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
1700516401
天才与算法：人脑与AI的数学思维 [:1700514906]
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。
1700516409
1700516410
他对我说：“我已经把整个房子画了5遍，地板、天花板、地毯……我只有累了睡觉的时候才会停止作画。如果允许，房子的外立面、树和人行道都会成为我作画的地方。”
1700516411
1700516412
他的作品都是杰作吗？答案是不尽然。但是，为什么汤米在中风后突然有了作画的冲动？他试图向我描述当这种创造的冲动出现时，在他的脑子里发生了什么：“在我的脑海里有一股闪电射向大脑的一侧，击中了其中的某个细胞，这个细胞激活了充满着泡泡的埃特纳火山[2] 。我脑海中每一个泡泡都与其他数十亿个泡泡相联系，当它们连锁爆发时，我所有的创造力也都跟着爆发了。”
1700516413
1700516414
神经科学家的研究发现，就像在Google Brain上运行的生成式对抗网络算法一样，人类大脑也有两个相互竞争的系统。一个系统是表现欲（生成模型），产生制造东西的冲动，是创造、表达的系统。另一个系统是抑制剂（判别模型），是对我们的想法产生怀疑、质疑和批评的系统。我们需要非常谨慎、仔细地平衡两者，这样才能有新的产出或是决定。一个创造性的思想需要与判别模型相平衡，通过反馈循环对创意进行评估，以便创意（生成模型）能够被修改并产出。
1700516415
1700516416
由此看来，汤米的中风使得他大脑中的判别模型失去了效用。虽说他所创造的可能并不那么伟大，但没有什么能让他停下来，因为在他的脑中只剩下了爆炸式的表现欲（生成模型），即想要创造出越来越多疯狂的图像和想法。
1700516417
1700516418
德国艺术家保罗·克利在他的教学素描本中表达了这种张力：“在创造艺术行为伊始，有了最初的想法之后不久，就出现了最初的反向运动，即接受性的最初运动。”这意味着，创作者对他创作的作品有质量的把控。
1700516419
1700516420
2012年，汤米死于癌症，但他对自己的遭遇并不感到遗憾，他这样说道：“我的两次中风让我经历了11年无与伦比、无人能及的精彩。”
1700516421
1700516422
埃尔加马尔的想法是编写代码来模拟艺术家潜意识中的生成模型和判别模型之间的反馈循环。首先，他需要建立一个判别模型，这个模型相当于艺术史专家，其评估生成结果。他与同事巴巴克·萨利赫（Babak Saleh）合作创建一种算法，该算法可以创作一幅从未面世的作品，并负责对作品的风格或作者进行归类。维基艺术（WikiArt）拥有1119位艺术家的81 449幅画作，在时间跨度上跨越了1500年，这可能是世界上最大的数字化图像数据库。是否可以创建一种算法，它可以通过维基艺术中的数据训练自己，随机抽取一幅画后，对其风格或艺术家进行分类？埃尔加马尔使用了部分数据作为算法的训练集，其余数据则用来测试算法。他应该怎样编写他的算法？哪些关键的因素可能有助于对这一庞大的艺术数据库进行分类？
1700516423
1700516424
想通过数据来对艺术家进行分类，我们需要一些具体的衡量标准。这一基本过程与声田公司[3] （Spotify）或奈飞公司背后的算法类似，但你要寻找的不是个人品位，而是与众不同的特征。如果对数据库中的画作以两个不同的特点为目标进行扫描、测量、归类，那么每幅画作都可以用二维图上的一个点（横轴上的一点）来表示。那么，选择哪种特性来扫描、检测，会让你惊奇地发现毕加索的画作集中在横轴的一个区域，而凡·高的画作集中在另一个区域呢？
1700516425
1700516426
例如，以一幅画作中使用的黄色量为特征进行测量，你可能会看到毕加索的画作（标记为×）和凡·高的画作（标记为○）的分布如图8-1所示：
1700516427
1700516428
1700516429