讀天才與算法：人腦與AI的數(shù)學(xué)思維筆記11_算法如何思考.png

1. 創(chuàng)造力

1.1. 創(chuàng)建一種算法，其首要任務(wù)是放棄已知的所有藝術(shù)風(fēng)格，然后判斷由算法自己所產(chǎn)生的藝術(shù)品是否具有與所有藝術(shù)風(fēng)格都截然不同的特性，即真正獨(dú)樹一幟的藝術(shù)風(fēng)格

1.2. 抗性模型同樣適用于人類創(chuàng)造力代碼的引導(dǎo)

1.3. 神經(jīng)科學(xué)家的研究發(fā)現(xiàn)，就像在Google Brain上運(yùn)行的生成式對(duì)抗網(wǎng)絡(luò)算法一樣，人類大腦也有兩個(gè)相互競(jìng)爭(zhēng)的系統(tǒng)

1.3.1. 一個(gè)系統(tǒng)是表現(xiàn)欲（生成模型），產(chǎn)生制造東西的沖動(dòng)，是創(chuàng)造、表達(dá)的系統(tǒng)

1.3.2. 另一個(gè)系統(tǒng)是抑制劑（判別模型），是對(duì)我們的想法產(chǎn)生懷疑、質(zhì)疑和批評(píng)的系統(tǒng)

1.3.2.1. 在創(chuàng)造藝術(shù)行為伊始，有了最初的想法之后不久，就出現(xiàn)了最初的反向運(yùn)動(dòng)，即接受性的最初運(yùn)動(dòng)

1.3.2.1.1. 德國(guó)藝術(shù)家保羅·克利

1.3.3. 我們需要非常謹(jǐn)慎、仔細(xì)地平衡兩者，這樣才能有新的產(chǎn)出或是決定

1.4. 從過(guò)往的藝術(shù)家和他們的作品中學(xué)習(xí)，并利用所學(xué)到的知識(shí)，從模仿到推陳出新開創(chuàng)屬于自己的藝術(shù)風(fēng)格，創(chuàng)作出屬于自己的藝術(shù)作品

1.5. 對(duì)于藝術(shù)的理解，我們只能求助于人類的共同經(jīng)驗(yàn)，畢竟在欣賞“新藝術(shù)”時(shí)，大多數(shù)觀眾看待它、理解它所依靠的知識(shí)體系和參照標(biāo)準(zhǔn)是觀眾自身的經(jīng)歷

1.6. 創(chuàng)造一個(gè)脫胎于現(xiàn)狀但又有別于現(xiàn)狀的未來(lái)

1.6.1. 這是一個(gè)進(jìn)化模型，有趣的是，這正是算法所采用的

1.6.2. 機(jī)器學(xué)習(xí)基本上是數(shù)字進(jìn)化的一種形式

1.7. 即使我們承認(rèn)這是一門藝術(shù)，但作為人類，我們?nèi)匀粚?duì)其束手無(wú)策，無(wú)法探索

1.7.1. 計(jì)算機(jī)代碼具有揭示人類代碼創(chuàng)造的藝術(shù)中未開發(fā)潛力的能力

1.7.2. 你可能會(huì)覺(jué)得算法這種方法是可怕的操縱：把藝術(shù)變成一幅數(shù)字格式的畫作，只為了找到能激發(fā)最大快樂(lè)價(jià)值的點(diǎn)

2. 維基藝術(shù)

2.1. WikiArt

2.1.1. 擁有1119位藝術(shù)家的81 449幅畫作，在時(shí)間跨度上跨越了1500年，這可能是世界上最大的數(shù)字化圖像數(shù)據(jù)庫(kù)

2.2. 要尋找的不是個(gè)人品位，而是與眾不同的特征

2.3. 用來(lái)區(qū)分藝術(shù)家，只測(cè)量?jī)蓚€(gè)維度的特征是遠(yuǎn)遠(yuǎn)不夠的，所以我們需要找到足夠多的、可測(cè)量的、獨(dú)有的特征

2.4. 每一個(gè)新特征都有助于更好地標(biāo)記藝術(shù)家和他們的風(fēng)格，增加定位藝術(shù)家和他們風(fēng)格的空間維度

2.5. 人類藝術(shù)家只需要做一點(diǎn)小小的研究就能明確區(qū)分他們的畫作

2.6. 19世紀(jì)末至20世紀(jì)初，莫奈和畢沙羅在法國(guó)非常活躍，并且都在巴黎Académie Suisse藝術(shù)學(xué)院進(jìn)修，正是在那里，他們成為一對(duì)好朋友，經(jīng)常會(huì)向?qū)Ψ椒窒碜约涸谒囆g(shù)創(chuàng)作上獲得的經(jīng)驗(yàn)

