人工智能：是时候在艺术创造领域发挥余热了

今天先来一个“疯狂猜图”的游戏暖暖场

请猜出下图所示是哪位名人的画像？

跟我一样猜年轻版蒋大为的请举手~

恭喜哦~正确答案是马化腾。

以上画像不是滤镜效果

而是人工智能Andy的绘画作品

Andy不仅能够根据照片绘制人像

还会根据布景变化

帮你智能优化——

或者说改变脸型

千万不要认为这样的绘画技艺是一日之功

根据官网提供的过往图样

Andy也是经过6个月的学习

审美才产生了质的飞跃

而因为Andy的人工智能特性

它的绘画水平能够持续提高

从而保证大众不会产生审美疲劳

这款人工智能是美图图像实验室的最新技术

采用了图像生成技术（MTgeneration）

基于实验室自主研发和搭建的DrawNet生成网络

在对大量插画数据进行分析和学习的基础上

Andy能够不断增强绘画能力

从而形成自己的绘画特点

然后绘制特定风格的画像

而在机器学习领域

另一项名为生成式对抗网络的技术（Generative Adversarial Networks，GAN）

在图像生成方面

则拥有几乎以假乱真的本事

NVIDIA研究人员就曾利用真实名人的照片

作为训练素材

利用GAN生成了分辨率高达1024*1024的假社交名人照片

感觉分分钟解决肖像权问题

NVIDIA利用GAN生成的人像

GAN是一种神经网络，

由两个部分组成，

一个是生成网络，又称生成器

另一个是判别网络，又称判别器

两个网络相互学习又相互对抗

形成一种良性竞争

在循环往复中不断优化结果

从而生成更像真实数据的数据

就像一堆现实版相爱相杀的好基友

GNA神经网络工作流程

以图像生成为例

生成器学习绘图

而判别器学习鉴图

训练过程中

生成器一代基于随机数据生成一张图片

由判别器一代来判定真假

被判别器识破后，

生成器进化为二代并改进图片数据

再次送给判别器一代判定

如果继续被识破，

则生成器持续优化图片数据送来判定

如果无法被识破

判别器则会立刻更新参数

升级为判别器二代继续判定

如此循环往复

在两个网络的不断学习和对抗中

生成肉眼无法识别的“不存在”名人的照片

或者风格几乎一致的“名家”画作

中国台湾大学电机工程学助理教授李宏毅给出的GAN示意图

而就在这一追求“真实”的GAN技术基础上

美国罗格斯大学

Facebook AI实验室

和查尔斯顿学院的研究人员

共同合作研究

通过修改损失函数

提出了创意生成网络（CAN）的概念

辨认风格的CAN

正如上面所说

GAN技术中生成器

会根据数据是否“骗过”判别器来修改权重

所以GAN的重心在于“模仿”

而CAN在对损失函数进行修改后

判别器不仅判定数据真假

还会根据时间对数据进行分类

有了时间标签

生成器就可以判断自己生成的内容

与某个时间段原生内容的相似程度

从而在保证数据与真实数据相似的基础上

同时保证与某个时间段内容在风格上有所差异。

创意对抗网络 CAN 的架构

而在这种学习方式下，

CAN生成的图像就具有了“艺术”成分

为了论证这种机器生成的图像是否具有创意

研究人员特意做了对比试验

在Amazon MTurk调查问卷平台上

邀请大众评价GAN、CAN生成的图像

和真实的人类画家作品

为创新程度、复杂程度、出乎意料程度打分

并判定画作是机器生成还是人类创作

结果显示

大多数志愿者认为

CAN生成的图像不仅具有创意

并且创意程度与人类不相上下

有些甚至超过了抽象派艺术家

CAN具有艺术气息的作品

毕竟之前一直笃信机器没有创造力

这个局面来的猝不及防……

看来AI技术发展

不仅会产生恐怖谷效应

未来被机器取代的忧虑

也愈发显得真实

而面对如此“有野心”的AI

学习它，掌握它也显得日益紧迫

期待未来

AI提供更多的是服务

而不是制造“惶惶不安”。

纽约客杂志封面