1700516359
1700516360
伦勃朗是一位高产的画家，他大量的作品是否足以支撑一种算法学会如何创作出一幅可以被认为是伦勃朗创作的新肖像画呢？现代的互联网上有数百万张猫的图片，但是在没有网络的年代，莎士比亚创作了37部戏剧，贝多芬谱写了9部交响曲。对于这样的创作天才，我们可利用的数据不是很多，这是不是一种先天的不易被机器学习的保护机制呢？微软和代尔夫特理工大学（Delft University of Technology）的数据科学家认为，有足够的数据让算法学习如何像伦勃朗一样绘画。微软的罗恩·奥古斯都（Ron Augustus）参与了这个项目，他认为这位已故的大师也会同意并支持他们的项目：“我们使用技术和数据，就像伦勃朗用他的颜料和画笔一样，都是进行创作。”
1700516361
1700516362
该项目小组对346幅画作进行了研究，创建了150G的数字渲染图形。收集的数据包括：伦勃朗作品中人物的性别、年龄和头部朝向等信息，以及对脸部不同关键点的海量几何分析。在仔细分析了伦勃朗的肖像画之后，研究小组确定了他们准备利用算法绘制的人物的大致特征：一位30岁到40岁之间的男性白人，有胡须，穿着有衣领的深色衣服，戴着帽子，面朝右边。为什么不选择女性呢？数据样本中男女的性别比几乎是一半对一半，但男性肖像画的细节更容易被分析。关于是男是女的问题，我们就不需要进行大量的复杂数据分析了，机器学习真正发挥作用的地方是实现了肖像画的绘制。
1700516363
1700516364
研究小组使用算法来探索伦勃朗画眼睛、鼻子和嘴巴的方法。对光的运用是伦勃朗绘画的特色之一，他倾向于在主题的某个区域创造一个集中的光源，就像聚光灯一样。这样做的效果是将一些有特点的部分放在清晰的焦点中，同时使其他区域因为失焦而变得模糊。这个算法并不追求融合并创建所有特性的平均值——正如1877年弗朗西斯·高尔顿（Francis Galton）在试验中发现的那样，当时他试图通过综合真实罪犯的照片来构建一个罪犯的原型形象时，却得到了一些与原始形象相去甚远的结果。将底片叠在一起，然后曝光、冲洗得到新的照片，高尔顿非常震惊地发现，他所使用的一组扭曲、丑陋的脸合成的照片中竟然呈现出一张英俊的面孔。数据科学家们想要创作出一幅可能被认为是伦勃朗的作品，就必须要有一个更智能的计划。他们的算法必须创造出全新的眼睛、鼻子和嘴巴，就好像是通过伦勃朗的眼睛所看到的一样。
1700516365
1700516366
在创造完这些面部特征后，他们开始研究伦勃朗使用什么样的比例和关系将这些特征组织起来构成一张完整的面部。这也是令达·芬奇最为着迷的地方：他的速写本上满是对面部不同区域的相对位置的测量。有些人认为他是在利用黄金比例的数学概念来创造完美的面孔。伦勃朗并不痴迷于潜在的几何结构，他似乎对某种比例比较偏爱。
1700516367
1700516368
研究小组首先对平面图像进行分析，但绘画作品并不是简单的二维图像，画布上的颜料有助于画面产生三维效果。对于许多艺术家来说，这个特性和构图一样重要。想想凡·高创作油画时使用颜料的厚涂法，他像创作雕塑一样绘制一幅画。绘画中那些有质感的纹理是通过算法创作艺术的人经常忽略的东西，这种艺术通常只在屏幕上呈现，因此它受限于二维的“数字画布”。在伦勃朗晚期的作品中，分层绘画手法是一个重要特征。研究小组意识到，现代3D打印机将给他们一个机会来分析和重构伦勃朗油画的分层结构特征。最终形成的3D打印画超过1.48亿像素，由13层紫外线固化数码喷墨制成。
1700516369
1700516370
巴斯·科斯滕（Bas Korsten）是参与该项目的创意合作伙伴之一，他承认，尽管这个设想非常简单和巧妙，但它的执行绝非如此。他说：“这是一段不断尝试和试错的旅程。我们有很多想法经过研究或测试都最终被证明是不可行的。我们曾考虑装配一个机械手臂来完成最终的绘画，但目前机械手臂只有9个自由关节，而伦勃朗的手至少有27个不同的部分可以独立运作，所以我们放弃了这种想法。”
1700516371
1700516372
科斯滕认为，最大的挑战是让“复活伦勃朗”背后的理念继续走下去。来自各方面的因素都在制造障碍，比如时间、预算、技术、舆论……但最重要的是，他们需要处理大量的数据。坚持不懈、不放弃，才是这个项目成功的唯一原因。
