讀天才與演算法：人腦與AI的數學思維筆記11_演算法如何思考

1. 創造力

1.1. 建立一種演算法，其首要任務是放棄已知的所有藝術風格，然後判斷由演算法自己所產生的藝術品是否具有與所有藝術風格都截然不同的特性，即真正獨樹一幟的藝術風格

1.2. 抗性模型同樣適用於人類創造力程式碼的引導

1.3. 神經科學家的研究發現，就像在Google Brain上執行的生成式對抗網路演算法一樣，人類大腦也有兩個相互競爭的系統

1.3.1. 一個系統是表現欲（生成模型），產生製造東西的衝動，是創造、表達的系統

1.3.2. 另一個系統是抑制劑（判別模型），是對我們的想法產生懷疑、質疑和批評的系統

1.3.2.1. 在創造藝術行為伊始，有了最初的想法之後不久，就出現了最初的反向運動，即接受性的最初運動

1.3.2.1.1. 德國藝術家保羅·克利

1.3.3. 我們需要非常謹慎、仔細地平衡兩者，這樣才能有新的產出或是決定

1.4. 從過往的藝術家和他們的作品中學習，並利用所學到的知識，從模仿到推陳出新開創屬於自己的藝術風格，創作出屬於自己的藝術作品

1.5. 對於藝術的理解，我們只能求助於人類的共同經驗，畢竟在欣賞“新藝術”時，大多數觀眾看待它、理解它所依靠的知識體系和參照標準是觀眾自身的經歷

1.6. 創造一個脫胎於現狀但又有別於現狀的未來

1.6.1. 這是一個進化模型，有趣的是，這正是演算法所採用的

1.6.2. 機器學習基本上是數字進化的一種形式

1.7. 即使我們承認這是一門藝術，但作為人類，我們仍然對其束手無策，無法探索

1.7.1. 計算機程式碼具有揭示人類程式碼創造的藝術中未開發潛力的能力

1.7.2. 你可能會覺得演算法這種方法是可怕的操縱：把藝術變成一幅數字格式的畫作，只為了找到能激發最大快樂價值的點

2. 維基藝術

2.1. WikiArt

2.1.1. 擁有1119位藝術家的81 449幅畫作，在時間跨度上跨越了1500年，這可能是世界上最大的數字化影像資料庫

2.2. 要尋找的不是個人品位，而是與眾不同的特徵

2.3. 用來區分藝術家，只測量兩個維度的特徵是遠遠不夠的，所以我們需要找到足夠多的、可測量的、獨有的特徵

2.4. 每一個新特徵都有助於更好地標記藝術家和他們的風格，增加定位藝術家和他們風格的空間維度

2.5. 人類藝術家只需要做一點小小的研究就能明確區分他們的畫作

2.6. 19世紀末至20世紀初，莫奈和畢沙羅在法國非常活躍，並且都在巴黎Académie Suisse藝術學院進修，正是在那裡，他們成為一對好朋友，經常會向對方分享自己在藝術創作上獲得的經驗

2.6.1. 他們的藝術作品有幾分相似，就不足為奇了

2.6.2. 很難分辨出莫奈和畢沙羅等19世紀末和20世紀初印象派畫家畫作之間的區別

2.7. 一部分藝術家不斷地挑戰現有的藝術邊界做出一些突破，而另一部分藝術家則創造出了全新的藝術風格

2.8. 演算法已經在多維度狀態下分析、定位了所有的繪畫，並把它們在高維圖表中繪製成點

3. 1916年《亞威農的少女》

3.1. 畢加索

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

3.3. 與同時代其他人的作品相比，演算法在高維圖表中發現了這幅畫作的位置發生了巨大的偏差，因此將其高度評價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. 理論認為對喚醒的偏好水平是由個體決定的，而偏好水平又是影響個體行為的一個重要因素

4.3. 個體樂於接受中等水平的刺激，它會產生最佳喚醒水平

4.4. 過低或過高的刺激水平都不為個體所喜好

4.4.1. 每個個體都有不同的最佳喚醒水平，低於最佳喚醒水平時，個體將尋求刺激，而高於最佳喚醒水平時，個體將選擇逃避刺激

5. 馮特曲線

5.1. 威廉·馮特

5.1.1. 1832.8.16—1920.8.31

5.1.2. 德國生理學家、心理學家、哲學家，實驗心理學之父

5.2. 喚醒藝術家（最終是觀眾）美感體驗的因素是個體化的、獨特的

5.3. 藝術家追求的是最大的美感體驗價值，但矛盾點在於喚醒的刺激水平一定不可以過高，過高將使我們陷入馮特曲線的下降階段

6. 創意生成對抗網路

6.1. creative adversarial networks

6.1.1. CANs

6.2. 埃爾加馬爾和他的團隊為演算法的生成模型編寫了程式，以便演算法創造出更接近於馮特曲線峰值的作品

6.3. 在儘量不偏離藝術界公認的藝術品概念基礎上使演算法生成的作品最大限度地與現有藝術風格擴大差異

6.4. 每一次判別資訊都會改進生成模型的引數，這就是機器學習的巧妙所在

6.4.1. 演算法會隨著越來越多的資料而自我改進，從反饋中學習

6.5. 人們希望生成模型能在判別模型不斷地資訊反饋中和自身不斷地改進中，創造出落在馮特曲線峰值區的作品來

6.6. 由演算法創造的藝術作品更具原創性、啟發性，畫面質量更加精良

7. 生成式對抗網路

7.1. GANs

7.1.1. 古德費羅提出

7.2. 這個創作團隊採用了14世紀以來的超過15 000幅肖像畫對他們的演算法進行了訓練（機器學習），機器根據訓練指令創造出若干新作品，直到新作品成功透過判別模型做出的判斷