2.6.1. 他們的藝術(shù)作品有幾分相似，就不足為奇了

2.6.2. 很難分辨出莫奈和畢沙羅等19世紀(jì)末和20世紀(jì)初印象派畫家畫作之間的區(qū)別

2.7. 一部分藝術(shù)家不斷地挑戰(zhàn)現(xiàn)有的藝術(shù)邊界做出一些突破，而另一部分藝術(shù)家則創(chuàng)造出了全新的藝術(shù)風(fēng)格

2.8. 算法已經(jīng)在多維度狀態(tài)下分析、定位了所有的繪畫，并把它們?cè)诟呔S圖表中繪制成點(diǎn)

3. 1916年《亞威農(nóng)的少女》

3.1. 畢加索

3.2. 在巴黎首展時(shí)，正如你所預(yù)料的那樣，這幅將帶來(lái)審美史上重大變革的偉大畫作，人們最初對(duì)它的態(tài)度是非常不友好的

3.3. 與同時(shí)代其他人的作品相比，算法在高維圖表中發(fā)現(xiàn)了這幅畫作的位置發(fā)生了巨大的偏差，因此將其高度評(píng)價(jià)為與以往任何畫作有明顯不同的畫作

4. 丹尼爾·伯萊因

4.1. Daniel Ellis Berlyne

4.2. 理論認(rèn)為對(duì)喚醒的偏好水平是由個(gè)體決定的，而偏好水平又是影響個(gè)體行為的一個(gè)重要因素

4.3. 個(gè)體樂(lè)于接受中等水平的刺激，它會(huì)產(chǎn)生最佳喚醒水平

4.4. 過(guò)低或過(guò)高的刺激水平都不為個(gè)體所喜好

4.4.1. 每個(gè)個(gè)體都有不同的最佳喚醒水平，低于最佳喚醒水平時(shí)，個(gè)體將尋求刺激，而高于最佳喚醒水平時(shí)，個(gè)體將選擇逃避刺激

5. 馮特曲線

5.1. 威廉·馮特

5.1.1. 1832.8.16—1920.8.31

5.1.2. 德國(guó)生理學(xué)家、心理學(xué)家、哲學(xué)家，實(shí)驗(yàn)心理學(xué)之父

5.2. 喚醒藝術(shù)家（最終是觀眾）美感體驗(yàn)的因素是個(gè)體化的、獨(dú)特的

5.3. 藝術(shù)家追求的是最大的美感體驗(yàn)價(jià)值，但矛盾點(diǎn)在于喚醒的刺激水平一定不可以過(guò)高，過(guò)高將使我們陷入馮特曲線的下降階段

6. 創(chuàng)意生成對(duì)抗網(wǎng)絡(luò)

6.1. creative adversarial networks

6.1.1. CANs

6.2. 埃爾加馬爾和他的團(tuán)隊(duì)為算法的生成模型編寫了程序，以便算法創(chuàng)造出更接近于馮特曲線峰值的作品

6.3. 在盡量不偏離藝術(shù)界公認(rèn)的藝術(shù)品概念基礎(chǔ)上使算法生成的作品最大限度地與現(xiàn)有藝術(shù)風(fēng)格擴(kuò)大差異

6.4. 每一次判別信息都會(huì)改進(jìn)生成模型的參數(shù)，這就是機(jī)器學(xué)習(xí)的巧妙所在

6.4.1. 算法會(huì)隨著越來(lái)越多的數(shù)據(jù)而自我改進(jìn)，從反饋中學(xué)習(xí)

6.5. 人們希望生成模型能在判別模型不斷地信息反饋中和自身不斷地改進(jìn)中，創(chuàng)造出落在馮特曲線峰值區(qū)的作品來(lái)

6.6. 由算法創(chuàng)造的藝術(shù)作品更具原創(chuàng)性、啟發(fā)性，畫面質(zhì)量更加精良

7. 生成式對(duì)抗網(wǎng)絡(luò)

