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
1700516461
该算法已经在多维度状态下分析、定位了所有的绘画，并把它们在高维图表中绘制成点。在添加画作的创作时间这个维度后，如果算法检测到某一幅画作在高维空间中沿着时间维度移动时发生了巨大的位置变化，那么这幅画作是否具有与艺术史专家公认的在艺术史上具有创造性革命意义的作品相一致的意义？
1700516462
1700516463
以毕加索的《亚威农的少女》为例，现在许多人认识到这幅画作打破了传统。然而，1916年《亚威农的少女》在巴黎首展时，正如你所预料的那样，这幅将带来审美史上重大变革的伟大画作，人们最初对它的态度是非常不友好的。一篇发表在报刊Le Cri de Paris上的评论文章指出：“立体主义者并不会停止挑衅，他们不停地对理智进行攻击。”但没过多久，这幅画作就被认为是艺术史上一个伟大的转折点。几十年后，正如《纽约时报》的艺术评论家所写的：“它一举将过去的艺术掀翻，无情地改变了我们这个时代的艺术。”令人兴奋的是，与同时代其他人的作品相比，算法在高维图表中发现了这幅画作的位置发生了巨大的偏差，因此将其高度评价为与以往任何画作有明显不同的画作。或许，就连《纽约时报》的艺术评论家也将被一种算法抢去风头，直至被替代。
1700516464
1700516465
罗格斯大学团队的算法判别模型就像一位艺术史专家，可以判断画作是否属于一种已被公认的艺术风格，并帮助判定画作是否开创了一种新的艺术风格。与之对应的是算法的生成模型，它的任务是创建一些被认为是艺术品的，可被接受和认可的，不同以往的作品。埃尔加马尔为了理解艺术作品创新程度与美感唤醒之间的关系，深入地研究学习了丹尼尔·伯莱因（Daniel Ellis Berlyne）的研究成果。伯莱因对心理学的主要贡献体现在动机与唤醒、思维与心理美学，以及视觉艺术等领域。伯莱因特别关注美感的唤醒，他提出通过不同的刺激类型的特性，如新奇性、好奇心、复杂性、模糊性和费解性等，可以促使美感唤醒的产生。[4] 该理论认为对唤醒的偏好水平是由个体决定的，而偏好水平又是影响个体行为的一个重要因素。一般来说，个体乐于接受中等水平的刺激，它会产生最佳唤醒水平。过低或过高的刺激水平都不为个体所喜好。每个个体都有不同的最佳唤醒水平，低于最佳唤醒水平时，个体将寻求刺激，而高于最佳唤醒水平时，个体将选择逃避刺激。
1700516466
1700516467
威廉·冯特[5] 在这个问题上也有巨大贡献，他的冯特曲线就是描述这一现象的（见图8-4）。如果我们对艺术品的风格过于习惯，就会产生冷漠感和无聊感。这就是为什么艺术家们从来没有真正地将他们的作品风格固定下来，因为唤醒艺术家（最终是观众）美感体验的因素是个体化的、独特的。艺术家追求的是最大的美感体验价值，但矛盾点在于唤醒的刺激水平一定不可以过高，过高将使我们陷入冯特曲线的下降阶段。
1700516468
1700516469
1700516470
1700516471
1700516472
图 8-4
1700516473
1700516474
埃尔加马尔和他的团队为算法的生成模型编写了程序，以便算法创造出更接近于冯特曲线峰值的作品。这个试验的目的在于，在尽量不偏离艺术界公认的艺术品概念基础上使算法生成的作品最大限度地与现有艺术风格扩大差异。算法的判别模型将反馈结果给算法的生成模型，无论作品是过于守旧还是过于新潮、狂野，都不能被认定为艺术作品。每一次判别信息都会改进生成模型的参数，这就是机器学习的巧妙所在：算法会随着越来越多的数据而自我改进，从反馈中学习。人们希望生成模型能在判别模型不断地信息反馈中和自身不断地改进中，创造出落在冯特曲线峰值区的作品来。埃尔加马尔称这种算法为创意生成对抗网络（creative adversarial networks）。
1700516475
1700516476
那么，人们如何看待这些算法创作的作品呢？在2016年巴塞尔艺术博览会（Art Basel 2016）当代艺术展上，一些艺术爱好者展出了他们具有原创艺术风格的新作品。当他们把自己的作品拿来和埃尔加马尔团队创意生成对抗网络创作的“新艺术”作品进行比较时，发现由算法创造的艺术作品更具原创性、启发性，画面质量更加精良。
1700516477
1700516478
2018年10月，佳士得拍卖行（Christie’s）成为首家出售由算法创作的艺术品的拍卖行，这或许意味着人工智能艺术越来越受到人们的重视。这幅画作由法国艺术团队Obvious创作，团队主要成员是三名青年（他们的教育背景均为商科或工科）。他们采用了古德费罗提出的生成式对抗网络（GANs），而没有采用埃尔加马尔提出的创意生成对抗网络（CANs）。这个创作团队采用了14世纪以来的超过15 000幅肖像画对他们的算法进行了训练（机器学习），机器根据训练指令创造出若干新作品，直到新作品成功通过判别模型做出的判断。
1700516479