7.3. 從藝術風格上講，這幅非常現代的肖像畫結合了18世紀的風格，又與英國藝術家格倫·布朗的風格相似，所以讓人很難確定它的年代

8. 演算法如何思考

8.1. 藝術可以做很多事，但對我來說藝術最好的地方在於，它給我提供了一個瞭解他人內心世界、思維方式的途徑

8.2. 人工智慧藝術的真正潛力所在，因為它有可能幫助人類理解隱藏在計算機底層程式碼中的本質

8.3. 谷歌的一個團隊一直嘗試透過人工智慧創造的藝術來更好地理解他們所創造的演算法在視覺識別中的思維過程

8.3.1. 已經開發出來的用來區分貓和香蕉影像的演算法識別影像依賴於演算法關於影像的層級發問

8.3.2. 隨著機器學習的演化，程式設計師越來越難以追蹤演算法用哪些特徵來識別到底是貓還是香蕉

8.3.3. 如果只是檢視原始程式碼，很難對演算法的工作原理進行逆向工程

8.3.4. 演算法可以針對影像提出數百萬個不同的問題，我們很難看出演算法為何選取這些問題，也很難明白問題之間的優先關係是怎樣安排的

8.4. 反向演算法為“深夢”（DeepDream）

8.5. 越來越多的演算法不僅僅用於遊戲中，它們做出的決策影響著我們的生活，因此，在我們邁向一個自動化日益盛行的未來之際，任何能幫助我們理解演算法的決策過程、決策策略以及價值判斷的工具都是至關重要的

8.6. 演算法將從人類的手中接手越來越多的決策，但問題在於，演算法的機器學習導致了決策樹的出現，而決策樹對於人類來講太複雜，我們很難對它進行分解

8.6.1. 最終我們並不確定為什麼演算法會做出這樣或那樣的決定

8.6.2. 這也是這種新型程式設計的侷限之一

8.7. 有時演算法檢測和選擇的特徵是我們能夠識別出的，但有時我們似乎很難說出演算法在影像識別中到底選擇並檢測了哪些特徵

8.7.1. 我們可能正在逐步深入瞭解演算法的深層潛意識，谷歌的程式設計師稱這個過程為“開始主義”（inceptionism）

8.8. 演算法所生成的影像對他們來說有一種瘋狂的迷幻感，就好像演算法施了魔法一樣

8.9. 透過在演算法的輸出上反覆應用演算法並在每次迭代後生成新作品，程式設計師可以產生無窮無盡的新感觀

9. 深夢

9.1. 反向演算法

9.1.1. DeepDream

9.1.2. 將演算法的工作程式顛倒過來

9.2. 出示一個隨機的畫素化影像給這個演算法，並要求它增加或增強識別一些特徵，而這些特徵是演算法認為會觸發識別可識別特徵的特徵

9.3. “深夢”所創造的影像可能是我所見過的最有意義的人工智慧藝術形式

9.4. 這些影像讓我們看到了視覺識別演算法是如何看待世界的，而不是試圖去再創作一幅“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”演算法透過數千幅影像的訓練，已經在壓縮版的進化中學會了如何正確地發現、識別影像這一模式

9.7. 它的“命”依賴於能否正確地識別影像

9.7.1. 人類的大腦已經進化到對動物影像極其敏感，因為這是生存的關鍵

9.8. “深夢”演算法像人一樣無中生有地“看到”了海星和螞蟻

9.8.1. 似乎這個演算法不僅有識別影像的能力，還有生成影像的能力

9.8.2. 正因為演算法不懂人體解剖學，所以它不明白啞鈴不是人體的延伸，它們可以獨立存在

9.9. “深夢”所做的仍然是讓我們理解演算法內部運作狀態的一種重要的新方法

10. 演算法就是一門藝術

10.1. 《信仰之袋》

10.1.1. bag of beliefs，BOB

10.1.2. 一種用程式碼創造的人工生命形態，採用了嵌合分支蛇的結構形式

10.1.3. 它能成功地比人們所預期的更長久地吸引人們的注意力

10.1.4. 它是在與參觀者互動的基礎上學習和發展的

10.2. 建立一個系統，並允許其互動的內容在沒有限制條件的基礎上發展和變異

10.3. 我們人類會給自己無法理解的事物指定一個替代物來對它做出反應

10.3.1. 當我們還不理解地震或火山爆發的原因時，我們創造了神，來為這些難以捉摸的力量負責

10.4. 正是這種令人費解的演算法能力，給了由演算法導致末日的影視作品和小說以素材和想法

10.5. 使用人工智慧則打破了這種規則，它不需要迴圈地使用原素材

10.5.1. 這種藝術作品不斷演進、永不重複的開放性，是藝術界的新事物

10.6. 混沌帶來了不可預測性，利用混沌的程式碼可以滿足“創造性”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. 儘管瓊斯認定機器沒有靈魂，但隨著進入未來，我們將越來越需要利用畫廊這種地方作為橋頭堡，便於我們第一時間知悉第一個人工智慧的靈魂何時出現

10.7.1. 對於人工智慧的靈魂來說，藝術是最好的早期預警系統之一

10.8. 當今，許多演算法的應用是隱藏不可見的，我們在不知情的情況下被演算法影響和操縱著

10.8.1. 使用藝術將演算法視覺化，可以幫助我們更有意識地主動解釋和指導這些演算法

10.8.2. 視覺藝術家是人群和程式碼之間強有力的媒介，畫廊展出的人工智慧作品就是藝術

10.9. 藝術家是化無形為有形的專家

10.9.1. 漢斯·烏爾裡希