7.1. GANs

7.1.1. 古德費(fèi)羅提出

7.2. 這個(gè)創(chuàng)作團(tuán)隊(duì)采用了14世紀(jì)以來(lái)的超過(guò)15 000幅肖像畫對(duì)他們的算法進(jìn)行了訓(xùn)練（機(jī)器學(xué)習(xí)），機(jī)器根據(jù)訓(xùn)練指令創(chuàng)造出若干新作品，直到新作品成功通過(guò)判別模型做出的判斷

7.3. 從藝術(shù)風(fēng)格上講，這幅非?，F(xiàn)代的肖像畫結(jié)合了18世紀(jì)的風(fēng)格，又與英國(guó)藝術(shù)家格倫·布朗的風(fēng)格相似，所以讓人很難確定它的年代

8. 算法如何思考

8.1. 藝術(shù)可以做很多事，但對(duì)我來(lái)說(shuō)藝術(shù)最好的地方在于，它給我提供了一個(gè)了解他人內(nèi)心世界、思維方式的途徑

8.2. 人工智能藝術(shù)的真正潛力所在，因?yàn)樗锌赡軒椭祟惱斫怆[藏在計(jì)算機(jī)底層代碼中的本質(zhì)

8.3. 谷歌的一個(gè)團(tuán)隊(duì)一直嘗試通過(guò)人工智能創(chuàng)造的藝術(shù)來(lái)更好地理解他們所創(chuàng)造的算法在視覺(jué)識(shí)別中的思維過(guò)程

8.3.1. 已經(jīng)開發(fā)出來(lái)的用來(lái)區(qū)分貓和香蕉圖像的算法識(shí)別圖像依賴于算法關(guān)于圖像的層級(jí)發(fā)問(wèn)

8.3.2. 隨著機(jī)器學(xué)習(xí)的演化，程序員越來(lái)越難以追蹤算法用哪些特征來(lái)識(shí)別到底是貓還是香蕉

8.3.3. 如果只是查看原始代碼，很難對(duì)算法的工作原理進(jìn)行逆向工程

8.3.4. 算法可以針對(duì)圖像提出數(shù)百萬(wàn)個(gè)不同的問(wèn)題，我們很難看出算法為何選取這些問(wèn)題，也很難明白問(wèn)題之間的優(yōu)先關(guān)系是怎樣安排的

8.4. 反向算法為“深夢(mèng)”（DeepDream）

8.5. 越來(lái)越多的算法不僅僅用于游戲中，它們做出的決策影響著我們的生活，因此，在我們邁向一個(gè)自動(dòng)化日益盛行的未來(lái)之際，任何能幫助我們理解算法的決策過(guò)程、決策策略以及價(jià)值判斷的工具都是至關(guān)重要的

8.6. 算法將從人類的手中接手越來(lái)越多的決策，但問(wèn)題在于，算法的機(jī)器學(xué)習(xí)導(dǎo)致了決策樹的出現(xiàn)，而決策樹對(duì)于人類來(lái)講太復(fù)雜，我們很難對(duì)它進(jìn)行分解

8.6.1. 最終我們并不確定為什么算法會(huì)做出這樣或那樣的決定

8.6.2. 這也是這種新型編程的局限之一

8.7. 有時(shí)算法檢測(cè)和選擇的特征是我們能夠識(shí)別出的，但有時(shí)我們似乎很難說(shuō)出算法在圖像識(shí)別中到底選擇并檢測(cè)了哪些特征

8.7.1. 我們可能正在逐步深入了解算法的深層潛意識(shí)，谷歌的程序員稱這個(gè)過(guò)程為“開始主義”（inceptionism）

8.8. 算法所生成的圖像對(duì)他們來(lái)說(shuō)有一種瘋狂的迷幻感，就好像算法施了魔法一樣

8.9. 通過(guò)在算法的輸出上反復(fù)應(yīng)用算法并在每次迭代后生成新作品，程序員可以產(chǎn)生無(wú)窮無(wú)盡的新感觀

9. 深夢(mèng)

9.1. 反向算法

9.1.1. DeepDream

9.1.2. 將算法的工作程序顛倒過(guò)來(lái)

9.2. 出示一個(gè)隨機(jī)的像素化圖像給這個(gè)算法，并要求它增加或增強(qiáng)識(shí)別一些特征，而這些特征是算法認(rèn)為會(huì)觸發(fā)識(shí)別可識(shí)別特征的特征

