當(dāng)AI有了想象力：可以指馬為斑馬 變冬天為夏天
來(lái)源：骨軟筋酥網(wǎng)
時(shí)間：2025-11-25 04:17:54
導(dǎo)讀：《黑客帝國(guó)》里，當(dāng)A冬天機(jī)器的想象發(fā)展達(dá)到了一種可以創(chuàng)造整個(gè)世界的程度，弱人工智能和強(qiáng)人工智能的指馬武漢外圍電話（電話微信181-8279-1445）武漢外圍外圍上門(mén)外圍女真實(shí)可靠快速安排界限并不特別清晰，也許有一天，為斑為夏在達(dá)到弱人工智能之后，馬變蹭一下地就到了強(qiáng)人工智能。當(dāng)A冬天
說(shuō)起“教授”計(jì)算機(jī)如何完成人類(lèi)工作，想象生成式對(duì)抗系統(tǒng)（GAN）是指馬現(xiàn)有最有效的手段之一。雖然人們一直被告知“競(jìng)爭(zhēng)可以激發(fā)出更好的為斑為夏表現(xiàn)”，但是馬變只有在有了生成式對(duì)抗系統(tǒng)之后這一“從競(jìng)爭(zhēng)中學(xué)習(xí)”的邏輯才被發(fā)展到了造福產(chǎn)業(yè)生產(chǎn)的高度。
具體來(lái)說(shuō)，當(dāng)A冬天生成式對(duì)抗系統(tǒng)是想象由不同的AI實(shí)體彼此競(jìng)爭(zhēng)，以達(dá)到更好地解決自己任務(wù)的指馬目的。想象一下，為斑為夏如果有一個(gè)惡意軟件程序和一個(gè)安保機(jī)器人程序同時(shí)對(duì)抗，馬變彼此都毫不放松的想要在對(duì)方的制約下更好的完成自己的職責(zé)。那么在這個(gè)過(guò)程中，他們雙方都可以將自己的任務(wù)（入侵VS保護(hù)）完成的越來(lái)越好。
生成式對(duì)抗系統(tǒng)最初是由蒙特利爾大學(xué)的 Ian Goodfellow 首先創(chuàng)造出來(lái)。而最近，它已經(jīng)向人們顯示出了“無(wú)監(jiān)督學(xué)習(xí)”的強(qiáng)大威力。
那么究竟生成式對(duì)抗系統(tǒng)是武漢外圍電話（電話微信181-8279-1445）武漢外圍外圍上門(mén)外圍女真實(shí)可靠快速安排如何工作的呢？
每個(gè)生成式對(duì)抗系統(tǒng)都有兩個(gè)相互競(jìng)爭(zhēng)的神經(jīng)網(wǎng)絡(luò)。其中一個(gè)將噪音錄入并且生成樣本（生成器）。而另一網(wǎng)絡(luò)則能夠分辨正常的實(shí)驗(yàn)數(shù)據(jù)和從生成器獲得的樣本（分辨器）。這兩個(gè)網(wǎng)絡(luò)在進(jìn)行一個(gè)持續(xù)的游戲，生成器會(huì)一直學(xué)習(xí)如何能夠成功欺騙分辨器，而分辨器則能逐步增強(qiáng)自己分辨兩種數(shù)據(jù)的能力。這兩個(gè)系統(tǒng)同時(shí)接受長(zhǎng)期的訓(xùn)練，終于在百萬(wàn)次的“對(duì)抗”之后，生成器生成的樣本已經(jīng)和真實(shí)的數(shù)據(jù)幾乎沒(méi)有差異。
簡(jiǎn)單來(lái)說(shuō)，生成器就是一個(gè)造假者不斷想要制造虛假的資料，而分辨器則是警察，其職責(zé)就是將虛假的資料分辨出來(lái)。因?yàn)檎麄€(gè)過(guò)程都是被現(xiàn)有計(jì)算機(jī)器自動(dòng)化執(zhí)行的，生成式對(duì)抗系統(tǒng)已經(jīng)可以實(shí)現(xiàn)許多令人驚嘆的任務(wù)。而以下就是至今為止生成式對(duì)抗系統(tǒng)最為驚艷世界的應(yīng)用。
1. 當(dāng)機(jī)器有了想象力
谷歌的Deep Dream可以制造出有著幻覺(jué)效果的圖像
Google Brain的研究者已經(jīng)找到了可以從視覺(jué)上展現(xiàn)他們的精神網(wǎng)絡(luò)，Google Net，如何看待事物本質(zhì)的方法。而通過(guò)這種方法，生成式對(duì)抗系統(tǒng)制造出了可以被稱(chēng)為有著迷幻效果圖像。
其實(shí)，這些如夢(mèng)似幻的圖片，是一個(gè)給圖片分類(lèi)的功能刻意過(guò)度處理圖像時(shí)產(chǎn)生的副產(chǎn)品。而在這個(gè)過(guò)程中涉及到的主要系統(tǒng)就是Deep Dream。
