Google最近公布了一个奇葩的人工神经网络系统。为了让大家更好地理解这个系统，他们公布了一组奇葩图片——岂止是奇葩，简直渗人，密恐患者慎入！
接下来，我们将为大家展示世界名画是如何被这群人给玩坏的。请各位一定要戳开看大图！才能看出其中的奇妙的细节。
他们给这些图片起了个名字——Inceptionism。没错，就是《盗梦空间》的那个Inception。
这个神经网络的原理小编也是看得一知半解，不敢贸然翻译。大致意思就是，每一张图片都被放进一个“输入图层”，并与下一个图层相连，通过10-30层图层的分析，最终“输出”一个新的图形。比如第一张图片是悬崖，到达下一个图层时，它可能被识别成了了一张类似一扇门或者一片树叶的图案。而最后一个图层会把这些图形组合——这些神经元会将其组合成一个极其复杂的东西，比如一个完整的建筑或一颗树。
“近年来，人工神经网络在图片分类和语音识别的发展领域做出了引人瞩目的贡献。”来自GoogleAI团队的Alexander Mordvintsev说，“虽然它们建立在非常有名的算法上，并且已经成为我们所熟知的工具，但我们实际上对它们了解甚微。”
这很令人脑洞大开：有一张比较抽象的图片，如果它和某个东西有那么一丁点儿像，你就可以用这张图片生成那个东西。有多抽象呢？看看下面这个例子：一个满是噪点的图片居然也可以生成香蕉（虽然也不那么像啦）。
为什么说这个很重要呢？我们在训练（train）一个神经网络时，通常是简单地给它一些例子让它“学习”，希望它能很具象地“学到”这个例子的“精髓”（比如，一只叉子应该有一只柄和两到四个尖），同时忽略那些不太重要的东西(叉子的形状、大小和颜色)。但是，你要如何验证这个神经网络是否正确地“学习”到了这些特点？
这些图片的例子就是告诉我们，可视化（visualization）的运用能帮助我们判断被测试的神经网络成功与否。如果这个神经网络最后确实呈现出了一只叉子，那就说明成功了。
在一些例子中，我们可以看出这个神经网络并未达到我们的期望。比如，我们想让一个神经网络“学习”一个杠铃的图案，但很显然，这个神经网络是个“学渣”——它失败了。
这就形成了一个“反馈环（feedbackloop）”。它可以把本来不那么“像”的东西变得“更像一点”。如果一朵云看起来有点像只鸟，那么这个神经网络会让它看起来更像只鸟。
团队还在试图将更多的图片加入这个神经网络系统。“你可能看到地平线上出现一座塔。石头和树会变成房子。鸟和昆虫会长在树上变成叶子。”
《三体》作者刘慈欣以多年前的一件趣事验证了这个说法。他曾经编过一个写诗软件，不到1000行代码，在老式的286计算机上运行，写出了许多现代诗。他将它们打印下来，放进一个编织袋，寄给了一家诗刊编辑部。看到诗集的编辑大吃一惊，写信回复说：“您的诗作思维跳跃很大，水平很高，产量也非常惊人。但只有一个问题，这些诗风格雷同，多年下来没什么进步。基于这点，我建议您可以放弃诗歌创作，去写散文。”
“你看，从头到尾，他都没有发现，这是计算机写出来的诗。”刘慈欣说。
人脑和电脑的PK大战是一个永恒的话题。设计师们，你可敢于向它们发起挑战？