Sam Kronick 是一名藝術家，其在奧克蘭工作室的辦公桌前擺放了一列石頭。他打算在這些石頭上畫點什麼，但既不用筆也不用紙。他和他的小夥伴 Tara Shi 打算3D 掃描這些石頭，然後使用人工智能軟件繪製石頭輪廓，讓其逐步建立對石頭的認識。
這個項目乍看之下很簡單：嘗試用人工智能軟件進行自然藝術的創作。但這不失爲一個衡量計算機創新能力的辦法。
Sam Kronick 和 Tara Shi 採用的神經網絡是基於一個類人腦的生物神經系統而打造。而這種神經網絡需要用大量的數據進行建庫訓練，比如不同石頭的形狀、大量的網絡圖片、成千上萬種不同的搜索術語。而數據庫中需要什麼類型的數據取決於神經網絡的用途。
神經網絡是以分層思考的方式進行處理，每層都會處理當前網絡正在分析問題的不同方面。舉個例子，如果神經網絡正在學習如果識別石頭，其中一層網絡會生成一個算法嘗試找到石頭的文本描述，而另一層網絡則會嘗試找到不同顏色的石頭種類。
這樣一來現在的問題就變得棘手了。因爲我們很容易測試一個臉部識別程序是否有效。然而，要讓計算機識別石頭卻是十分複雜的。Kronick 說：
「電腦會提出一系列問題。什麼是石頭？石頭最重要的部分是什麼？爲什麼我們建的模型要有這麼多石頭？」
Sam Kronick 和 Tara Shi 之所以十分在意這個問題，是因爲他們希望能通過神經網絡創作的藝術作品來揭開人工神經網絡的神祕面紗。爲了加快產品的研發速度，或者用不太恰當的術語是使產品更智能，人工神經網絡不斷爲大大小小的技術公司所運用。而使用人工智能進行藝術創作的藝術家遠不止 Kronick 和 Shi 兩位。在這一過程中，這些藝術家們加強了人們對於這項技術的理解，它開始逐漸成爲人們生活中的一部分，替人們做出更好的決定，讓世界變得更加美好。
AI 識圖：有點像和外星人對話
實際上人們開始逐漸接受神經網絡的藝術成果。
就在今年早些時候，倫敦的一個團隊利用深度學習編寫了一首音樂。
而谷歌也展示了其神經網絡技術 DeepMind，讓它生成了一些光怪陸離（魔性）的圖像，大概長這樣：
神經網絡還被用來製作 MV。
網絡上關於如何利用神經網絡進行藝術創作的教程有很多，我們希望看到更多的藝術成果。
在沉睡數十年後，神經網絡，亦稱爲深度學習終於開始廣泛使用起來了。因爲以前我們數據匱乏，而現在是個大數據時代，我們擁有大量的數據。神經網絡能利用的數據越多，其訓練成果便會更加有效。如今我們隨處可見神經網絡，甚至你都沒有意識到它的存在：
在谷歌搜索圖片的時候；
使用 Skype 翻譯功能的時候；
在 Facebook 上給自己和朋友的圖片點讚的時候；
甚至是召喚 Siri 或 Cortana 的時候。
這項技術令人激情澎湃但卻又讓人有點頭疼。它不僅給我們帶來了 DeepDream 這類圖像軟件，但同時亦提供了高精度臉部識別的能力。而這意味着私人隱私的終結。人們的擔憂遠不止這一個。Motherboard 今年早些時候寫到：「當人工智能軟件出錯時，我們根本不知道爲什麼。」雖然神經網絡的數學算法相對簡單，但仍不少指令只由計算機生成，只有計算機能理解。這也就意味着，神經網絡的技術人員也不一定明白計算機是如何做出決策的。
谷歌旗下的 DeepMind 公司也使用了神經網絡來進行建庫訓練計算機，而訓練後的計算機竟在極其複雜的圍棋比賽中打敗人類頂尖高手。DeepMind 被獲准收集英國大量的醫患數據，但這些數據將作何用 DeepMind 一直遮遮掩掩。
Facebook 也同樣使用了神經網絡來挖掘用戶發表成千上萬份帖子。在過去的二十年裏，建議向軍隊和警務部門投入神經網絡使用的文章也層出不窮。而我們從商品中獲得的消費者數據，對科學家來說無疑是個巨大的金礦。這便是爲什麼早些年提出的「大數據」在近期又再一次火熱起來。但是，這次人們對於人工智能，也就是神經網絡所屬的這個範疇有所疑問：我們應該對神經網絡以及它的信息來源給予多少信任？
