这一次，AI 打败的是当代艺术家们

人工智能（artificial intelligence, AI）不仅能下围棋打德扑，科学家们已经开始探索它在人类文化所特有的想象力创造领域的可能性。

去年，美国罗格斯大学的计算机研究小组和Facebook的AI实验室联合开发了一个“抽象艺术AI”（Creative Adversarial Networks, CAN）。它通过学习现存的艺术作品的风格流派，能够“生产”抽象画。

比人类更像艺术家

这些CAN 做出的作品曾被拿来与抽象表现主义大师的作品（作品年代为1945-2007年间）、当代艺术家的作品（曾在2016年度的当代艺术国际集会Art Basel展出的作品）做比较。在不知道作者的前提下，公众对作品的判断结果是十分惊人的。

人类打分最高的前十六名“抽象艺术AI”作品

就喜爱程度/创新程度/惊艳程度而言，“抽象艺术AI” CAN的得分与大师们的得分不分上下，高于当代艺术家的得分。当人们被问及这幅作品是否由人类创作的时候，CAN的认可率达到了75%，而只有48%的公众认为当代艺术作品是由人类创作的orz……

针对艺术角度的调查中，CAN作品得分也很高。在目的性/视觉构图/表达能力和启发性四个层次上，都超过了抽象表现主义大师和当代艺术家。无疑，CAN的作品被认为是艺术。学者们还针对CAN的创新性进行了调查，60%受访的艺术史学生认为CAN的作品更具有创新性，也更具有美学上的吸引力。

参展Art Basel 2016的当代艺术家作品

CAN的创作理论

上述结果，不禁令我们思考，究竟什么是艺术创造力呢？CAN的设计思路与人类的创造似乎并无二致：首先要有所依傍，而后大胆地创新。

很多名垂青史的艺术家，都是经历过长时间的艺术训练的，而且他们的风格也没有一蹴而就。例如，毕加索在青年时，就接受过法兰西学院正统的美术训练，画技惊人。

毕加索笔下牛的演变

美国著名的心理学家Colin Martindale认为，艺术风格的形成始于创作者向已有的艺术风格增加新的技术技法和形式，从而使艺术唤醒能力大幅提升。

艺术的发展，包括写作、视觉艺术以及音乐，都是追寻新鲜体验的结果。他认为任何时期，具有创造力的艺术家都致力于使自己的作品更有唤醒能力，跳出习俗习惯和舒适区，但同时，也要避免引发观众的负面反应。事实上，人们更喜欢中等程度的唤醒刺激。

这便是“抽象艺术AI” CAN的理论基础。科学家们表示，他们希望CAN既能有所创新，也不要过于创新。CAN能够最大程度上地模糊艺术风格，偏离既定的艺术风格标准，同时，也在最小程度上避免脱离可接受的艺术边界。

CAN系统的设计理念

CAN的训练基于两种网络（network）的较量：评鉴员（discriminator）拥有大量的艺术史知识储备，而生产员（generator）宛如一张白纸，没有接触任何艺术。

评鉴员和生产员通过两种相反的信号不断交流对抗，共同产生抽象艺术。是不是也和人类系统有些相似呢？

第一种对抗信号是评鉴员对生产员的作品的艺术评判。直白地说，就是生产员的作品是否是艺术。这使得生产员不断改变多种艺术风格在其作品中的权重，来说服评鉴员这些画作是艺术。

第二种对抗信号是评鉴员对生产员的作品风格区分程度的高低，这也是CAN艺术创新的核心所在。一方面，生产员需要评鉴员认可它的作品是艺术，而另一方面，生产员也很狡猾，不希望评鉴员能够分辨出作品的风格。

简单的二元对抗设计便使得人工智能具有了生产抽象艺术的创造力。有趣的一点是，尽管CAN拥有大量的艺术史储备，能够准确地分辨存世的艺术作品的风格，它却不懂得这些杰作的内涵。

可以说，CAN的创新能力基于其极强的学习能力，并且能够根据所学的艺术信息，调整自己的作品。这似乎和人类的思考模式又不相同。

对抗生成网络

显然，CAN是GAN在艺术创作领域的一个升级版。GAN即generative adversarial networks的首字缩写，也就是生成对抗网络。其发明者Ian Goodfellow是谷歌大脑团队的一名成员。

2014年的某个夜晚，Ian在蒙特利尔一个酒吧和几个朋友聊到一个技术问题：计算机如何自己生成图片。

此前在一些研究中使用的是神经网络算法来解决，但得到的结果看上去都挺惨的，比如人脸图像通常不是模糊不清，就是缺鼻子少眼睛。

Ian的朋友们想到的是对那些组成图片的元素进行统计分析，来帮助机器。但这其中涉及到的数据运算实在太庞大了，Ian凭直觉就知道肯定不行。

突然间，一道灵光乍现，他问到：如果让两个神经网络相互对抗会怎样？总的来说，这个方法有点类似于模仿造假图者和图片鉴定师之间的交锋过程。

在一个数据集上对两个网络进行同时训练，模拟造假图者的网络称作生成器，会生成仿造的图片或笔迹，而模仿鉴定师的网络称作判别器，它会把生成器生成的图片与训练集中真实的图片进行比较，然后给出哪些是真哪些是假的判断。

根据判别器的结果，生成器需要更新参数，然后生成新的图片。如此较量下去，直到判别器不再能挑出假图为止。

这个有点像武打小说中老顽童周伯通的“左右互搏之术”的想法，很快成了人工智能领域的新宠，不仅被用来生成图片、肖像，甚至被用来模拟游戏角色和亚原子粒子。

Facebook的人工智能首席科学家Yann LeCun将GAN称之为“近20年来深度学习领域最棒的想法”。

此前GAN也有被拿来进行艺术创作的尝试，也被CAN团队翻了出来，意思是，“还是我们更厉害哦！”好吧……我们不妨来看看，自行判断一番⬇️

基于GAN的艺术作品

我想，创造或许有迹可循，在CAN团队此次透露的技术细节中，可以看到，AI搞艺术走的不外乎如下途径：

1.投喂大量的好的艺术作品

2.遵守一定的规则

3.打破明确的艺术风格

4.大量反复地试验

这条路径，对于人对于AI并没有差别，然而，有一点差别确实很大的：机器不懂得主动放弃，而人类有时很脆弱……

So，Good luck，human beings.

CAN得分最低的作品（由人类打分）

题外话：关于人工智能的讨论，自几年前，当AlphaGo战胜围棋专业选手的时候，就已经很热烈了。其实，或许我们也无须过于担心。

纵观历史，文明发展便是一场与自然的斗争史，并且人类一直在创造远比自身强大的工具。从火、铁犁到照相机、原子弹，每一个阶段，人类何尝不曾畏惧呢？这或许就是历史吧，也只有历史能够证明一切。

Reference

Elgammal, Ahmed, et al. "CAN: Creative adversarial networks, generating"art" by learning about styles and deviating from style norms." arXivpreprint arXiv:1706.07068 (2017).