暗知识：机器认知如何颠覆商业和社会

同样的原理，机器在看过大量的绘画作品后也能够模仿画家的风格。图6.4是一张典型的北欧城市图片。

机器可以把这张图片改造成凡·高的风格。图6.5左边是凡·高的名画《星空》，右边就是北欧城市图片的“星空化”。

https://www.businessinsider.com.au/thescience-how-vincent-van-gogh-saw-the-world-2015-9。

机器当然也可以把这张图片“马蒂斯化”，图6.6中左边是马蒂斯的名画《戴帽子的女士》，右边还是那张北欧城市图。

https://www.businessinsider.com.au/thescience-how-vincent-van-gogh-saw-the-world-2015-9。

从这两张改造的画来看，机器的模仿可以说是惟妙惟肖，其中色彩、笔触、线条的模仿是人类无法企及的。这种模仿是典型的默知识，从这个例子可以看出机器对默知识的掌握比人类要精细得多。

AI不仅会模仿，而且会创造自己的风格。图6.7是来自罗格斯大学计算机系艺术与人工智能实验室、Facebook人工智能研究院（FAIR）、查尔斯顿学院艺术史系三方联合小组用机器生成的绘画。该研究小组在论文中称，该研究中提出的人工智能系统是一个创意性的对抗网络（Creative Adversary Network，CAN），它是在之前介绍过的生成式对抗性网络系统的一种扩展。

生成对抗网络能够迭代进化、模仿指定数据特征，已经是公认的处理图像生成问题的好方法。自从提出以来相关的研究成果不少，在图像增强、超分辨率、风格转换任务中的效果可谓是惊人的。根据生成对抗网络的基本结构，鉴别器要判断生成器生成的图像是否和其他已经提供给鉴别器的图像是同一个类别（特征相符），这就决定了最好的情况下输出的图像也只能是对现有作品的模仿。如果有创新，就会被鉴别器识别出来，就达不到目标了。因此用生成对抗网络生成的艺术作品也就注定会缺乏实质性的创新，艺术价值有限。图6.8是用生成对抗网络模型实现的图像分辨率增强和风格转换。

为了使艺术品更具有创造性，该研究团队在生成对抗网络的基础上提出了创意对抗性网络，研究团队通过15—20世纪1 119位艺术家的81 449幅涵盖了多种风格的绘画作品训练神经网络。然后邀请人类参与者评估人工智能的艺术作品与现实艺术家的两组作品。这两组作品是创造于1945—2007年的抽象表现派作品，以及2017年巴塞尔艺术博览会作品。图6.9上面的12张是由创意对抗网络生成的人类评价最高的画，下面8张是评价最低的画。图6.10就是历年巴塞尔艺术博览会的获奖作品。

可以看到，机器生成的艺术作品风格非常多样，从简单的抽象画到复杂的线条组合都有，内容层次也有区分。而研究人员也发现它们的系统可以欺骗人类观察员。将人类观察艺术家创作的作品和机器创作的作品时的反应进行对比，发现人类无法将机器生成的作品和当代艺术家以及一家顶级艺术博览会上的作品区分开来。

创意性对抗网络是如何工作的呢？与生成对抗网络系统一样，创意性对抗网络也使用两个子网络。鉴别器被赋予了一套有风格标签的海量艺术作品，例如文艺复兴时期、巴洛克风格、印象主义或表现主义，而生成器则无法获得任何艺术作品。当它生成一个作品时，它会从鉴别器接收两个信号：一个是将图像分类为“艺术或非艺术”，另一个是“能否分辨图像是哪种艺术风格”。

“艺术或非艺术”与“能否分辨艺术风格”是两种对立的信号，前一种信号会迫使生成器生成能够被看作是艺术的图像，但是假如它在现有的艺术风格范畴中就达到了这个目标，鉴别器就能够分辨出图像的艺术风格了，然后生成器就会受到惩罚。这样后一种信号就会让生成器生成难以分辨风格的作品。所以两种信号可以共同作用，让生成器能够尽可能探索整个创意空间中艺术作品的范围边界，同时最大化生成的作品尽可能游离于现有的标准艺术风格之外。

这种“创作”在本质上是非常隐蔽的一种“混搭”，和作诗一样，普通人很难分辨真伪。判断诗还可以用“意境”“画面感”，而判断画，特别是抽象画几乎没有人类可以依赖的直觉。所以和作诗机器人不同，这里的作画机器人掌握的不只是默知识，而且进入了暗知识的领地。所以由对抗生成网络这种机器“混搭”并迭代出来的画的确可以乱“真”。这样的机器可以在短期内大量探索不同的风格，让艺术家选择或给艺术家以灵感。

基于类似的原理，AI作曲也到了几乎可以乱真的地步。AI作曲领域的领先公司Aiva Technologies创造了一个AI作曲家Aiva（Artificial Intelligence Virtual Artist，人工智能虚拟艺术家），并教它如何创作古典音乐。而古典音乐一直以来被视为一种高级的情感艺术，一种独特的人类品质。Aiva Technologies已经发布了第一张专辑，名为 Genesis ，专辑包含不少单曲。并且Aiva的音乐作品能够用在电影、广告，甚至是游戏的配乐里。2017年初，Aiva通过法国和卢森堡作者权利协会（SACEM）合法注册，成为人工智能领域第一个正式获得世界地位的作曲家，其所有的作品都以自己的署名拥有版权。

Aiva背后使用了强化学习技术的深度学习算法。强化学习告诉软件系统接下来要采取什么动作以通过最大化其“累积奖励”来达到某种目标。强化学习不需要标注过的输入和输出数据，AI可以通过数据自行改进性能，这使AI更容易捕获在创意艺术如音乐中的多样性和变化。Aiva就是通过品读巴赫、贝多芬、莫扎特等最著名的作曲家的古典乐章的大数据库来了解音乐作品的艺术性，自行谱写出了一些新的乐曲。