Kronick 對於神經網絡的興起表示擔憂。那些研發人員總是相信「如果給系統輸入的數據是好的，設計系統的意圖也是好的，那麼最後系統返回的結果必定是好的，這對世界的影響將是積極的，也是寶貴的。」雖然是這麼說，但 Kronick 在的使用過程中並沒有出現什麼問題，神經網絡一直很酷炫且不斷在進步。
今年三月份，Kronick 和 Shi 發佈了另一個神經網絡項目 AI*Scry --一款 App 。他們戲稱爲「外星人思維控制的遠程可視軟件。AI*Scry 使用了斯坦福大學開發的「神經交談」網絡和微軟的數據庫，它可以分析手機指着的任何物品，並做出相應的描述反饋給你。但是據許多用戶反饋，這款 App 經常出錯：它對物品的描述有一定程度的抽象並帶有自己的理解。比如說，此時我正用手機指着身下的這張藍綠色沙發，軟件給出的描述就十分抽象：「一張手腕搭在椅子上的圖像，一列火車駛離的場景，一瓶在用電腦的可口可樂。」
砧板上放着一份披薩和一把刀；
桌上放着一把剪刀和一把勺子；
一個有着紅色牙刷頭和紅色把手的紅色牙刷；
玩具熊的旁邊有一張牀，牀上躺着一隻貓
一隻貓蓋着毯子躺在牀上；
一隻黑貓躺在牀邊的牀上；
一隻貓坐在牀上的枕頭上；
玩具熊的旁邊有一張牀，牀上躺着一隻貓；
一隻貓裹着毯子坐在牀上
AI*Scry 對筆者所養之貓的描述
藝術家 Kyle McDonald 在阿姆斯特丹使用神經網絡進行視頻錄製時也遇到了同樣的問題。神經網絡對某些事情的判斷挺準確，但也經常犯一些低級錯誤引得人們哈哈大笑。比如，把一盒甜甜圈認成一盒三明治，把走路的人認成在騎滑板。
這種對真實世界的曲解正是這些藝術家們想要揭露的事實。這些神經網絡系統產生的曲解源自程序開發者對事物的偏見，因爲神經網絡系統是用開發者所選的圖像來進行訓練的。這就是爲什麼這個系統在某些場合下能辨認出這個物體，而換了一個場合它就可能辨認不出，甚至鬧笑話了。在現實生活中確實存在這種問題，舉這個例子我沒有任何冒犯的意思：2015年，有人在谷歌圖片搜索大猩猩時出現了黑人的照片，這或許是因爲谷歌數據庫裏沒有足夠的黑人圖像數據，也有可能因爲谷歌的大部分僱員都是白人。
Kronick 告訴筆者：「我們可以利用藝術來了解事情真相」。
AI*Scry 項目發起時，Kroncik 告訴 TechCrunch 說：「這個系統的設計是一個完整的鏈條，我們有設計師、勞工和白領。他們用經驗來告訴系統哪些數據有用，哪些數據沒用。」
William Gibson 的科幻小說《幽靈國度》裏這樣寫道：「通常，一門新技術的發展情況應該是這樣：最有趣的應用不是在戰場上誕生，就是在畫廊中出現。」也正是基於這種情感，Data & Society 研究機構的研究員Tim Hwang 在人工智能及其政策上反覆勸告谷歌。Hwang 把機器學習藝術比作軍事研究與計算機圖形研究中產出的早期計算機藝術。
Hwang 稱機器學習的研究員們看到這篇文章會很高興。
「人們對於把人工智能應用於文化領域這一想法十分激動，因爲長久以來它只是一種技術生產工具。在研究深層學習的這羣人裏，有這樣一種認知正在逐漸萌芽：不管我們的目的是什麼，更重要的是要用恰當的術語讓民衆理解它，而且要讓更多的民衆能使用它。」
實現這一設想指日可待。不僅藝術家們也在嘗試着闡明這些系統的工作原理。一些可控的機器學習項目，如 Andrej Karpathy 和藝術家兼程序員的 Gene Kogan 所推廣的項目，也開始面向民衆開放。
「專業的」文字工作者
圖像只是藝術家們在神經網絡中主攻的一個小方向。作家，尤其是科幻小說作家可就如魚得水了。六月上旬，一部名爲《Sunspring》的短片在 Ars Technica 網站首映。這部短片引起了極大的關注，因爲它是由一個名爲 Benjamin 的人工智能所完成的創作，Benjamin 事先一直以科幻小說劇本進行建庫訓練。（硅谷的家庭劇明星 Thomas Middleditch 在這部9分鐘的短片中飾演男主。）
在片中，時間設定在模糊的未來，穿着金色夾克的 Middleditch 和另外兩個角色在房間裏講着 Benjamin 所寫的臺詞，時而眉頭緊鎖時而露出輕鬆愉快的面容。這部短片最引人的地方就在於它的演員和那偶爾語無倫次的對話。這部短片的臺詞對計算機來說有其自己的意思——「在未來，失業率居高不下，年輕人不得不靠賣血維生。我也只能這麼做了。」——但總的來說，這部短片的編劇確實很專業。如果你不用眼睛看，純靠耳朵聽或從書中讀的話，這部短片的神奇之處也就不復存在了。
