深度神经网络有创造力吗？这似乎是一个合理的问题。谷歌的“Inceptionism”技术可以转换图像，通过迭代修改图像来增强深度网络中特定神经元的激活。这些图像看起来迷幻，将岩石变成建筑物或将树叶变成昆虫。另一种神经生成模型，由德国图宾根大学的Leon Gatys提出，可以从一张图像（比如梵高的画作）中提取风格，并将其应用于另一张图像（比如照片）的内容。
由Ian Goodfellow提出的生成对抗网络（GANs）能够通过建模所见图像的分布来合成新颖的图像。此外，字符级循环神经网络（RNN）语言模型现在遍布互联网，似乎能幻觉出莎士比亚的段落、Linux源代码，甚至唐纳德·特朗普充满仇恨的推特喷发。显然，这些进展源于有趣的研究，值得它们所激发的迷恋。
在这篇博客文章中，我们不去讨论作品的质量（这是令人钦佩的），也不解释方法（这已经被做过无数次了），而是探讨这个问题：这些网络能否被合理地称为“有创造力的”？已经有人提出了这样的主张。deepart.io的着陆页，一个将“Deep Style”工作商业化的网站，宣称“将你的照片变成艺术”。如果我们接受创造力是艺术的先决条件，那么这里就隐含地提出了这一主张。
在Engadget.com的一篇文章中，Aaron Souppouris描述了一个基于字符的RNN，暗示更高的采样温度使网络“更有创造力”。在这种观点中，创造力是连贯性的对立面。
采样是不够的
我们似乎急于将创造力归因于这些算法，它们往往分为两类。首先，有像Inceptionism和Deep Style这样的确定性过程。然后有随机模型，如RNN语言模型和生成对抗网络，它们对训练数据背后的分布进行建模，提供了一种从近似分布生成新图像/文本的采样机制。注意：给定随机自动编码器权重，Deep Style可以归入随机生成机制的类别。同样，Inceptionism可以通过随机选择要增强的节点而变得随机。
在确定性的情况下，创造力在两个地方进入过程。首先，Inceptionism和Deep Style的创造者本身极具创造力。这些论文引入了以前不存在的新颖且引人入胜的工具。其次，这些工具的使用者可以就处理哪些图像以及使用模型参数的哪些设置做出创造性决策。但当然，就像相机不能真实地被描述为有创造力一样，这些工具没有能动性。虽然能力令人印象深刻，但就创造性过程而言，这些工具就像超酷的Photoshop滤镜，但它们本身并不表达创造力。
评估随机模型的创造能力似乎更困难。GANs和RNNs仅需一个随机种子就能自行生成图像的能力，激发了我们的想象力。最近的研究论文和博客文章，包括我自己的，倾向于将这些模型拟人化，将其生成过程描述为“幻觉”行为。然而，我认为这些模型虽然令人兴奋且有前景，但不符合被称为“有创造力的”的合理标准。
考虑飞机。曾经，地球上没有飞机。然后一些有创造力的人类发明了飞机。当然，在一个没有飞机的世界里，从现有技术的分布中随机采样再多也无法产生飞机。创造力，当我们以最高级的方式使用这个词时，指的不是那些产生模仿现有事物的无偏样本的个体，而是那些具有发散思维能力、产生既引人注目又令人惊讶的想法和艺术的个体。这项工作不反映先前工作的分布，而是实际上改变了它。也就是说，在飞机发明之后，观察到飞机的概率变得大大提高了。
对于被认为极具创造力的艺术家也是如此。例如巴赫，他对对位法的发展改变了音乐创作，或者查理·帕克，他的即兴语言被称为比波普，改变了数十年和多种音乐风格中的器乐即兴演奏。相比之下，那些令人信服地模仿的艺术家和作家，可能更准确地被描述为大师而非创造者。介绍 GANS 和 Deep Style 的论文本身就是创造性的，正是因为它们开辟了新的研究领域。
是否可能构建一台创造性机器？
似乎有必要澄清，我对创造性机器的想法没有宗教上的敌意。人脑本身就是一台创造性机器，认为创造力是碳的一种属性而无法在硅中复制，这将是荒谬的。
然而，在将人类创造力这一美德归因于当今的模型之前，我们应该犹豫。确定性图像生成器令人着迷，但没有表现出能动性。产生逼真输出的随机模型可能拥有类似于精通的东西。但要让 AI 表现出创造力，它必须做的不仅仅是模仿。也许强化学习者在发现新策略时，确实表现出创造力。例如 AlphaGo 在围棋中达到了超人的表现，发现了与人类玩家已知策略截然不同的策略。这个系统可以合理地被称为创造性。尽管如此，人类不仅在产生策略方面表现出创造力，还在发明要解决的问题这一更广泛的领域中表现出创造力。真正具有创造性的 AI 似乎不可避免会到来。虽然我们应该认真考虑这种可能性，但我们应该警惕过早的宣告以及将我们的算法拟人化的诱惑。
转载声明：本文为转载整理，原文版权归原作者及原站点所有。
原文来源：KDnuggets
原文作者：https://www.facebook.com/kdnuggets；如有侵权，请联系管理员删除。
