笔趣阁

手机浏览器扫描二维码访问

第六章 暗知识神迹机器能否超越人类（第3页）

上面香菱喜欢的这些诗句都超越了技巧层面，进入灵感和画面的幽微层面。这些都不是今天以学习数据之间相关性为特征的机器学习所能企及的。所以真正的诗人完全不必担心被AI取代，但那些无病呻吟，鹦鹉学舌或天资平平的诗歌爱好者只能和机器诗人去PK了。

同样的道理，AI还可以写小说。只要让机器大量阅读一位作者的著作，机器就能学会这个作者的文字风格。和作诗、画画一样，如果让机器阅读了许多作家的书，机器的写作风格就是“混搭”的。和作诗一样，机器写的小说可能情节完整，文字通畅，但永远不会有伟大作家笔下流淌的情感和闪烁的灵魂。

有读者一定会问，这些“灵感”和“意境”是否也是一种默知识，甚至暗知识？当机器更复杂时是否终将能模仿？这个问题并不容易回答。但暂时的回答是“不能”，原因是今天的机器没有自我意识，所以没有情感。我们在本书的最后会讨论这个问题。

真假凡·高

同样的原理，机器在看过大量的绘画作品后也能够模仿画家的风格。图6.4是一张典型的北欧城市图片。

图6.4一张典型的北欧城市图片

图片来源：https:.businessinsider..authe-science-how-vincent-van-gogh-saw-theworld-2015-9。

机器可以把这张图片改造成凡·高的风格。图6.5左边是凡·高的名画《星空》，右边就是北欧城市图片的“星空化”。

图6.5用凡·高名画《星空》风格画的北欧城市

图片来源：LeonGatsyofBethgeLabinGermanyhttps:.businessinsider..authescience-how-vincent-van-gogh-saw-the-world-2015-9。

机器当然也可以把这张图片“马蒂斯化”，图6.6中左边是马蒂斯的名画《戴帽子的女士》，右边还是那张北欧城市图。

图6.6用马蒂斯风格画的北欧城市

图片来源：LeonGatsyofBethgeLabinGermanyhttps:.businessinsider..authescience-how-vincent-van-gogh-saw-the-world-2015-9。

从这两张改造的画来看，机器的模仿可以说是惟妙惟肖，其中色彩、笔触、线条的模仿是人类无法企及的。这种模仿是典型的默知识，从这个例子可以看出机器对默知识的掌握比人类要精细得多。

AI不仅会模仿，而且会创造自己的风格。图6.7是来自罗格斯大学计算机系艺术与人工智能实验室、Facebook人工智能研究院（FAIR）、查尔斯顿学院艺术史系三方联合小组用机器生成的绘画。该研究小组在论文中称，该研究中提出的人工智能系统是一个创意性的对抗网络（CreativeAdversaryNetwork，CAN），它是在之前介绍过的生成式对抗性网络系统的一种扩展。

图6.7创意对抗网络生成的图画

图片来源：罗格斯大学计算机系艺术与人工智能实验室。

生成对抗网络能够迭代进化、模仿指定数据特征，已经是公认的处理图像生成问题的好方法。自从提出以来相关的研究成果不少，在图像增强、超分辨率、风格转换任务中的效果可谓是惊人的。根据生成对抗网络的基本结构，鉴别器要判断生成器生成的图像是否和其他已经提供给鉴别器的图像是同一个类别（特征相符），这就决定了最好的情况下输出的图像也只能是对现有作品的模仿。如果有创新，就会被鉴别器识别出来，就达不到目标了。因此用生成对抗网络生成的艺术作品也就注定会缺乏实质性的创新，艺术价值有限。图6.8是用生成对抗网络模型实现的图像分辨率增强和风格转换。

图6.8用生成对抗网络模型实现的图像分辨率增强和风格转换

图片来源：罗格斯大学计算机系艺术与人工智能实验室。

为了使艺术品更具有创造性，该研究团队在生成对抗网络的基础上提出了创意对抗性网络，研究团队通过15—20世纪1119位艺术家的81449幅涵盖了多种风格的绘画作品训练神经网络。然后邀请人类参与者评估人工智能的艺术作品与现实艺术家的两组作品。这两组作品是创造于1945—2007年的抽象表现派作品，以及2017年巴塞尔艺术博览会作品。图6.9上面的12张是由创意对抗网络生成的人类评价最高的画，下面8张是评价最低的画。图6.10就是历年巴塞尔艺术博览会的获奖作品。

可以看到，机器生成的艺术作品风格非常多样，从简单的抽象画到复杂的线条组合都有，内容层次也有区分。而研究人员也发现它们的系统可以欺骗人类观察员。将人类观察艺术家创作的作品和机器创作的作品时的反应进行对比，发现人类无法将机器生成的作品和当代艺术家以及一家顶级艺术博览会上的作品区分开来。

