czy na coś sztucznego. Najbardziej niejednoznaczne twarze nie były zarazem najbardziej niesamowite.

To zmienia sposób myślenia o dolinie niesamowitości. Nie zawsze chodzi o pytanie: „co ja właściwie widzę?”. Czasem klasyfikacja jest prosta. Widzimy twarz człowieka albo bardzo realistycznego androida. Problem polega na tym, że jedna część obrazu nie przestrzega tych samych zasad co pozostałe.

Dobrym przykładem popkulturowym jest M3GAN, horror science fiction z 2023 roku w reżyserii Gerarda Johnstone’a. Tytułowa bohaterka jest przedstawiana jako realistyczna lalka oparta na sztucznej inteligencji. Już samo oficjalne określenie lifelike doll dobrze oddaje pomysł projektu: ma być wystarczająco podobna do człowieka, aby bez problemu wejść z nim w społeczną interakcję.

Nie trzeba nawet rozstrzygać, czy M3GAN „znajduje się” dokładnie w dolinie niesamowitości według któregoś z modeli naukowych. Ciekawszy jest sam sposób wykorzystania napięcia pomiędzy kategoriami. Jej twarz jest gładka i uporządkowana, proporcje pozostają bliskie ludzkim, oczy są bardzo wyraźne, a ekspresja na tyle czytelna, że próbujemy ją interpretować społecznie. Jednocześnie przez cały czas wiemy, że patrzymy na obiekt sztuczny.

Horror dostaje dzięki temu bardzo wygodne narzędzie. Nie musi budować zagrożenia poprzez całkowitą deformację. Może zostawić prawie wszystko na miejscu.

W metaanalizie Diela, Weigelt i MacDormana największy efekt spośród analizowanych metod tworzenia bodźców występował właśnie przy deformowaniu twarzy. Nie oznacza to, że każda deformacja automatycznie wywołuje uncanny valley, ale pokazuje, jak istotnym obszarem dla tego zjawiska jest twarz i naruszanie jej oczekiwanej konfiguracji.

Czasem mniej trzeba zepsuć, żeby więcej zaczęło przeszkadzać.

Problem nie kończy się na wyglądzie — twarz może poruszać się „nie tak”

Zdjęcie zatrzymuje twarz w jednym momencie. W rzeczywistości prawie nigdy nie oglądamy jej w ten sposób. Ludzie mrugają, przesuwają wzrok, poruszają ustami, napinają policzki i brwi. Nawet kiedy siedzą nieruchomo, ich twarz pozostaje żywa. Dlatego realizm nie kończy się na odpowiedniej fakturze skóry.

Badania Angeli Tinwell i współpracowników nad animowanymi postaciami pokazały, że ograniczenie ekspresji górnej części twarzy może zwiększać poczucie niesamowitości. Efekt zależał również od przekazywanej emocji. Innymi słowy: postać mogła posiadać prawidłowo zbudowaną twarz, ale problem pojawiał się wtedy, gdy jej części nie współpracowały ze sobą tak, jak oczekujemy podczas ludzkiej ekspresji.

To ważne, ponieważ w normalnym kontakcie nie oceniamy osobno geometrii twarzy i jej ruchu. Jedno pomaga interpretować drugie. Uśmiech nie jest tylko zmianą kształtu ust. Liczy się również okolica oczu, napięcie pozostałych mięśni, czas pojawienia się ekspresji i sytuacja, w której ją widzimy.

Jeszcze inny trop daje predictive processing, czyli podejście opisujące percepcję jako proces wykorzystujący przewidywania. Burcu Urgen, Marta Kutas i Ayse Saygin badały reakcje na wygląd i ruch ludzi oraz androidów. Wyniki wspierały pomysł, że bardzo ludzki wygląd może tworzyć określone oczekiwania dotyczące sposobu poruszania się, a ich naruszenie generuje reakcję związaną z błędem przewidywania.

Nie oznacza to jednak, że znaleziono ostateczne wyjaśnienie doliny niesamowitości. Lepiej potraktować ten wynik jako część większego obrazu. Realistyczna twarz nie tylko wygląda jak człowiek. Obiecuje również, że za chwilę zachowa się jak człowiek.