Deep Dream究竟是如何工作的呢？你首先要給他一個(gè)圖像，然后他會(huì)主動(dòng)去尋找他在之前訓(xùn)練中學(xué)會(huì)的認(rèn)識(shí)的一切。神經(jīng)網(wǎng)絡(luò)可能會(huì)發(fā)現(xiàn)一些類(lèi)似于一只狗，一個(gè)房子這一類(lèi)的意象。而Google Deep Dream就可能強(qiáng)化這些被認(rèn)出來(lái)的事物。
打個(gè)比方，如果現(xiàn)有的認(rèn)知網(wǎng)絡(luò)在你輸入一個(gè)圖像時(shí)會(huì)認(rèn)為“看，這個(gè)圖像有40%的可能是一只狗”，那么，下一次，它會(huì)在自動(dòng)完善后說(shuō)：“看，這有60%的可能性是一只狗。”這個(gè)過(guò)程會(huì)一直持續(xù)到被輸入的圖片可以被轉(zhuǎn)化成在神經(jīng)系統(tǒng)看來(lái)完全就是一只狗或者其他事物為止。并且，在這樣不斷轉(zhuǎn)化被分類(lèi)的圖像的過(guò)程中，系統(tǒng)創(chuàng)造了看起來(lái)超脫塵世的迷幻圖像。
Google的Deep Dream以這樣的方式逆轉(zhuǎn)了我們傳統(tǒng)認(rèn)識(shí)中，輸入一個(gè)圖形就會(huì)生成一個(gè)對(duì)應(yīng)輸出結(jié)果的固定思維。如今，每個(gè)輸入的圖像都會(huì)被認(rèn)知系統(tǒng)不斷改進(jìn)，直到它可以完全的理解并進(jìn)行最佳分類(lèi)。
2.讓機(jī)器模仿人類(lèi)
通過(guò)生成式對(duì)抗系統(tǒng)模仿學(xué)習(xí)的過(guò)程
一群AI研究人員希望能夠用不同的方式去建構(gòu)能自學(xué)的人工智能，而不是沿用傳統(tǒng)的建立在獎(jiǎng)勵(lì)機(jī)制上的方法。
他們給了人工智能一套真實(shí)的展示數(shù)據(jù)作為輸入指令，而根據(jù)這套數(shù)據(jù)，人工智能就可以學(xué)習(xí)并且嘗試模仿同樣的動(dòng)作。
在這個(gè)模型中，Jonathan Ho和Stefano Ermon展示了一種全新的模仿學(xué)習(xí)的方法。在標(biāo)準(zhǔn)的強(qiáng)化學(xué)習(xí)系統(tǒng)中，人們總是要設(shè)計(jì)一個(gè)獎(jiǎng)勵(lì)功能來(lái)向人工智能描述他們應(yīng)該做出怎樣的行為。然而，在實(shí)際操作中，這會(huì)需要昂貴的“實(shí)驗(yàn)-糾錯(cuò)“的過(guò)程來(lái)將保證細(xì)節(jié)的正確。但是，在模仿學(xué)習(xí)的設(shè)定下，人工智能可以直接向樣本的展示如何去學(xué)習(xí)，從而完全消除了去設(shè)計(jì)一個(gè)獎(jiǎng)勵(lì)功能的需要。
3.指馬為斑馬，變冬為夏
圖像到圖像的生成
通過(guò)已有的圖像來(lái)生成新的圖像是生成系統(tǒng)的一個(gè)非常有趣的應(yīng)用。在試驗(yàn)中，研究者們已經(jīng)可以改變視頻中的動(dòng)物，或者圖片中的季節(jié)。
這一任務(wù)的目標(biāo)是學(xué)習(xí)如何通過(guò)一整套圖像對(duì)（image pair）去充分認(rèn)識(shí)輸入與輸出的圖像的聯(lián)系與區(qū)別。然而，在多數(shù)情況中，成對(duì)的訓(xùn)練數(shù)據(jù)并不好找。而解決這一問(wèn)題的方法就是使用兩個(gè)完全相對(duì)的映像，一方的輸出圖像被設(shè)定成正好是對(duì)方的輸入圖像。以這樣的方法，人們得以用非常少量的數(shù)據(jù)讓人工智能認(rèn)識(shí)到兩個(gè)圖像的真實(shí)聯(lián)系（無(wú)監(jiān)督學(xué)習(xí)）。
4. 將簡(jiǎn)略素描變成豐滿畫(huà)作
通過(guò)輪廓生成圖像
逼真的圖像處理是一項(xiàng)艱巨的任務(wù)，因?yàn)樗枰斯ぶ悄芡ㄟ^(guò)一個(gè)被用戶設(shè)定的角度去豐富圖像的表現(xiàn)，但同時(shí)他也要能夠確保最終輸出的逼真效果。這著實(shí)需要相當(dāng)高超的技巧。而一個(gè)藝術(shù)家可能需要數(shù)年的持續(xù)訓(xùn)練才可以達(dá)到這樣的程度。
