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
1700516430
1700516431
图 8-1
1700516432
1700516433
对单一特征进行测量并不能帮助我们判断画作归属。在上例中，有时候毕加索会用少量的黄色，比如P1 这幅画作对应的黄色刻度值为1。但P2 对应的黄色刻度值达到了3。而同是凡·高绘制的两幅画作VG1 和VG2 的黄色特征分布范围与毕加索的存在重合现象，故无法清楚地辨别两个人的作品。所以，单是测量黄色特征对我们是没有帮助的。
1700516434
1700516435
如果选择另一个特征来测量，比如画作中蓝色的使用量，会发生什么呢？我们在垂直的轴上以相同的画作为样本，标记出该特性的值，如图8-2所示。
1700516436
1700516437
1700516438
1700516439
1700516440
图 8-2
1700516441
1700516442
事实再一次证实蓝色这一单一的特征也不能真正帮助进行画作归属的判定，毕加索、凡·高的画作之间并没有明确的区分。但是，如果把这两个特征相结合，在平面直角坐标系里标出这些画会不会有所发现呢？
1700516443
1700516444
如图8-3所示，毕加索的画作P1 对应平面中的点（1，2），凡·高的画作VG1 对应平面中的点（2，4），依此类推可以找出所有作品的所在位置。将黄色和蓝色两个特征相结合，我们发现通过一条直线（图8-3中的虚线）可以将艺术家的作品分为两个不同的区域，毕加索的作品聚集在线的左侧区域，而凡·高的作品聚集在线的右侧区域。
1700516445
1700516446
在算法学习了如何利用这两个特征来区分毕加索和凡·高的画作之后，拿出一幅新的绘画作品给算法，并要求它识别该画作的作者是凡·高还是毕加索时，算法将测量这两个属性，然后在平面直角坐标系中绘制出该画作的坐标，确定其所处位置，并根据这一结果判断出这幅画作的创作者。
1700516447
1700516448
在这个简单的例子中，我选择了颜色作为特征来区分艺术家，当然，也可以利用画作中其他众多的特征来进行分析。机器学习的强大功能是探索可能的度量空间，就像在以上示例中测量黄色和蓝色一样，其可以挑选出有助于区分艺术家特征的正确组合。显然，用来区分艺术家，只测量两个维度的特征是远远不够的，所以我们需要找到足够多的、可测量的、独有的特征。每一个新特征都有助于更好地标记艺术家和他们的风格，增加定位艺术家和他们风格的空间维度。最后，绘制出多维度的图表，而不是我们在上述的简单示例中用到的平面直角坐标系。
1700516449
1700516450
1700516451
1700516452
1700516453
图 8-3
1700516454
1700516455
最近几年取得快速突破的最先进的计算机视觉技术，能够根据画作包含的视觉概念对其进行分类。这些概念被称为“classemes”，包含了几乎所有的东西，从小的物质描述（如鸭子、飞盘、人、独轮手推车），到颜色变化，再到高层面描述（如死尸、水体、路面），等等。这种方法允许计算机视觉算法去分析图像，并生成一个对图像进行描述的classemes列表。此列表像一张矢量图，会对图像进行定义，并且可以用于与其他以相同方式进行分析的图像进行比较。这些特征成为程序员改进他们算法的极佳依据。
1700516456
1700516457
在前文中，我们看到在平面直角坐标系中是如何可以将毕加索和凡·高区分开来的。为了在现实的数据中精确区分不同的特征，该算法必须有效地对400种不同的特征进行分析，即在400个维度中分析画作。在对前所未见的画作进行测试后，该算法能够有超过50%的概率识别出这些作品的作者，但其很难分辨出莫奈和毕沙罗等19世纪末和20世纪初印象派画家画作之间的区别。可是，人类艺术家只需要做一点小小的研究就能明确区分他们的画作。19世纪末至20世纪初，莫奈和毕沙罗在法国非常活跃，并且都在巴黎Académie Suisse艺术学院进修，正是在那里，他们成为一对好朋友，经常会向对方分享自己在艺术创作上获得的经验。所以，他们的艺术作品有几分相似，就不足为奇了。
1700516458
1700516459
罗格斯大学的研究小组决定测试他们的算法能否识别出艺术史上代表新风格出现的作品或标志着转折的极富创造力的作品。这是因为一部分艺术家不断地挑战现有的艺术边界做出一些突破，而另一部分艺术家则创造出了全新的艺术风格。算法能识别出那些打破惯常规则，开创了一种新绘画风格的画作吗？算法是否可以识别出画作到底是立体主义的作品，还是巴洛克风格的作品？
1700516460