Jeżeli oczy, usta i ruch głowy spełniają tę obietnicę, wszystko pozostaje spójne. Jeżeli nie, problem pojawia się dokładnie tam, gdzie jeszcze chwilę wcześniej znajdowała się wiarygodność.

To mechanizm bardzo użyteczny dla grozy. Twórca nie musi od razu pokazywać widzowi czegoś niemożliwego. Wystarczy pozostawić człowieka prawie bez zmian, a później zmienić sposób, w jaki na nas patrzy.

Dlaczego uśmiech w „Smile” nie jest po prostu doliną niesamowitości?

Smile Parkera Finna z 2022 roku opiera dużą część swojej identyfikacji wizualnej na jednym z najbardziej znajomych ludzkich sygnałów: uśmiechu. Oficjalnie film jest klasyfikowany jako horror i thriller, ale do zrozumienia interesującego nas mechanizmu nie potrzeba znać jego fabuły. Wystarczy spojrzeć na twarze pojawiające się w materiałach promocyjnych.

Osoby widoczne w Smile nie są androidami ani cyfrowymi rekonstrukcjami. Nie mamy problemu z zaklasyfikowaniem ich jako ludzi. Nie znajdujemy się więc w klasycznym przypadku, który opisywał Mori. A jednak twarz nadal działa.

Uśmiech jest sygnałem społecznym. Jego znaczenie zależy od kontekstu, czasu i pozostałych elementów ekspresji. Kiedy pojawia się tam, gdzie oczekiwalibyśmy zupełnie innej reakcji, przestaje uspokajać. Ta sama konfiguracja ust, która w jednej sytuacji sygnalizuje przyjazne nastawienie, w innej może sugerować, że człowiek przed nami zachowuje się niezgodnie z regułami sytuacji. Właśnie dlatego warto oddzielić uncanny valley od szerszej kategorii „dziwnych twarzy”.

Dolina niesamowitości może być jednym ze sposobów wywołania takiego dyskomfortu, ale nie jest konieczna. Twarz może wyglądać całkowicie ludzko, a mimo to przekazywać sygnał, który nie pasuje do sytuacji. Horror wykorzystuje wtedy nie niedoskonałość imitacji człowieka, ale coś bardziej społecznego: naruszenie naszego oczekiwania wobec zachowania drugiej osoby.

To także tłumaczy, dlaczego niewielkie zmiany potrafią działać lepiej niż spektakularna deformacja. Jeżeli twarz pozostaje znajoma, widz nadal próbuje ją czytać według znanych reguł. Nieprawidłowość nie usuwa tych reguł. Przeciwnie — staje się widoczna właśnie dlatego, że nadal ich potrzebujemy.

Deformacja, uraz i brak twarzy — gdzie kończy się uncanny valley?

Kiedy określenie staje się popularne, szybko zaczyna wyjaśniać zbyt wiele. Z uncanny valley stało się coś podobnego. W internecie można znaleźć nim opisane roboty, lalki, źle wykonane CGI, manekiny, maski, zdeformowane fotografie, twarze po urazach i ludzi wykonujących nietypową mimikę. Problem w tym, że podobna reakcja odbiorcy nie oznacza automatycznie tego samego mechanizmu.

Realna deformacja ludzkiej twarzy jest tutaj szczególnie ważnym przykładem. Badania nad reakcjami na widoczne różnice w wyglądzie twarzy pokazują, że mogą one zmieniać uwagę i uruchamiać negatywne reakcje emocjonalne. To jednak osobny obszar badań dotyczący społecznego odbioru ludzi i stygmatyzacji, a nie dowód na to, że rzeczywiste ludzkie twarze znajdują się w „dolinie niesamowitości”.

Rozróżnienie jest ważne również z prostego powodu: uncanny valley powstało jako model reakcji na sztuczne obiekty zbliżające się wyglądem do człowieka. Jeśli rozszerzymy je na każdą nietypową ludzką twarz, pojęcie traci precyzję, a przy okazji łatwo pomylić reakcję na sztuczną niespójność z reakcjami społecznymi wobec realnych ludzi.