研究此項(xiàng)技術(shù)的人工智能研究人員之前一直是如何做的呢？他們創(chuàng)造了一個(gè)模型。當(dāng)人們給這個(gè)模型一個(gè)物體的輪廓時(shí)，他可以成功認(rèn)出這個(gè)物體，然后基于輪廓生成一個(gè)逼真的實(shí)際圖像。
然而，在近期的一篇論文中，一位作者提議使用Generative Adversarial Neural Network（生成式對(duì)立神經(jīng)網(wǎng)絡(luò)）來(lái)使人工智能可以直接通過(guò)自然圖像背后的數(shù)據(jù)進(jìn)行學(xué)習(xí)。這樣的模型自動(dòng)調(diào)節(jié)了輸出圖像的編輯，使其盡可能逼真。同時(shí)，這樣的處理可在約束優(yōu)化的條件下實(shí)現(xiàn)近乎于實(shí)時(shí)的執(zhí)行。這項(xiàng)技術(shù)如果可以進(jìn)一步發(fā)展，那我們可以期待，未來(lái)，人工智能可以將人們的草稿變成新的圖形，又或者是將一幅固定圖像改變地與目標(biāo)圖像無(wú)限接近。
5. 看字畫(huà)圖
從字到圖的自動(dòng)合成
根據(jù)文本自動(dòng)合成逼真圖片的技術(shù)令人向往。最近，深度卷積生成式對(duì)抗網(wǎng)絡(luò)已經(jīng)可以識(shí)別某些特定種類(lèi)的文章然后生成非常引人注目的圖片，例如面龐，唱片封面和房間內(nèi)部裝飾。
這個(gè)模型被同時(shí)包含文本和他們相應(yīng)圖片的樣本數(shù)據(jù)喂養(yǎng)著。當(dāng)人們提供了任何一個(gè)事物的描述時(shí)，這個(gè)模型就會(huì)開(kāi)始自動(dòng)生成對(duì)應(yīng)的圖像。
在這一技術(shù)中，從文本到圖像的合成其實(shí)基于兩個(gè)步驟：首先，人工智能需要學(xué)習(xí)并識(shí)別文本中展現(xiàn)出重要視覺(jué)細(xì)節(jié)的部分，然后，通過(guò)這些特定的特點(diǎn)來(lái)合成一個(gè)足以欺騙人類(lèi)的逼真圖像。
6. 讓電腦因?yàn)楹闷娑鴮W(xué)習(xí)
好奇會(huì)是深層神經(jīng)網(wǎng)絡(luò)持續(xù)探索的真實(shí)動(dòng)因
在現(xiàn)實(shí)社會(huì)中，人工主體可以收到的外部獎(jiǎng)勵(lì)基本不存在。而一個(gè)被動(dòng)的程序是無(wú)法主動(dòng)進(jìn)化并學(xué)習(xí)的。因此，好奇心能夠作為一個(gè)內(nèi)在獎(jiǎng)勵(lì)的信號(hào)幫助人工主體去探索他的周?chē)h(huán)境并且學(xué)習(xí)之后對(duì)其有用的技能——積極的學(xué)習(xí)者一定比那些被動(dòng)懶惰的人表現(xiàn)得好得多。
在這樣一個(gè)模型里，好奇心其實(shí)是每當(dāng)AI預(yù)測(cè)到自己的未來(lái)行動(dòng)時(shí)就會(huì)發(fā)出錯(cuò)誤預(yù)警。
這樣的機(jī)器人程序也可以同時(shí)通過(guò)程序員建造的獎(jiǎng)勵(lì)系統(tǒng)來(lái)幫助他學(xué)習(xí)。
如果我們將人工主體想象成一個(gè)幼兒。一個(gè)沒(méi)有父母監(jiān)督的孩子非常可能會(huì)忍不住去觸碰發(fā)燙的鍋，隨即領(lǐng)悟到這個(gè)東西這么燙讓我這么疼，所以之后我一定不能夠再碰了。好奇心驅(qū)使他去探索，而獎(jiǎng)勵(lì)機(jī)制可以告訴他這件事情是好是壞。
這樣一個(gè)“好奇心”驅(qū)動(dòng)的學(xué)習(xí)是基于以下幾點(diǎn)判斷建造的：
1）極少的外部獎(jiǎng)勵(lì)會(huì)使得好奇心與外界環(huán)境接觸并達(dá)成目標(biāo)的欲望極具減弱
2）比起沒(méi)有外部獎(jiǎng)勵(lì)的探索，好奇心驅(qū)動(dòng)的人工主體可以在學(xué)習(xí)時(shí)更加有效率
