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
1700516480
这幅肖像画的主角埃德蒙·贝拉米（Edmond Belamy）并非真人，而是由人工智能虚构出来的形象。在金色的画框中，是一个模糊的身影，他穿着清教徒式的黑色衣服，被巨大的阴影包裹着，神态朦胧。他也许来自法国，生活于某一个不可考证的历史时期，给人一种略显不安的感觉。这幅画面没有中心焦点，似乎被画者不愿出现在那里一样，整幅画作的抽象派气息浓郁。从艺术风格上讲，这幅非常现代的肖像画结合了18世纪的风格，又与英国艺术家格伦·布朗的风格相似，所以让人很难确定它的年代。画作右下角还有一个新奇的签名：不是艺术家的名字，而是一个数学方程式。
1700516481
1700516482
创作团队Obvious利用源代码及算法生成了虚构的贝拉米家族世系谱系列肖像画，《贝拉米肖像》是11幅系列肖像中的一幅。佳士得对这幅画作的描述是贝拉米伯爵的曾孙埃德蒙·贝拉米。《贝拉米伯爵》的肖像画于2018年2月被尼古拉·劳格罗·拉塞尔以1.2万美元收藏，而在佳士得的拍卖会上，伯爵曾孙的肖像以惊人的43.2万美元成交。贝拉米这个姓氏来自法文的“Bel Ami”，是好朋友的意思，“Goodfellow”也是这个意思，该团队把古德费罗的姓氏“翻译”成了法语用在了这里，是为了鸣谢和纪念他发明了生成式对抗网络。
1700516483
1700516484
大多数人类艺术家都会经历这样的过程：从过往的艺术家和他们的作品中学习，并利用所学到的知识，从模仿到推陈出新开创属于自己的艺术风格，创作出属于自己的艺术作品。对于艺术的理解，我们只能求助于人类的共同经验，毕竟在欣赏“新艺术”时，大多数观众看待它、理解它所依靠的知识体系和参照标准是观众自身的经历。巴塞尔艺术博览会上，无论是艺术家还是观众，就没有人从未接触过毕加索和蒙克的艺术风格。大多数创造力来自于这种改变现状的想法：创造一个脱胎于现状但又有别于现状的未来。这是一个进化模型，有趣的是，这正是算法所采用的。
1700516485
1700516486
你可能会觉得算法这种方法是可怕的操纵：把艺术变成一幅数字格式的画作，只为了找到能激发最大快乐价值的点。这听起来很可怕。难道只有表达了内心焦虑的才是伟大的艺术家吗？然而，这条通往艺术创造力的另类道路还是发挥了作用。这些生成式对抗网络算法可以带领我们进入一个新的领域，即使我们承认这是一门艺术，但作为人类，我们仍然对其束手无策，无法探索。总而言之，计算机代码具有揭示人类代码创造的艺术中未开发潜力的能力。
1700516487
1700516488
[1] 一种深度学习模型，是近年来复杂分布中无监督学习最具前景的方法之一。——译者注
1700516489
1700516490
[2] 意大利西西里岛东岸的一座活火山，海拔3200米以上，是欧洲海拔最高的活火山。埃特纳火山喷发状况十分活跃，自2007年以来发生了20余次喷发。——译者注
1700516491
1700516492
[3] 一个正版流媒体音乐服务平台。——译者注
1700516493
1700516494
[4] 伯莱因与唐纳德·赫布（Donald Olding Hebb，1904.07.22—1985.08.20，加拿大心理学家，认知心理生理学的开创者）通过大量观察试验，提出了最佳唤醒（optimal arousal）理论。——译者注
1700516495
1700516496
[5] 1832.8.16—1920.8.31，德国生理学家、心理学家、哲学家，实验心理学之父。——译者注
1700516497
1700516498
1700516499
1700516500
1700516501
天才与算法：人脑与AI的数学思维 [:1700514907]
1700516502
天才与算法：人脑与AI的数学思维 算法如何思考
1700516503
1700516504
艺术可以做很多事，但对我来说艺术最好的地方在于，它给我提供了一个了解他人内心世界、思维方式的途径。这也许就是人工智能艺术的真正潜力所在，因为它有可能帮助人类理解隐藏在计算机底层代码中的本质。如果人工智能即将替代我们人类去完成许多事情，那么了解一下人工智能的“世界观”“价值观”“机生观”就是非常有必要和重要的了。
1700516505
1700516506
谷歌的一个团队一直尝试通过人工智能创造的艺术来更好地理解他们所创造的算法在视觉识别中的思维过程。正如我在第5章中所解释的，已经开发出来的用来区分猫和香蕉图像的算法识别图像依赖于算法关于图像的层级发问。该算法有效地设计并完成了一个由20个问题组成的层级结构以识别图片中的内容。
1700516507
1700516508
问题是，随着机器学习的演化，程序员越来越难以追踪算法用哪些特征来识别到底是猫还是香蕉。如果只是查看原始代码，很难对算法的工作原理进行逆向工程。算法可以针对图像提出数百万个不同的问题，我们很难看出算法为何选取这些问题，也很难明白问题之间的优先关系是怎样安排的。为了了解这个算法是如何运行的，谷歌的团队想出了一个很聪明的办法，那就是将算法的工作程序颠倒过来。他们出示一个随机的像素化图像给这个算法，并要求它增加或增强识别一些特征，而这些特征是算法认为会触发识别可识别特征的特征。他们希望通过这个过程能揭示出这个算法究竟在寻找什么。他们称这种反向算法为“深梦”（DeepDream）。
1700516509
1700516510
对我而言，“深梦”所创造的图像可能是我所见过的最有意义的人工智能艺术形式。这些图像让我们看到了视觉识别算法是如何看待世界的，而不是试图去再创作一幅“伦勃朗的作品”，也不是巴塞尔艺术博览会上与现代艺术家的比试。也许它在美学上的意义并不大，但对我来说，这就是艺术的全部：试着用另一种眼光去理解世界，用一种不同的方式去看世界。