Podobnie jest z urazem. Krew, otwarta rana czy zniszczona tkanka mogą powodować silny dyskomfort bez żadnej doliny niesamowitości. Działają tutaj inne bodźce: uszkodzenie ciała, możliwość zagrożenia, obrzydzenie, ból obserwowany u drugiej osoby. Horror może oczywiście łączyć te mechanizmy, ale nie trzeba nazywać ich jednym terminem.

Jeszcze ciekawszy jest całkowity brak twarzy. Osobiście pamiętam z dzieciństwa animację, w której jakaś siła całkowicie usuwała ludziom twarze. Nie chodziło o zniekształcenie oczu czy źle poruszające się usta. Nie było ich wcale. Ten obraz działał na mnie znacznie mocniej niż większość zdeformowanych twarzy.

Dziś trudno byłoby uczciwie nazwać tę reakcję klasyczną doliną niesamowitości. Nie oglądamy przecież niemal idealnej imitacji człowieka, której jeden element zdradza sztuczność. Przeciwnie: człowiek pozostaje rozpoznawalny, ale znika część, której obecność traktujemy jako oczywistą.

To pokazuje szerszą zasadę. Twarz może przerażać na wiele sposobów, a uncanny valley jest tylko jednym z nich. Może być zbyt realistyczna jak na sztuczny obiekt. Może zawierać niespójne elementy. Może poruszać się niewłaściwie. Może komunikować emocję niepasującą do sytuacji. Może być uszkodzona albo może zniknąć całkowicie. Efekt końcowy bywa podobny: chcemy patrzeć i jednocześnie coś każe odwrócić wzrok. Droga prowadząca do tej reakcji nie zawsze jest jednak taka sama.

Horror nie potrzebuje potwora — czasem wystarczy zepsuć jedną rzecz

Horror wykorzystuje twarz znacznie dłużej, niż istnieje samo określenie uncanny valley. Maski, figury woskowe, lalki i nieruchome spojrzenia działały na odbiorców zanim Mori narysował swój wykres. Współczesna psychologia pozwala jednak lepiej zobaczyć, jak wiele różnych wariantów jednej zasady może zmieścić się w podobnym obrazie.

W M3GAN blisko siebie znajdują się człowiek i jego sztuczna imitacja. Twarz jest na tyle realistyczna, że można odczytywać z niej emocje, ale na tyle sztuczna, że różnica pozostaje widoczna. W Smile sztucznego obiektu nie ma. Zmieniona zostaje społeczna logika ekspresji.

Dead Silence, film Jamesa Wana z 2007 roku, wraca natomiast do jednego z najstarszych obiektów tego rodzaju grozy: lalki brzuchomówcy. Twarz takiej lalki nie musi nikogo przekonywać, że naprawdę jest człowiekiem. Wystarczy, że posiada oczy, usta i nieruchomą ekspresję, które aż proszą się o przypisanie im intencji. Film świadomie buduje swoją ikonografię wokół lalek i pytania o granicę pomiędzy przedmiotem a czymś, co może na nas patrzeć.

Te przykłady różnią się bardziej, niż mogłoby się wydawać. I właśnie dlatego zestawienie ich jest użyteczne. Pozwala zobaczyć, że „straszna twarz” nie jest jednym efektem specjalnym.

Twórca może zmienić poziom realizmu, zaburzyć spójność cech, zmienić ruch, wykorzystać nieprawidłową ekspresję. Może zestawić żywego człowieka z przedmiotem, któremu automatycznie zaczynamy przypisywać ludzkie właściwości. Najciekawsze jest jednak to, co łączy te przypadki. Twarz nie pozostaje neutralną powierzchnią. Od początku próbujemy coś z niej odczytać. To daje horrorowi przewagę. Potwora trzeba dopiero przedstawić i nauczyć widza jego reguł. Twarz znamy od początku. Wystarczy więc, że przestanie zachowywać się dokładnie tak, jak powinna.

Dolina niesamowitości nie daje jednej odpowiedzi

Najprostsze wyjaśnienie brzmi dobrze: boimy się czegoś, co wygląda prawie jak człowiek, ale nim nie jest. Problem w tym, że nauka nie daje dziś podstaw, żeby na tym zdaniu zakończyć temat.