3）對(duì)于未知情景進(jìn)行概括，可以使人工主體將它們之前有過(guò)的經(jīng)歷和知識(shí)轉(zhuǎn)化為面對(duì)新環(huán)境的智慧，而不是兩眼一抹黑地從頭開(kāi)始學(xué)習(xí)
這一方法也可以在以下兩個(gè)游戲環(huán)境中來(lái)檢驗(yàn)：VizDoom和超級(jí)瑪麗兄弟。
7. AI設(shè)計(jì)游戲
使用生成式對(duì)抗系統(tǒng)來(lái)設(shè)計(jì)游戲的用戶界面
想想如果我們可以生成令人信服的視頻游戲的圖像界面，那么我們就可以復(fù)制粘貼這些界面的一些元素然后為我所用。
這一技術(shù)的目標(biāo)是生成一組風(fēng)格統(tǒng)一的游戲圖像。為了達(dá)到這個(gè)目的，這個(gè)程序需要集結(jié)不同游戲的一系列圖像。然后， 通過(guò)已有圖像的各個(gè)部分來(lái)生成新的獨(dú)特的圖形，作為新游戲的背景界面。
8. 預(yù)測(cè)視頻中下一步會(huì)發(fā)生什么
基于場(chǎng)景動(dòng)態(tài)特性生成視頻
理解物體的運(yùn)動(dòng)趨勢(shì)和場(chǎng)景動(dòng)態(tài)特性是計(jì)算機(jī)視覺(jué)的核心問(wèn)題。為了實(shí)現(xiàn)視頻識(shí)別和視頻生成，我們需要一個(gè)場(chǎng)景轉(zhuǎn)換的模型。然而，制造這樣一個(gè)動(dòng)態(tài)模型太有挑戰(zhàn)性，畢竟物體和場(chǎng)景都有無(wú)數(shù)種改變的方向。
而這樣看似不可能的任務(wù)被一個(gè)分割了前景和背景的模型實(shí)現(xiàn)了。這個(gè)模型強(qiáng)調(diào)了背景的固定性，從而將神經(jīng)網(wǎng)絡(luò)的大部分精力集中在了學(xué)習(xí)前景物體的移動(dòng)方向上。同時(shí)，這些場(chǎng)景也被分門(mén)別類(lèi)地分割開(kāi)來(lái)，使得人工主體對(duì)于前景物體移動(dòng)方向的預(yù)測(cè)更為準(zhǔn)確。
9. 生成逼真的人工臉
神經(jīng)識(shí)別人聯(lián)系統(tǒng)
“Neural Faces”是一種可以生成人工（而不是真實(shí)的）人臉的一款人工智能技術(shù)。他的基礎(chǔ)就是由Facebook 的AI團(tuán)隊(duì)開(kāi)發(fā)的深度卷積生成式對(duì)抗網(wǎng)絡(luò)。
這個(gè)AI團(tuán)隊(duì)，使用包含了100個(gè)0到1之間的實(shí)數(shù)的Z向矢量來(lái)生成一幅圖像。之后，這個(gè)生成器就可以逐步學(xué)習(xí)人類(lèi)圖像的分布。它可以逐步學(xué)會(huì)如何生成可以蒙混分辨器的新臉，而分辨器也同時(shí)在分辨生成臉和真實(shí)人臉上越來(lái)越熟練。
10. 改變照片中的面部表情和特征
使用生成式對(duì)抗網(wǎng)絡(luò)的向量運(yùn)算
在一次實(shí)驗(yàn)中，研究人員通過(guò)一系列的樣本圖像就已經(jīng)可以成功生成人臉的各種表情。比如說(shuō)，他可以把一張沒(méi)有笑的臉變成微笑的，在臉上添加裝飾品，或者強(qiáng)調(diào)面部的一些特征。
這一功能的基礎(chǔ)方法，是將圖像的每一列以 X 向矢量代表，然后通過(guò) X 的平均數(shù)來(lái)生成 Y 向矢量的中位數(shù)。之后，在 Y 向矢量上進(jìn)行例如添加和減少的算術(shù)運(yùn)算，從而形成一個(gè)新的 Z 向矢量，即新圖像。將 Z 向矢量輸入生成器從而生成上面最右邊的結(jié)果圖。
我們可以自信的進(jìn)行其他的屬性操作，例如放大縮小，轉(zhuǎn)換方向等等。為了達(dá)到這樣的目的，我們需要將看向左邊和右邊的人臉的圖像樣本平均為一個(gè)人臉的左右向矢量。然后，通過(guò)加入對(duì)應(yīng)著圖像矢量的軸的“插值“，我們就可以成功地對(duì)這些人臉進(jìn)行這些更高級(jí)的改變了。
結(jié)論
