美國詩人拉爾夫·沃爾多·愛默生曾說過：“每個藝術家最初都是業餘愛好者。” 他可能從未想過這些話會適用於機器。然而，人工智慧已經展示出越來越強的創造力，無論是創作重金屬搖滾專輯，還是製作一幅與倫勃朗作品驚人地相似的原創肖像。
將人工智慧應用於藝術界可能顯得不必要地模仿；當然，有很多人類在創作令人驚歎的作品。然而，支持者表示，訓練人工智慧具有創造力的真正美妙之處不在於最終產品，而在於該技術在自身機器學習教育基礎上擴充套件的潛力，以及比人類更快、更好地跳出固有思維來解決問題的潛力。例如，具有創造性解決問題能力的人工智慧有一天可能會做出快速決策，在自動駕駛汽車的感測器出現故障時拯救乘客的生命，或者提出非常規的化合物組合，從而為以前無法治療的疾病開發新藥。
佐治亞理工學院互動計算學院的副教授馬克·裡德爾表示，具有創造性的人工智慧在開發能夠對人類生活做出適當反應的高度自動化系統中至關重要。“事實是，我們每天都會進行很多小小的創造；會發生很多解決問題的事情，”裡德爾說。“如果我兒子的玩具卡在沙發底下，我必須用衣架製作一個工具[把它取出來]。”
關於支援科學新聞報道
如果您喜歡這篇文章，請考慮訂閱我們的獲獎新聞報道以支援我們 訂閱。透過購買訂閱，您將有助於確保有關當今塑造我們世界的發現和想法的有影響力的故事的未來。
裡德爾指出，人類的創造力在人類社互動動中也很重要，甚至包括講一個恰到好處的笑話或識別雙關語。計算機在處理這些微妙之處時會遇到困難。例如，對人類如何構建隱喻的不完全理解，就足以讓一個人工智慧生成的文學實驗創作出新的《哈利·波特》章節，其中充滿了諸如“城堡的地板看起來像一大堆魔法”之類的無意義的句子。
裡德爾說，儘管如此，讓機器準確地模仿人類的風格——無論是倫勃朗的風格還是 J. K. 羅琳的風格——或許是開發創造性人工智慧的一個良好開端。畢竟，人類的創造者通常最初都是模仿有成就的藝術家的技能和過程。對於人和機器來說，下一步都是將這些技能用作創造原創事物策略的一部分。
人工智慧藝術學院
今天的人工智慧程式還不夠先進，無法自發地創作熱門歌曲或繪畫傑作。要讓人工智慧做到這些，人類必須首先透過輸入大量示例來校準程式。例如，德國人工智慧藝術家馬里奧·克林格曼設計了人工神經網路，基於現有的照片和其他視覺藝術品來組裝奇怪而迷人的影像。人工神經網路由一系列相互連線的處理節點組成，該系統鬆散地基於人腦的神經結構。在人工網路中，每個電子“神經元”都接收一系列數字，對這些輸入執行簡單的計算，然後將結果傳送到下一層神經元——下一層神經元又對資料執行更復雜的計算。
克林格曼的方法包括將繪畫和照片等源材料輸入到生成對抗網路（GAN）中，該網路結合了兩個神經網路的功能。一個網路基於某個主題或一組指導方針生成影像；另一個網路根據其對這些指導方針的瞭解來評估影像。由於來自第二個網路的反饋，第一個網路逐漸擅長製作更準確地符合所選主題的影像。“現在[這些網路]只是增強我們自身創造力的工具，”克林格曼指出。“我們人類仍然必須認識到創造力或新穎性。”他的目標是建立藝術網路，該網路可以獨立地根據給定的主題選擇甚至在推特上釋出他們自己最好的作品。
creative.ai 的創始人 Alex Champandard 表示，今天的 GAN 嚴格用於在更廣泛的創意系統中建立新內容或影像，該公司是一家旨在為創意人士開發人工智慧工具的初創公司。他補充說，GAN 能夠快速生成大量材料，但仍然在很大程度上依賴人們來建立他們的指導方針。
從藝術界到現實世界
谷歌的員工研究科學家，也是2014 年首次描述 GAN 概念的論文的主要作者 Ian Goodfellow 表示，GAN 的內容生成能力在開發能夠解決現實問題的人工智慧方面是一個良好的開端。Goodfellow 一直在研究機器學習模型，以讓計算機發明更動態的敘事，這可以超越有限的場景，例如規劃一系列國際象棋步驟——計算機在幾十年來在這方面做得非常好。
以人類一直在做的經典前瞻性規劃為例：當前往機場時，我們經常在腦海中模糊地規劃出旅程中預期的關鍵細節，例如交通模式或道路維修。Goodfellow 說，GAN 可以規劃這樣的行程，但他們可能會非常詳細地這樣做，並提出許多可能的到達目的地的路線。他補充說，我們真正需要的是一個計算層，它可以檢視神經網路產生的許多選項，並憑直覺決定哪個選項是最好的。
人類創造性思維的另一個關鍵組成部分是將來自一種背景的知識用於另一種背景的能力。喬治·哈里森拿起西塔琴，將他的吉他演奏技巧應用於這種樂器。莎士比亞閱讀希臘神話故事，並創作了一部受這些故事啟發的英文戲劇。一位執行長利用軍事戰略知識，或者可能是國際象棋，來規劃商業交易。
為此，目前正在進行人工智慧演算法的實驗，該演算法可以混合和匹配材料。例如，加州大學伯克利分校的研究人員正在使用他們的“迴圈一致對抗網路”(CycleGAN) 將一段馬的影片轉換為斑馬的影片。人工智慧檢測第一段影片中馬的基本形狀，並可以在該影像之上進行美學處理，立即無縫地將有光澤的棕色毛皮換成黑白條紋的毛皮，同時影像也在移動。這項工作可能成為人工智慧的墊腳石，使自動駕駛汽車能夠適應不熟悉的道路狀況，避免事故。Goodfellow 說：“如果你主要在加利福尼亞州收集你的[道路]訓練資料，你可能沒有很多關於下雪情況的真實資料。但你可以把你所有晴天條件的真實資料拿來，並使用[生成系統]將其更改為下雪條件。”
這表明，教人工智慧不僅要遵守規則，而且還要在必要時拋開規則——就像從業餘愛好者成長為藝術家的過程一樣。