图6.9由创意对抗网络生成的图画

图片来源：罗格斯大学计算机系艺术与人工智能实验室。

图6.10历年巴塞尔博览会的获奖作品

图片来源：罗格斯大学计算机系艺术与人工智能实验室。

创意性对抗网络是如何工作的呢？与生成对抗网络系统一样，创意性对抗网络也使用两个子网络。鉴别器被赋予了一套有风格标签的海量艺术作品，例如文艺复兴时期、巴洛克风格、印象主义或表现主义，而生成器则无法获得任何艺术作品。当它生成一个作品时，它会从鉴别器接收两个信号：一个是将图像分类为“艺术或非艺术”，另一个是“能否分辨图像是哪种艺术风格”。

“艺术或非艺术”与“能否分辨艺术风格”是两种对立的信号，前一种信号会迫使生成器生成能够被看作是艺术的图像，但是假如它在现有的艺术风格范畴中就达到了这个目标，鉴别器就能够分辨出图像的艺术风格了，然后生成器就会受到惩罚。这样后一种信号就会让生成器生成难以分辨风格的作品。所以两种信号可以共同作用，让生成器能够尽可能探索整个创意空间中艺术作品的范围边界，同时最大化生成的作品尽可能游离于现有的标准艺术风格之外。

这种“创作”在本质上是非常隐蔽的一种“混搭”，和作诗一样，普通人很难分辨真伪。判断诗还可以用“意境”“画面感”，而判断画，特别是抽象画几乎没有人类可以依赖的直觉。所以和作诗机器人不同，这里的作画机器人掌握的不只是默知识，而且进入了暗知识的领地。所以由对抗生成网络这种机器“混搭”并迭代出来的画的确可以乱“真”。这样的机器可以在短期内大量探索不同的风格，让艺术家选择或给艺术家以灵感。

基于类似的原理，AI作曲也到了几乎可以乱真的地步。AI作曲领域的领先公司AivaTechnologies创造了一个AI作曲家Aiva（ArtificialIntelligenceVirtualArtist，人工智能虚拟艺术家），并教它如何创作古典音乐。而古典音乐一直以来被视为一种高级的情感艺术，一种独特的人类品质。AivaTechnologies已经发布了第一张专辑，名为Genesis，专辑包含不少单曲。并且Aiva的音乐作品能够用在电影、广告，甚至是游戏的配乐里。2017年初，Aiva通过法国和卢森堡作者权利协会（SACEM）合法注册，成为人工智能领域第一个正式获得世界地位的作曲家，其所有的作品都以自己的署名拥有版权。

Aiva背后使用了强化学习技术的深度学习算法。强化学习告诉软件系统接下来要采取什么动作以通过最大化其“累积奖励”来达到某种目标。强化学习不需要标注过的输入和输出数据，AI可以通过数据自行改进性能，这使AI更容易捕获在创意艺术如音乐中的多样性和变化。Aiva就是通过品读巴赫、贝多芬、莫扎特等最著名的作曲家的古典乐章的大数据库来了解音乐作品的艺术性，自行谱写出了一些新的乐曲。

下一场空战

美国军方曾经公布了一段无人机打击塔利班武装分子的视频。在内华达州戈壁滩的空调机房中，几个年轻军人坐在视频终端前面，操纵着半个地球之外的阿富汗山区的无人机，当视频上准确锁定地面的车辆目标后，操作员就像打视频游戏一样按动手柄上的按钮，塔利班的军车顿时起火，没死的塔利班武装分子跳下卡车四处逃命。在夜视仪下，这些逃命的塔利班武装分子像在白昼一样看得清楚，操作员一一锁定他们，按下按钮，目标变成一团火海。这里的操作无非是辨别和锁定目标，具有人工智能的机器已经远远超出人类。内华达机房的操作员完全可以被取代，一切由机器完成。

美国空军开发的一款叫作ALPHA的自动飞行软件，不仅在每一场和真人的对决中都打败了空军飞行教练员，甚至该软件在驾驶一架比对手飞行速度慢，导弹射程短的飞机时也能打败对手。飞机的自动驾驶其实比汽车自动驾驶更适合机器操作。第一，飞行员的大量训练时间是学会读懂驾驶舱内琳琅满目的仪表和通过各种仪表数据判断该如何操作，这正是机器学习的拿手好戏。第二，空中飞行的周边环境远远比地面驾驶简单。同时，飞机上的各种传感器可以准确地感知飞机的空间坐标、高度、速度、平衡、风力、温度等，在这种情况下的驾驶非常适合机器。虽然空战中的周边环境瞬息万变，但仍然不会像地面一样拥挤。第三，也是最重要的一点，反应快。人类从大脑判断到肌肉动作至少要0.1～0.3秒的时间，而机器可以在百万分之一秒内完成。目前的飞机和武器系统的反应时间都以人类反应时间为下限，因为武器反应再快人跟不上也没用。但未来的飞机和武器设计就是要能够达到机械反应速度的极限，因为作为操控员的人工智能的反应时间主要是计算时间，将远短于武器的机械反应时间。几乎可以预计下一代军用飞机将以自动和自主性操控为主，一架人类驾驶的飞机一定打不过机器操纵的飞机。

目前无人机已经广泛使用在反恐和局部侦察与战斗中，但这只是序曲。以人工智能为核心能力的新型武器必将成为下一轮军备竞赛的主要目标。人工智能对未来军事和战争的影响将主要体现在以下方面。