我們現(xiàn)在還處于生成式對(duì)抗網(wǎng)絡(luò)發(fā)展的初期。以上的這些例子，雖然現(xiàn)在看起來(lái)已經(jīng)頗為令人鼓舞，但是這仍然非常基本。對(duì)于我們工程師來(lái)說(shuō)，它給予了我們一個(gè)訓(xùn)練 Neural Nets 來(lái)完成任何復(fù)雜的人類(lèi)任務(wù)的光明路徑。它也同時(shí)可以證明創(chuàng)造力已經(jīng)不是一個(gè)只有人類(lèi)才有的特征了。
說(shuō)起“教授”計(jì)算機(jī)如何完成人類(lèi)工作，想象生成式對(duì)抗系統(tǒng)（GAN）是指馬現(xiàn)有最有效的手段之一。雖然人們一直被告知“競(jìng)爭(zhēng)可以激發(fā)出更好的為斑為夏表現(xiàn)”，但是馬變只有在有了生成式對(duì)抗系統(tǒng)之后這一“從競(jìng)爭(zhēng)中學(xué)習(xí)”的邏輯才被發(fā)展到了造福產(chǎn)業(yè)生產(chǎn)的高度。
具體來(lái)說(shuō)，當(dāng)A冬天生成式對(duì)抗系統(tǒng)是想象由不同的AI實(shí)體彼此競(jìng)爭(zhēng)，以達(dá)到更好地解決自己任務(wù)的指馬目的。想象一下，為斑為夏如果有一個(gè)惡意軟件程序和一個(gè)安保機(jī)器人程序同時(shí)對(duì)抗，馬變彼此都毫不放松的想要在對(duì)方的制約下更好的完成自己的職責(zé)。那么在這個(gè)過(guò)程中，他們雙方都可以將自己的任務(wù)（入侵VS保護(hù)）完成的越來(lái)越好。
生成式對(duì)抗系統(tǒng)最初是由蒙特利爾大學(xué)的 Ian Goodfellow 首先創(chuàng)造出來(lái)。而最近，它已經(jīng)向人們顯示出了“無(wú)監(jiān)督學(xué)習(xí)”的強(qiáng)大威力。
那么究竟生成式對(duì)抗系統(tǒng)是武漢外圍電話（電話微信181-8279-1445）武漢外圍外圍上門(mén)外圍女真實(shí)可靠快速安排如何工作的呢？
每個(gè)生成式對(duì)抗系統(tǒng)都有兩個(gè)相互競(jìng)爭(zhēng)的神經(jīng)網(wǎng)絡(luò)。其中一個(gè)將噪音錄入并且生成樣本（生成器）。而另一網(wǎng)絡(luò)則能夠分辨正常的實(shí)驗(yàn)數(shù)據(jù)和從生成器獲得的樣本（分辨器）。這兩個(gè)網(wǎng)絡(luò)在進(jìn)行一個(gè)持續(xù)的游戲，生成器會(huì)一直學(xué)習(xí)如何能夠成功欺騙分辨器，而分辨器則能逐步增強(qiáng)自己分辨兩種數(shù)據(jù)的能力。這兩個(gè)系統(tǒng)同時(shí)接受長(zhǎng)期的訓(xùn)練，終于在百萬(wàn)次的“對(duì)抗”之后，生成器生成的樣本已經(jīng)和真實(shí)的數(shù)據(jù)幾乎沒(méi)有差異。
簡(jiǎn)單來(lái)說(shuō)，生成器就是一個(gè)造假者不斷想要制造虛假的資料，而分辨器則是警察，其職責(zé)就是將虛假的資料分辨出來(lái)。因?yàn)檎麄€(gè)過(guò)程都是被現(xiàn)有計(jì)算機(jī)器自動(dòng)化執(zhí)行的，生成式對(duì)抗系統(tǒng)已經(jīng)可以實(shí)現(xiàn)許多令人驚嘆的任務(wù)。而以下就是至今為止生成式對(duì)抗系統(tǒng)最為驚艷世界的應(yīng)用。
1. 當(dāng)機(jī)器有了想象力
谷歌的Deep Dream可以制造出有著幻覺(jué)效果的圖像
Google Brain的研究者已經(jīng)找到了可以從視覺(jué)上展現(xiàn)他們的精神網(wǎng)絡(luò)，Google Net，如何看待事物本質(zhì)的方法。而通過(guò)這種方法，生成式對(duì)抗系統(tǒng)制造出了可以被稱(chēng)為有著迷幻效果圖像。
其實(shí)，這些如夢(mèng)似幻的圖片，是一個(gè)給圖片分類(lèi)的功能刻意過(guò)度處理圖像時(shí)產(chǎn)生的副產(chǎn)品。而在這個(gè)過(guò)程中涉及到的主要系統(tǒng)就是Deep Dream。
Deep Dream究竟是如何工作的呢？你首先要給他一個(gè)圖像，然后他會(huì)主動(dòng)去尋找他在之前訓(xùn)練中學(xué)會(huì)的認(rèn)識(shí)的一切。神經(jīng)網(wǎng)絡(luò)可能會(huì)發(fā)現(xiàn)一些類(lèi)似于一只狗，一個(gè)房子這一類(lèi)的意象。而Google Deep Dream就可能強(qiáng)化這些被認(rèn)出來(lái)的事物。