Badania dostarczają argumentów za znaczeniem niespójności realizmu. Inne pokazują rolę ruchu i ekspresji. Możliwe jest również naruszanie oczekiwań tworzonych przez bardzo ludzki wygląd. Metaanaliza badań potwierdza sam efekt, ale jej autorzy również podkreślają brak konsensusu dotyczącego jego teoretycznej podstawy. Nowszy przegląd badań nad wirtualnymi twarzami wskazuje natomiast, że są one przeciętnie oceniane jako bardziej niesamowite i mniej znajome niż twarze prawdziwe, a jednym z prawdopodobnych źródeł tego efektu pozostają właśnie niespójności realizmu.

Może więc nie istnieć jeden przełącznik, który po przekroczeniu odpowiedniej wartości włącza „dolinę”. Znacznie ciekawszy jest inny sposób spojrzenia. Im bardziej coś przypomina człowieka, tym więcej reguł zaczynamy wobec tego stosować. Oczekujemy odpowiednich proporcji. Oczekujemy ruchu oczu. Oczekujemy, że uśmiech pojawi się z jakiegoś powodu. Oczekujemy zgodności pomiędzy wyglądem, ruchem i zachowaniem.

Wyraźnie nieludzki potwór nie musi tych warunków spełniać. Nie wiemy przecież, jak powinien wyglądać. Ludzka twarz ma znacznie mniej swobody. I być może właśnie dlatego horror tak chętnie do niej wraca. Nie trzeba tworzyć nowej anatomii ani wymyślać kolejnego stworzenia. Czasem wystarczy zachować niemal wszystko.

A potem zepsuć jedną rzecz.

Piotrek, Prawdziwa Groza

ŹRÓDŁA

• Masahiro Mori — The Uncanny Valley — IEEE Robotics & Automation Magazine, 2012. IEEE Xplore
• Jari Kätsyri, Klaus Förger, Meeri Mäkäräinen, Tapio Takala — A review of empirical evidence on different uncanny valley hypotheses: support for perceptual mismatch as one road to the valley of eeriness — Frontiers in Psychology, 2015. Frontiers in Psychology
• Alexander Diel, Sarah Weigelt, Karl F. MacDorman — A Meta-analysis of the Uncanny Valley’s Independent and Dependent Variables — ACM Transactions on Human-Robot Interaction, 2021/2022. ACM Digital Library
• Karl F. MacDorman, Debaleena Chattopadhyay — Reducing consistency in human realism increases the uncanny valley effect; increasing category uncertainty does not — Cognition, 2016. ScienceDirect
• James V. Haxby, Elizabeth A. Hoffman, M. Ida Gobbini — The distributed human neural system for face perception — Trends in Cognitive Sciences, 2000. PubMed
• Daniel W. Piepers, Rachel A. Robbins — A Review and Clarification of the Terms “holistic,” “configural,” and “relational” in the Face Perception Literature — Frontiers in Psychology, 2012. Frontiers in Psychology
• Angela Tinwell, Mark Grimshaw, Debbie Abdel Nabi, Andrew Williams — Facial expression of emotion and perception of the Uncanny Valley in virtual characters — Computers in Human Behavior, 2011. ScienceDirect
• Burcu A. Urgen, Marta Kutas, Ayse P. Saygin — Uncanny valley as a window into predictive processing in the social brain — Neuropsychologia, 2018. PubMed Central
• Anna F. Di Natale i in. — Uncanny valley effect: A qualitative synthesis of empirical research to assess the suitability of using virtual faces in psychological research — Computers in Human Behavior Reports, 2023. ScienceDirect
• Franziska Hartung i in. — Behavioural and Neural Responses to Facial Disfigurement — Scientific Reports, 2019. PubMed Central
• Universal Pictures — M3GAN. Oficjalna strona filmu
• Paramount Pictures — Smile. Oficjalna strona filmu
• Universal Pictures — Dead Silence. Oficjalna strona filmu

CZYTAJ TAKŻE