H 從架子上拿下了一本書，邊說邊翻，不一會就翻完了，於是他又把它放了回去。
H 說：「在未來，失業率居高不下，年輕人不得不靠賣血維生。我也只能這麼做了。」
H2 說：「你應該閉上你的嘴，看着這羣男孩們。我現在應該100歲了纔對。」
H 說：「我又看見他了。你出現的這個方式...確實是一個好主意。我的未來沒有希望。」
C 說：「好吧，我要到我的腦顱裏去一趟。我不知道。」
他拿起了那個平板，一束綠光照在了他的臉上，好像傳送了一些什麼。
Sunspring 的部分劇本
今年早些時候，由神經網絡編寫的一部音樂劇《Beyond the fence》也是一樣，講述的是20世紀80年代的反戰主義者。由於沒有演員，這些臺詞讀起來很乏味，像是一首奇怪的殭屍詩：
我的老婆很偉大
這次謀殺是一個奇蹟
這個洞更好有如飛翔
我應該來點 carbour 時光
我知道它一直在悲傷中流逝
科幻小說作家 Robin Sloan 對人工智能與人類在劇本寫作能力上的差距十分感興趣。他自己發起了一個神經網絡的輔助項目：一個基於現有神經網絡的人工智能寫作夥伴。它是一款文字處理軟件的插件，通過大量的科幻小說語料庫的訓練後，它能根據人類編劇寫的上一句自己寫出下一句。Sloan 正在嘗試用它來構建新劇裏的一個角色。
Sloan 說：「整體來看這個角色的劇本是可讀的，但當你進入這個角色時，感覺就會有點奇怪了。如果人們知道故事的這一部分是用這種奇怪的方式寫出來的話，那將十分有趣。」
純靠這個機器的話，它經常會寫出如噩夢般的感恩節菜譜一類奇怪的臺詞。所以後期還需要人類進行梳理，修改那些奇怪的地方，使情節合情合理。
家住舊金山灣區的 Sloan 是在與大學友人的一次交談後纔對神經網絡感興趣的。Sloan 說：「他對這項技術的潛力十分看好，深信它會是一項劃時代的技術。不僅僅是因爲它很酷炫，是新鮮事物，而且這會是一筆非常非常大的生意。」
起初，在科幻小說之前，Sloan 是用的莎士比亞的作品來訓練神經網絡的。訓練後就是不斷的做細微的調整。Sloan 說，系統自己根本不知道應該往哪裏使力，因爲它不知道什麼纔是「酷炫又有趣」的。所以Sloan 一直在不斷的調整優化系統，使它寫的劇本朝着怪異、有趣但仍連貫的方向發展。
這與谷歌、Facebook 的工程師在神經網絡的發展方向上形成了鮮明的對比，Sloan 就想要他的神經網絡獨豎一幟。Sloan 和神經網絡一起新劇中構建的角色仍能表達出他的思想，仍是一部完整的故事。這個神經網絡插件寫出的劇本有種獨特的韻味，使得其塑造角色的語言不那麼像人類。但它獨特的人性化寫作本應該如此。Sloan 首次公開寫到神經網絡的時候說：「這種有生氣的思維是一種強化方式、一種夥伴關係，一種對唱應答。」
我們並沒有否認使用神經網絡進行藝術創作的可能性。Sloan 提出了一個有意思的觀點：在這些案例中，藝術本身並不是我們使用這項技術的目的。
「有些人開始效仿我們。雖然他們的設計還行，但真正的產品卻很糟糕的。這些系統還並不完善，理所當然產品也不會太好。所以這還只是一種概念性藝術，甚至只是譁衆取寵的噱頭。」
深度學習確實很令人興奮。它把科幻電影裏的人工智能技術帶到了我們身邊，有了深度學習的計算機就有了類人般的智慧。大部分人都沒有注意到的是，深度學習讓產品變得更好、更快了。雖然它廣泛應用於社會各個領域，從監獄到報社，但不得不說深度學習仍很難理解，亦如 Kate Crawford 和 Meredith Whitaker 近期所寫一樣「很難被看見」。
藝術家們使用神經網絡揭開了這項技術的神祕面紗。雖然他們所用的神經網絡較谷歌、Facebook 的神經網絡相比只是一個精簡版，但他們仍發現了一個問題：只有深度學習系統單獨工作是不夠的。但就是這樣，他們學到了另一個經驗：一個人陷入循環時，往往會產出更美麗的東西。
推薦閱讀：