打個(gè)比方，如果現(xiàn)有的認(rèn)知網(wǎng)絡(luò)在你輸入一個(gè)圖像時(shí)會(huì)認(rèn)為“看，這個(gè)圖像有40%的可能是一只狗”，那么，下一次，它會(huì)在自動(dòng)完善后說(shuō)：“看，這有60%的可能性是一只狗。”這個(gè)過(guò)程會(huì)一直持續(xù)到被輸入的圖片可以被轉(zhuǎn)化成在神經(jīng)系統(tǒng)看來(lái)完全就是一只狗或者其他事物為止。并且，在這樣不斷轉(zhuǎn)化被分類(lèi)的圖像的過(guò)程中，系統(tǒng)創(chuàng)造了看起來(lái)超脫塵世的迷幻圖像。
Google的Deep Dream以這樣的方式逆轉(zhuǎn)了我們傳統(tǒng)認(rèn)識(shí)中，輸入一個(gè)圖形就會(huì)生成一個(gè)對(duì)應(yīng)輸出結(jié)果的固定思維。如今，每個(gè)輸入的圖像都會(huì)被認(rèn)知系統(tǒng)不斷改進(jìn)，直到它可以完全的理解并進(jìn)行最佳分類(lèi)。
2.讓機(jī)器模仿人類(lèi)
通過(guò)生成式對(duì)抗系統(tǒng)模仿學(xué)習(xí)的過(guò)程
一群AI研究人員希望能夠用不同的方式去建構(gòu)能自學(xué)的人工智能，而不是沿用傳統(tǒng)的建立在獎(jiǎng)勵(lì)機(jī)制上的方法。
他們給了人工智能一套真實(shí)的展示數(shù)據(jù)作為輸入指令，而根據(jù)這套數(shù)據(jù)，人工智能就可以學(xué)習(xí)并且嘗試模仿同樣的動(dòng)作。
在這個(gè)模型中，Jonathan Ho和Stefano Ermon展示了一種全新的模仿學(xué)習(xí)的方法。在標(biāo)準(zhǔn)的強(qiáng)化學(xué)習(xí)系統(tǒng)中，人們總是要設(shè)計(jì)一個(gè)獎(jiǎng)勵(lì)功能來(lái)向人工智能描述他們應(yīng)該做出怎樣的行為。然而，在實(shí)際操作中，這會(huì)需要昂貴的“實(shí)驗(yàn)-糾錯(cuò)“的過(guò)程來(lái)將保證細(xì)節(jié)的正確。但是，在模仿學(xué)習(xí)的設(shè)定下，人工智能可以直接向樣本的展示如何去學(xué)習(xí)，從而完全消除了去設(shè)計(jì)一個(gè)獎(jiǎng)勵(lì)功能的需要。
3.指馬為斑馬，變冬為夏
圖像到圖像的生成
通過(guò)已有的圖像來(lái)生成新的圖像是生成系統(tǒng)的一個(gè)非常有趣的應(yīng)用。在試驗(yàn)中，研究者們已經(jīng)可以改變視頻中的動(dòng)物，或者圖片中的季節(jié)。
這一任務(wù)的目標(biāo)是學(xué)習(xí)如何通過(guò)一整套圖像對(duì)（image pair）去充分認(rèn)識(shí)輸入與輸出的圖像的聯(lián)系與區(qū)別。然而，在多數(shù)情況中，成對(duì)的訓(xùn)練數(shù)據(jù)并不好找。而解決這一問(wèn)題的方法就是使用兩個(gè)完全相對(duì)的映像，一方的輸出圖像被設(shè)定成正好是對(duì)方的輸入圖像。以這樣的方法，人們得以用非常少量的數(shù)據(jù)讓人工智能認(rèn)識(shí)到兩個(gè)圖像的真實(shí)聯(lián)系（無(wú)監(jiān)督學(xué)習(xí)）。
4. 將簡(jiǎn)略素描變成豐滿畫(huà)作
通過(guò)輪廓生成圖像
逼真的圖像處理是一項(xiàng)艱巨的任務(wù)，因?yàn)樗枰斯ぶ悄芡ㄟ^(guò)一個(gè)被用戶設(shè)定的角度去豐富圖像的表現(xiàn)，但同時(shí)他也要能夠確保最終輸出的逼真效果。這著實(shí)需要相當(dāng)高超的技巧。而一個(gè)藝術(shù)家可能需要數(shù)年的持續(xù)訓(xùn)練才可以達(dá)到這樣的程度。