1700516373
1700516374
经过18个月的数据处理和500个小时的渲染，研究小组终于准备好向世界展示他们“复活伦勃朗”的成果了。2016年4月5日，在阿姆斯特丹，这幅油画向公众展出。展出的前几天，在Twitter上就有超过1000万条的评论，说明它引起了公众广泛的关注，这个结果非常出人意料。不可否认，该作品再现了伦勃朗的绘画风格。如果让人们来定位这位“艺术家”，我相信大多数人会把他归入伦勃朗画派。他能续写伦勃朗的传奇吗？英国艺术评论家乔纳森·琼斯可不这么认为。
1700516375
1700516376
他在《卫报》上轻蔑而厌恶地写道：“这是对人性中所有创造性的可怕、无味、麻木和无情的嘲弄。”“在我们这个奇怪的时代，当最优秀的大脑将自己奉献给最愚蠢的‘挑战’时，当技术用于那些永远不应该使用的事物时，每个人都不得不为这样的结果鼓掌，因为我们如此推崇将一切数字化。这是多么可耻、可悲啊！”
1700516377
1700516378
琼斯觉得这幅画作没有抓住任何伦勃朗创作的特点。这无关风格和表面效果，而是伦勃朗通过绘画揭示、表达了他的内心世界，这样做也会揭示我们自己的内心世界。这是两个灵魂之间的碰撞。这幅人工智能的画作完全无法引发人们产生琼斯所描述的“伦勃朗的战栗”——那种置身于伦勃朗每一幅杰作前浑身起鸡皮疙瘩的感觉。
1700516379
1700516380
在他看来，只有一种方法能让这样的试验获得成功，那就是让人工智能体验瘟疫、贫困、衰老以及其他所有的人类的经历，因为正是这些经历造就了伦勃朗的为人，也造就了他的艺术。
1700516381
1700516382
这样的评论公平吗？如果不是被事先告知这幅画是由计算机创作的，琼斯会做出相同的反应吗？艺术家的创作过程通常是一个密匣，算法给了我们新的工具来探索它内部的东西，并从中找到模式的痕迹。如果我们可以通过代码复制艺术家的作品，那么代码就揭示了创作的过程。这能否帮助我们识别出那些未被确认的已故大师的作品？能帮助我们剔除那些被错误地归属在大师名下的作品吗？
1700516383
1700516384
几十年来，围绕荷兰人威廉·范·德·沃姆（Willem van der Vorm）所收藏的《托比特和安娜》究竟是谁创作的，一直存在很多争议。这幅作品确实具备伦勃朗晚期作品的许多特征：集中的光线，画面笔触与质感纹路，局部的失焦，以及其他焦点清晰部分的选择。它的底部甚至有伦勃朗的签名，但许多人认为这是后来加上的，是伪造的。几十年来，这幅画都没有被归为伦勃朗的作品，而被认为是他的一个学生的作品。这一切在2010年发生了改变，研究伦勃朗的专家恩斯特·范·德·韦特林（Ernst van de Wetering）将现代科学的力量运用于其上。红外线扫描和X射线分析技术在绘画上的应用，让我们可以看到隐藏在绘画表面之下的东西。比如，让我们了解艺术家在作品创作过程中，在最终定稿之前的整个过程中所做的每一次尝试。X光照片显示，这幅画表面之下最初还有着另外一幅画，但是被现在的画面所覆盖了：在底层的画面里多出了一扇窗户。韦特林这样说：“伦勃朗善于以这种方式不断地安排光线，尝试用不同的方式照亮人物。”微观化学分析也可以揭示出一个显著的特征，那就是油画必须在颜料还未干时完成绘制。根据韦特林多年的经验和对伦勃朗绘画风格的深刻了解，再加上这些新的科学技术的支持，他改变了对这幅画归属的看法。展出这幅画的博物馆得到这一结论时非常高兴，因为自己的馆藏又多了一幅伦勃朗的作品。尽管得到了科学证据的支持，但仍有一些评论家对这幅作品的作者归属持怀疑态度。
1700516385
1700516386
那么，韦特林是怎么看待这个“复活伦勃朗”试验的呢？起初，他听到这个消息时很是反感。当他最终见到这幅作品时，立即开始对这幅画的笔法进行仔细的审视，对微妙的不一致处进行评论，指出这幅画所使用的笔法是伦勃朗在1652年左右使用的，而其他的肖像画的笔法则更像是1632年使用的。即便是这样，研究小组依然感到相当宽慰：只有在精细到笔法这一层面的细节上，他们的项目才被发现存在不足。
1700516387
1700516388
