Google最近公布了一個奇葩的人工神經網絡系統。為了讓大家更好地理解這個系統,他們公布了一組奇葩圖片——豈止是奇葩,簡直滲人,密恐患者慎入!
接下來,我們將為大家展示世界名畫是如何被這群人給玩壞的。請各位一定要戳開看大圖!才能看出其中的奇妙的細節。

他們給這些圖片起了個名字——Inceptionism。沒錯,就是《盜夢空間》的那個Inception。
這個神經網絡的原理小編也是看得一知半解,不敢貿然翻譯。大致意思就是,每一張圖片都被放進一個“輸入圖層”,並與下一個圖層相連,通過10-30層圖層的分析,最終“輸出”一個新的圖形。比如第一張圖片是懸崖,到達下一個圖層時,它可能被識別成了了一張類似一扇門或者一片樹葉的圖案。而最後一個圖層會把這些圖形組合——這些神經元會將其組合成一個極其復雜的東西,比如一個完整的建築或一顆樹。

“近年來,人工神經網絡在圖片分類和語音識別的發展領域做出了引人矚目的貢獻。”來自GoogleAI團隊的Alexander Mordvintsev說,“雖然它們建立在非常有名的算法上,並且已經成為我們所熟知的工具,但我們實際上對它們了解甚微。”
這很令人腦洞大開:有一張比較抽象的圖片,如果它和某個東西有那麼一丁點兒像,你就可以用這張圖片生成那個東西。有多抽象呢?看看下面這個例子:一個滿是噪點的圖片居然也可以生成香蕉(雖然也不那麼像啦)。

為什麼說這個很重要呢?我們在訓練(train)一個神經網絡時,通常是簡單地給它一些例子讓它“學習”,希望它能很具象地“學到”這個例子的“精髓”(比如,一只叉子應該有一只柄和兩到四個尖),同時忽略那些不太重要的東西(叉子的形狀、大小和顏色)。但是,你要如何驗證這個神經網絡是否正確地“學習”到了這些特點?
這些圖片的例子就是告訴我們,可視化(visualization)的運用能帮助我們判斷被測試的神經網絡成功與否。如果這個神經網絡最後確實呈現出了一只叉子,那就說明成功了。

在一些例子中,我們可以看出這個神經網絡並未達到我們的期望。比如,我們想讓一個神經網絡“學習”一個杠鈴的圖案,但很顯然,這個神經網絡是個“學渣”——它失敗了。

這就形成了一個“反饋環(feedbackloop)”。它可以把本來不那麼“像”的東西變得“更像一點”。如果一朵云看起來有點像只鳥,那麼這個神經網絡會讓它看起來更像只鳥。


團隊還在試圖將更多的圖片加入這個神經網絡系統。“你可能看到地平線上出現一座塔。石頭和樹會變成房子。鳥和昆蟲會長在樹上變成葉子。”




《三體》作者劉慈欣以多年前的一件趣事驗證了這個說法。他曾經編過一個寫詩軟件,不到1000行代碼,在老式的286計算機上運行,寫出了許多現代詩。他將它們打印下來,放進一個編織袋,寄給了一家詩刊編輯部。看到詩集的編輯大吃一驚,寫信回復說:“您的詩作思維跳躍很大,水平很高,產量也非常驚人。但只有一個問題,這些詩風格雷同,多年下來沒什麼進步。基于這點,我建議您可以放棄詩歌創作,去寫散文。”
“你看,從頭到尾,他都沒有發現,這是計算機寫出來的詩。”劉慈欣說。
人腦和電腦的PK大戰是一個永恒的話題。設計师們,你可敢于向它們發起挑戰?