研究此項(xiàng)技術(shù)的人工智能研究人員之前一直是如何做的呢？他們創(chuàng)造了一個(gè)模型。當(dāng)人們給這個(gè)模型一個(gè)物體的輪廓時(shí)，他可以成功認(rèn)出這個(gè)物體，然后基于輪廓生成一個(gè)逼真的實(shí)際圖像。
然而，在近期的一篇論文中，一位作者提議使用Generative Adversarial Neural Network（生成式對(duì)立神經(jīng)網(wǎng)絡(luò)）來(lái)使人工智能可以直接通過(guò)自然圖像背后的數(shù)據(jù)進(jìn)行學(xué)習(xí)。這樣的模型自動(dòng)調(diào)節(jié)了輸出圖像的編輯，使其盡可能逼真。同時(shí)，這樣的處理可在約束優(yōu)化的條件下實(shí)現(xiàn)近乎于實(shí)時(shí)的執(zhí)行。這項(xiàng)技術(shù)如果可以進(jìn)一步發(fā)展，那我們可以期待，未來(lái)，人工智能可以將人們的草稿變成新的圖形，又或者是將一幅固定圖像改變地與目標(biāo)圖像無(wú)限接近。
5. 看字畫(huà)圖
從字到圖的自動(dòng)合成
根據(jù)文本自動(dòng)合成逼真圖片的技術(shù)令人向往。最近，深度卷積生成式對(duì)抗網(wǎng)絡(luò)已經(jīng)可以識(shí)別某些特定種類(lèi)的文章然后生成非常引人注目的圖片，例如面龐，唱片封面和房間內(nèi)部裝飾。
這個(gè)模型被同時(shí)包含文本和他們相應(yīng)圖片的樣本數(shù)據(jù)喂養(yǎng)著。當(dāng)人們提供了任何一個(gè)事物的描述時(shí)，這個(gè)模型就會(huì)開(kāi)始自動(dòng)生成對(duì)應(yīng)的圖像。
在這一技術(shù)中，從文本到圖像的合成其實(shí)基于兩個(gè)步驟：首先，人工智能需要學(xué)習(xí)并識(shí)別文本中展現(xiàn)出重要視覺(jué)細(xì)節(jié)的部分，然后，通過(guò)這些特定的特點(diǎn)來(lái)合成一個(gè)足以欺騙人類(lèi)的逼真圖像。
6. 讓電腦因?yàn)楹闷娑鴮W(xué)習(xí)
好奇會(huì)是深層神經(jīng)網(wǎng)絡(luò)持續(xù)探索的真實(shí)動(dòng)因
在現(xiàn)實(shí)社會(huì)中，人工主體可以收到的外部獎(jiǎng)勵(lì)基本不存在。而一個(gè)被動(dòng)的程序是無(wú)法主動(dòng)進(jìn)化并學(xué)習(xí)的。因此，好奇心能夠作為一個(gè)內(nèi)在獎(jiǎng)勵(lì)的信號(hào)幫助人工主體去探索他的周?chē)h(huán)境并且學(xué)習(xí)之后對(duì)其有用的技能——積極的學(xué)習(xí)者一定比那些被動(dòng)懶惰的人表現(xiàn)得好得多。
在這樣一個(gè)模型里，好奇心其實(shí)是每當(dāng)AI預(yù)測(cè)到自己的未來(lái)行動(dòng)時(shí)就會(huì)發(fā)出錯(cuò)誤預(yù)警。
這樣的機(jī)器人程序也可以同時(shí)通過(guò)程序員建造的獎(jiǎng)勵(lì)系統(tǒng)來(lái)幫助他學(xué)習(xí)。
如果我們將人工主體想象成一個(gè)幼兒。一個(gè)沒(méi)有父母監(jiān)督的孩子非常可能會(huì)忍不住去觸碰發(fā)燙的鍋，隨即領(lǐng)悟到這個(gè)東西這么燙讓我這么疼，所以之后我一定不能夠再碰了。好奇心驅(qū)使他去探索，而獎(jiǎng)勵(lì)機(jī)制可以告訴他這件事情是好是壞。
這樣一個(gè)“好奇心”驅(qū)動(dòng)的學(xué)習(xí)是基于以下幾點(diǎn)判斷建造的：
1）極少的外部獎(jiǎng)勵(lì)會(huì)使得好奇心與外界環(huán)境接觸并達(dá)成目標(biāo)的欲望極具減弱
2）比起沒(méi)有外部獎(jiǎng)勵(lì)的探索，好奇心驅(qū)動(dòng)的人工主體可以在學(xué)習(xí)時(shí)更加有效率
3）對(duì)于未知情景進(jìn)行概括，可以使人工主體將它們之前有過(guò)的經(jīng)歷和知識(shí)轉(zhuǎn)化為面對(duì)新環(huán)境的智慧，而不是兩眼一抹黑地從頭開(kāi)始學(xué)習(xí)
這一方法也可以在以下兩個(gè)游戲環(huán)境中來(lái)檢驗(yàn)：VizDoom和超級(jí)瑪麗兄弟。
