AI艺术的前世今生

　　最近，全球刮起一股强劲的AI艺术风潮。究竟什么是AI艺术?它是如何来到这个世界的?又面临着怎样的机遇与挑战?

　　1、AI艺术关键词

　　AI艺术是指借助于人工智能技术(artificial intelligence，简称AI)生成的艺术作品。它的范围很广，包括AI自主生成的作品和人机合作创作的作品，这些作品目前已经涵盖绘画、音乐、诗歌、电影、舞蹈、雕塑等领域。要了解这种新兴、新型的数字艺术，首先需要了解机器学习、算法、神经网络、深度学习、生成对抗网络和创新对抗网络这几个重要概念。

　　人类借助于感官和经验来获取知识，而机器学习是指计算机系统学习胜任某一专门任务的路径:一种是通过与具体任务完成情况相关的奖惩机制来实现，这种机制称为强化学习;一种是通过饲喂大量标记数据，首先掌握其中的逻辑，进而实现对相关信息或事物的再现，这种机制称为监护学习。例如饲喂一组猴子图像让计算机学习识别猴子，当我们将一张照片放在它前面的时候，计算机能精确地判断这张照片是否与猴子有关。

　　算法即一个按步骤执行的指令序列。它可以简单到几行代码，也可能复杂得像一个百度搜索结果那样，需要上百万行才能显示完全。这些指令告诉计算机做什么，如何解决问题，怎样运算，如何在屏幕上展示事物等。

　　神经元是传递和处理感觉信息的人脑细胞。神经网络则是特指一种计算机算法，它模仿人脑方式处理各种信息，包括多层互相联结的神经元。神经网络算法不同于常规计算机编程算法，后者是编程者设计好的一系列供计算机执行的程序，而前者则是一种计算机自我决策的运算机制，它不需要人类的任何指令。如卷积神经网络就是一种能够自主识别图像上的某一特征或模式的神经网络。

　　深度学习指的是包含多层联结神经元的神经网络。它就像人脑一样，包含的神经元层级越多，学习能力就越强。

　　生成对抗网络(GAN)指两个神经网络通过互相竞争，逐步实现一个可预期的结果，其中一个神经网络试图生成与训练数据不一样的结果(通常被称为创造神经网络)，比如一张不同于训练图像的新照片;另一个神经网络负责识别创造神经网络生成的与训练数据差异很大的结果(通常被称为识别神经网络)，比如创造神经网络预期是生成一张关于狗的新照片，如果输出了一张貌似房子的图像，识别神经网络就将其筛选出来，并反馈给创造神经网络，从而确保其朝着预期的创作目标前进。

　　创新对抗网络(CAN)以生成对抗网络为基本框架，但将一定的随机性嵌入到创造神经网络的结果中，再对这些结果加入适当的美学判断训练机制，以期生成更为新颖和震撼的艺术作品。这显然是模仿人类创造性的一种方式，目的是生成突破现有艺术风格和模式的艺术作品。

　　2、从贝叶斯推理到AI艺术

　　当我们谈论AI艺术渊薮的时候，就必须首先从AI的历史谈起。AI发生的先决条件是获得学习和决策的能力，特别是在信息不充分的情况下做出决策的能力。为此，托马斯·贝叶斯于1763年开发了一个使用算数方法推算事物发生概率的框架，这就是著名的贝叶斯推理，它成为机器学习的基本逻辑，这是AI艺术进程中最早的一块里程碑。

　　1842年,数学家阿达·洛夫莱斯发表了第一个可执行的算法。洛夫莱斯算法预见到计算机除了运算，还能解决其他复杂的问题，这是一个革命性的预见。百年之后，即1942年，图灵为智能机器的创造设计了测试指标，即著名的图灵测验，这是一种划时代的思想。1943年，麦卡洛克和皮茨联合发表了《人类神经活动中意识的逻辑运算》，为计算机模仿人脑构建神经网络和深度学习铺平了道路。1950年，科幻作家艾萨克·阿西莫夫创作了关于智能机器的一系列短篇小说，提出了著名的机器人三定律，他的这些颇具前瞻性的思想激发了整整一代机器人学家。在1956年的达特茅斯大学夏季会议上，约翰·麦卡锡正式构建了“人工智能(AI)”概念。当时关于AI编程机制存在两条路径:一条是自上而下的，即用控制人类行为的规则预先为计算机编程;另一条主张自下而上，即模仿人类神经网络机制。麦卡锡和资深计算机学家明斯基倾向于前者，并略占上风。1959年，阿瑟·塞缪尔提出了“机器学习”的概念，根据这一概念，他预测一个会学习的跳棋机器人有可能战胜它的编程者，这一预言被后来的超级计算机“深蓝”战胜国际象棋冠军卡斯帕罗夫所证实。

　　对于AI艺术来说，1973年值得永远铭记。这一年，加州大学教授兼画家哈罗德·科恩在威尼斯双年展上展示他与自己的计算机程序“艾伦”(AARON)合作创作的一幅绘画，这标志着AI艺术的正式诞生。