对于微软而言，开展“复活伦勃朗”项目的动机很可能是商业原因，而非艺术。他们是想通过“再造”出令人信服的伪伦勃朗作品，来证明它们所编写的代码有多么好。同样，AlphaGo与李世石对弈并胜出，与其说是为了发现新的、更具创造性的围棋玩法，倒不如说是为了向外界宣传DeepMind的人工智能实力。创造力应该与商业因素绝缘吗？凡·高生前只卖出了两幅画（尽管他会用画作换取食物和绘画用品），也许他只是希望过一种简朴的生活，但财富似乎并没有成为他创造的动力。然而，有证据表明，以金钱为奖励手段可以刺激人们的创造性产出（至少在低水平上）。
1700516389
1700516390
2007年，一个由美国心理学家组成的研究小组邀请了115名学生阅读一篇关于爆米花在平底锅里爆开的短篇故事。试验要求学生为这个故事起个名字。其中一半学生被告知：“我们将根据其他参与试验的学生为故事所起的名字来评判你所起的故事名字的创造性。如果你所起的故事名字比80%的人更具创造性，那么恭喜你，你出色地完成了这一试验。”另一半的学生被告知了同样的内容，但还被告知如果位于前20%，他们将因为自己的创造力得到10美元的奖励。果然，奖金的刺激带来了更多有创意的名字，包括“爆米花大混乱”[1] （PANdemonium）、“天启”[2] （A-pop-calypse Now），等等。
1700516391
1700516392
来自他人无论什么形式的反馈，是否就是创造的动力？难道人类不是在不断地进行发明创造以确保同类对我们怀有持续的兴趣吗？反馈已为新一代人工智能开启通向“整合”的大门。在机器学习中，反馈常常用于促使算法得到更好的结果。以DeepMind的雅达利游戏算法为例，“奖励冒险行为”规则（通过尝试不同的可能以寻求高分）促使算法突破了非激励算法的极限水平。
1700516393
1700516394
[1] 该名称中的PAN影射平底锅。——译者注
1700516395
1700516396
[2] 该名称由popcorn和apocalypse组合而成。——译者注
1700516397
1700516398
1700516399
1700516400
1700516402
天才与算法：人脑与AI的数学思维 创造力竞争
1700516403
1700516404
除了证明可行性以外，“复活伦勃朗”项目是没有什么意义的。真正令人兴奋的新艺术能从代码中产生吗？罗格斯大学（Rutgers University）的艾哈迈德·埃尔加马尔（Ahmed Elgammal）猜想，如果把艺术创作变成一个竞争性的游戏，是否会促使计算机进入新的、更有趣的艺术领域？他的想法是创建一种算法，其首要任务是放弃已知的所有艺术风格，然后判断由算法自己所产生的艺术品是否具有与所有艺术风格都截然不同的特性，即真正独树一帜的艺术风格。这是一个典型的生成式对抗网络[1] 的例子，这个概念由谷歌研究员伊恩·古德费罗（Ian Goodfellow）首先提出。该网络模型通过框架中（至少）两个模块，生成模型（generative model）和判别模型（discriminative model）的互相博弈学习，产生相当好的输出。埃尔加马尔希望开发出这样一种算法，并希望其创造性在世界范围内得到认可。
1700516405
1700516406
有一些证据表明，这种对抗性模型同样适用于人类创造力代码的引导。汤米·麦克休（Tommy McHugh）的神奇经历就证明了对抗性模型的力量。汤米是利物浦的一名快活的建筑工人，他结了婚，住在伯肯黑德的一所小房子里，除了在监狱里纹的文身，他对艺术毫无兴趣。但是在2001年，汤米中风了，中风之后，发生了神奇的事情：汤米突然有了创作的冲动，他开始写诗，买颜料和刷子，并开始在他房子的墙壁上创作艺术品。但问题是，他无法控制自己的这种冲动。他被这种冲动“劫持”，强迫自己在家里的每面墙上作画。
1700516407
1700516408
走进他的房子，就像走进了媚俗版本的西斯廷教堂，一切都被图画覆盖着。汤米的妻子拿创造力爆发的汤米毫无办法，只能对他听之任之。汤米停不下来，他一直不停地绘制新画来覆盖旧画。
[
上一页 ]
[ :1.700516359e+09 ]
[
下一页 ]