9.3. “深夢(mèng)”所創(chuàng)造的圖像可能是我所見(jiàn)過(guò)的最有意義的人工智能藝術(shù)形式

9.4. 這些圖像讓我們看到了視覺(jué)識(shí)別算法是如何看待世界的，而不是試圖去再創(chuàng)作一幅“倫勃朗的作品”

9.5. 試著用另一種眼光去理解世界，用一種不同的方式去看世界

9.6. "深夢(mèng)”算法通過(guò)數(shù)千幅圖像的訓(xùn)練，已經(jīng)在壓縮版的進(jìn)化中學(xué)會(huì)了如何正確地發(fā)現(xiàn)、識(shí)別圖像這一模式

9.7. 它的“命”依賴于能否正確地識(shí)別圖像

9.7.1. 人類的大腦已經(jīng)進(jìn)化到對(duì)動(dòng)物圖像極其敏感，因?yàn)檫@是生存的關(guān)鍵

9.8. “深夢(mèng)”算法像人一樣無(wú)中生有地“看到”了海星和螞蟻

9.8.1. 似乎這個(gè)算法不僅有識(shí)別圖像的能力，還有生成圖像的能力

9.8.2. 正因?yàn)樗惴ú欢梭w解剖學(xué)，所以它不明白啞鈴不是人體的延伸，它們可以獨(dú)立存在

9.9. “深夢(mèng)”所做的仍然是讓我們理解算法內(nèi)部運(yùn)作狀態(tài)的一種重要的新方法

10. 算法就是一門藝術(shù)

10.1. 《信仰之袋》

10.1.1. bag of beliefs，BOB

10.1.2. 一種用代碼創(chuàng)造的人工生命形態(tài)，采用了嵌合分支蛇的結(jié)構(gòu)形式

10.1.3. 它能成功地比人們所預(yù)期的更長(zhǎng)久地吸引人們的注意力

10.1.4. 它是在與參觀者互動(dòng)的基礎(chǔ)上學(xué)習(xí)和發(fā)展的

10.2. 創(chuàng)建一個(gè)系統(tǒng)，并允許其交互的內(nèi)容在沒(méi)有限制條件的基礎(chǔ)上發(fā)展和變異

10.3. 我們?nèi)祟悤?huì)給自己無(wú)法理解的事物指定一個(gè)替代物來(lái)對(duì)它做出反應(yīng)

10.3.1. 當(dāng)我們還不理解地震或火山爆發(fā)的原因時(shí)，我們創(chuàng)造了神，來(lái)為這些難以捉摸的力量負(fù)責(zé)

10.4. 正是這種令人費(fèi)解的算法能力，給了由算法導(dǎo)致末日的影視作品和小說(shuō)以素材和想法

10.5. 使用人工智能則打破了這種規(guī)則，它不需要循環(huán)地使用原素材

10.5.1. 這種藝術(shù)作品不斷演進(jìn)、永不重復(fù)的開放性，是藝術(shù)界的新事物

10.6. 混沌帶來(lái)了不可預(yù)測(cè)性，利用混沌的代碼可以滿足“創(chuàng)造性”所要求的新奇和驚喜

10.6.1. 雖然混沌是確定性的，但如果我們想要打破從編碼者到創(chuàng)造者之間的壁壘，它可能仍然是我們所能期望的最好途徑

10.7. 盡管瓊斯認(rèn)定機(jī)器沒(méi)有靈魂，但隨著進(jìn)入未來(lái)，我們將越來(lái)越需要利用畫廊這種地方作為橋頭堡，便于我們第一時(shí)間知悉第一個(gè)人工智能的靈魂何時(shí)出現(xiàn)

10.7.1. 對(duì)于人工智能的靈魂來(lái)說(shuō)，藝術(shù)是最好的早期預(yù)警系統(tǒng)之一

10.8. 當(dāng)今，許多算法的應(yīng)用是隱藏不可見(jiàn)的，我們?cè)诓恢榈那闆r下被算法影響和操縱著

10.8.1. 使用藝術(shù)將算法可視化，可以幫助我們更有意識(shí)地主動(dòng)解釋和指導(dǎo)這些算法

10.8.2. 視覺(jué)藝術(shù)家是人群和代碼之間強(qiáng)有力的媒介，畫廊展出的人工智能作品就是藝術(shù)

10.9. 藝術(shù)家是化無(wú)形為有形的專家

10.9.1. 漢斯·烏爾里希