7. AI設(shè)計(jì)游戲
使用生成式對(duì)抗系統(tǒng)來(lái)設(shè)計(jì)游戲的用戶界面
想想如果我們可以生成令人信服的視頻游戲的圖像界面，那么我們就可以復(fù)制粘貼這些界面的一些元素然后為我所用。
這一技術(shù)的目標(biāo)是生成一組風(fēng)格統(tǒng)一的游戲圖像。為了達(dá)到這個(gè)目的，這個(gè)程序需要集結(jié)不同游戲的一系列圖像。然后， 通過(guò)已有圖像的各個(gè)部分來(lái)生成新的獨(dú)特的圖形，作為新游戲的背景界面。
8. 預(yù)測(cè)視頻中下一步會(huì)發(fā)生什么
基于場(chǎng)景動(dòng)態(tài)特性生成視頻
理解物體的運(yùn)動(dòng)趨勢(shì)和場(chǎng)景動(dòng)態(tài)特性是計(jì)算機(jī)視覺(jué)的核心問(wèn)題。為了實(shí)現(xiàn)視頻識(shí)別和視頻生成，我們需要一個(gè)場(chǎng)景轉(zhuǎn)換的模型。然而，制造這樣一個(gè)動(dòng)態(tài)模型太有挑戰(zhàn)性，畢竟物體和場(chǎng)景都有無(wú)數(shù)種改變的方向。
而這樣看似不可能的任務(wù)被一個(gè)分割了前景和背景的模型實(shí)現(xiàn)了。這個(gè)模型強(qiáng)調(diào)了背景的固定性，從而將神經(jīng)網(wǎng)絡(luò)的大部分精力集中在了學(xué)習(xí)前景物體的移動(dòng)方向上。同時(shí)，這些場(chǎng)景也被分門(mén)別類(lèi)地分割開(kāi)來(lái)，使得人工主體對(duì)于前景物體移動(dòng)方向的預(yù)測(cè)更為準(zhǔn)確。
9. 生成逼真的人工臉
神經(jīng)識(shí)別人聯(lián)系統(tǒng)
“Neural Faces”是一種可以生成人工（而不是真實(shí)的）人臉的一款人工智能技術(shù)。他的基礎(chǔ)就是由Facebook 的AI團(tuán)隊(duì)開(kāi)發(fā)的深度卷積生成式對(duì)抗網(wǎng)絡(luò)。
這個(gè)AI團(tuán)隊(duì)，使用包含了100個(gè)0到1之間的實(shí)數(shù)的Z向矢量來(lái)生成一幅圖像。之后，這個(gè)生成器就可以逐步學(xué)習(xí)人類(lèi)圖像的分布。它可以逐步學(xué)會(huì)如何生成可以蒙混分辨器的新臉，而分辨器也同時(shí)在分辨生成臉和真實(shí)人臉上越來(lái)越熟練。
10. 改變照片中的面部表情和特征
使用生成式對(duì)抗網(wǎng)絡(luò)的向量運(yùn)算
在一次實(shí)驗(yàn)中，研究人員通過(guò)一系列的樣本圖像就已經(jīng)可以成功生成人臉的各種表情。比如說(shuō)，他可以把一張沒(méi)有笑的臉變成微笑的，在臉上添加裝飾品，或者強(qiáng)調(diào)面部的一些特征。
這一功能的基礎(chǔ)方法，是將圖像的每一列以 X 向矢量代表，然后通過(guò) X 的平均數(shù)來(lái)生成 Y 向矢量的中位數(shù)。之后，在 Y 向矢量上進(jìn)行例如添加和減少的算術(shù)運(yùn)算，從而形成一個(gè)新的 Z 向矢量，即新圖像。將 Z 向矢量輸入生成器從而生成上面最右邊的結(jié)果圖。
我們可以自信的進(jìn)行其他的屬性操作，例如放大縮小，轉(zhuǎn)換方向等等。為了達(dá)到這樣的目的，我們需要將看向左邊和右邊的人臉的圖像樣本平均為一個(gè)人臉的左右向矢量。然后，通過(guò)加入對(duì)應(yīng)著圖像矢量的軸的“插值“，我們就可以成功地對(duì)這些人臉進(jìn)行這些更高級(jí)的改變了。
結(jié)論
我們現(xiàn)在還處于生成式對(duì)抗網(wǎng)絡(luò)發(fā)展的初期。以上的這些例子，雖然現(xiàn)在看起來(lái)已經(jīng)頗為令人鼓舞，但是這仍然非常基本。對(duì)于我們工程師來(lái)說(shuō)，它給予了我們一個(gè)訓(xùn)練 Neural Nets 來(lái)完成任何復(fù)雜的人類(lèi)任務(wù)的光明路徑。它也同時(shí)可以證明創(chuàng)造力已經(jīng)不是一個(gè)只有人類(lèi)才有的特征了。
