文章来源地址https://www.toymoban.com/news/detail-859647.html
1. 创造力
1.1. 创建一种算法，其首要任务是放弃已知的所有艺术风格，然后判断由算法自己所产生的艺术品是否具有与所有艺术风格都截然不同的特性，即真正独树一帜的艺术风格
1.2. 抗性模型同样适用于人类创造力代码的引导
1.3. 神经科学家的研究发现，就像在Google Brain上运行的生成式对抗网络算法一样，人类大脑也有两个相互竞争的系统
1.3.1. 一个系统是表现欲（生成模型），产生制造东西的冲动，是创造、表达的系统
1.3.2. 另一个系统是抑制剂（判别模型），是对我们的想法产生怀疑、质疑和批评的系统
1.3.2.1. 在创造艺术行为伊始，有了最初的想法之后不久，就出现了最初的反向运动，即接受性的最初运动
1.3.2.1.1. 德国艺术家保罗·克利
1.3.3. 我们需要非常谨慎、仔细地平衡两者，这样才能有新的产出或是决定
1.4. 从过往的艺术家和他们的作品中学习，并利用所学到的知识，从模仿到推陈出新开创属于自己的艺术风格，创作出属于自己的艺术作品
1.5. 对于艺术的理解，我们只能求助于人类的共同经验，毕竟在欣赏“新艺术”时，大多数观众看待它、理解它所依靠的知识体系和参照标准是观众自身的经历
1.6. 创造一个脱胎于现状但又有别于现状的未来
1.6.1. 这是一个进化模型，有趣的是，这正是算法所采用的
1.6.2. 机器学习基本上是数字进化的一种形式
1.7. 即使我们承认这是一门艺术，但作为人类，我们仍然对其束手无策，无法探索
1.7.1. 计算机代码具有揭示人类代码创造的艺术中未开发潜力的能力
1.7.2. 你可能会觉得算法这种方法是可怕的操纵：把艺术变成一幅数字格式的画作，只为了找到能激发最大快乐价值的点
2. 维基艺术
2.1. WikiArt
2.1.1. 拥有1119位艺术家的81 449幅画作，在时间跨度上跨越了1500年，这可能是世界上最大的数字化图像数据库
2.2. 要寻找的不是个人品位，而是与众不同的特征
2.3. 用来区分艺术家，只测量两个维度的特征是远远不够的，所以我们需要找到足够多的、可测量的、独有的特征
2.4. 每一个新特征都有助于更好地标记艺术家和他们的风格，增加定位艺术家和他们风格的空间维度
2.5. 人类艺术家只需要做一点小小的研究就能明确区分他们的画作
2.6. 19世纪末至20世纪初，莫奈和毕沙罗在法国非常活跃，并且都在巴黎Académie Suisse艺术学院进修，正是在那里，他们成为一对好朋友，经常会向对方分享自己在艺术创作上获得的经验
2.6.1. 他们的艺术作品有几分相似，就不足为奇了
2.6.2. 很难分辨出莫奈和毕沙罗等19世纪末和20世纪初印象派画家画作之间的区别
2.7. 一部分艺术家不断地挑战现有的艺术边界做出一些突破，而另一部分艺术家则创造出了全新的艺术风格
2.8. 算法已经在多维度状态下分析、定位了所有的绘画，并把它们在高维图表中绘制成点
3. 1916年《亚威农的少女》
3.1. 毕加索
3.2. 在巴黎首展时，正如你所预料的那样，这幅将带来审美史上重大变革的伟大画作，人们最初对它的态度是非常不友好的
3.3. 与同时代其他人的作品相比，算法在高维图表中发现了这幅画作的位置发生了巨大的偏差，因此将其高度评价为与以往任何画作有明显不同的画作
4. 丹尼尔·伯莱因
4.1. Daniel Ellis Berlyne
4.2. 理论认为对唤醒的偏好水平是由个体决定的，而偏好水平又是影响个体行为的一个重要因素
4.3. 个体乐于接受中等水平的刺激，它会产生最佳唤醒水平
4.4. 过低或过高的刺激水平都不为个体所喜好
4.4.1. 每个个体都有不同的最佳唤醒水平，低于最佳唤醒水平时，个体将寻求刺激，而高于最佳唤醒水平时，个体将选择逃避刺激
5. 冯特曲线
5.1. 威廉·冯特
5.1.1. 1832.8.16—1920.8.31
5.1.2. 德国生理学家、心理学家、哲学家，实验心理学之父
5.2. 唤醒艺术家（最终是观众）美感体验的因素是个体化的、独特的
5.3. 艺术家追求的是最大的美感体验价值，但矛盾点在于唤醒的刺激水平一定不可以过高，过高将使我们陷入冯特曲线的下降阶段
6. 创意生成对抗网络
6.1. creative adversarial networks
6.1.1. CANs
6.2. 埃尔加马尔和他的团队为算法的生成模型编写了程序，以便算法创造出更接近于冯特曲线峰值的作品
6.3. 在尽量不偏离艺术界公认的艺术品概念基础上使算法生成的作品最大限度地与现有艺术风格扩大差异
6.4. 每一次判别信息都会改进生成模型的参数，这就是机器学习的巧妙所在
6.4.1. 算法会随着越来越多的数据而自我改进，从反馈中学习
6.5. 人们希望生成模型能在判别模型不断地信息反馈中和自身不断地改进中，创造出落在冯特曲线峰值区的作品来
6.6. 由算法创造的艺术作品更具原创性、启发性，画面质量更加精良
7. 生成式对抗网络
7.1. GANs
7.1.1. 古德费罗提出
7.2. 这个创作团队采用了14世纪以来的超过15 000幅肖像画对他们的算法进行了训练（机器学习），机器根据训练指令创造出若干新作品，直到新作品成功通过判别模型做出的判断
7.3. 从艺术风格上讲，这幅非常现代的肖像画结合了18世纪的风格，又与英国艺术家格伦·布朗的风格相似，所以让人很难确定它的年代
8. 算法如何思考
8.1. 艺术可以做很多事，但对我来说艺术最好的地方在于，它给我提供了一个了解他人内心世界、思维方式的途径
8.2. 人工智能艺术的真正潜力所在，因为它有可能帮助人类理解隐藏在计算机底层代码中的本质
8.3. 谷歌的一个团队一直尝试通过人工智能创造的艺术来更好地理解他们所创造的算法在视觉识别中的思维过程
8.3.1. 已经开发出来的用来区分猫和香蕉图像的算法识别图像依赖于算法关于图像的层级发问
8.3.2. 随着机器学习的演化，程序员越来越难以追踪算法用哪些特征来识别到底是猫还是香蕉
8.3.3. 如果只是查看原始代码，很难对算法的工作原理进行逆向工程
8.3.4. 算法可以针对图像提出数百万个不同的问题，我们很难看出算法为何选取这些问题，也很难明白问题之间的优先关系是怎样安排的
8.4. 反向算法为“深梦”（DeepDream）
8.5. 越来越多的算法不仅仅用于游戏中，它们做出的决策影响着我们的生活，因此，在我们迈向一个自动化日益盛行的未来之际，任何能帮助我们理解算法的决策过程、决策策略以及价值判断的工具都是至关重要的
8.6. 算法将从人类的手中接手越来越多的决策，但问题在于，算法的机器学习导致了决策树的出现，而决策树对于人类来讲太复杂，我们很难对它进行分解
8.6.1. 最终我们并不确定为什么算法会做出这样或那样的决定
8.6.2. 这也是这种新型编程的局限之一
8.7. 有时算法检测和选择的特征是我们能够识别出的，但有时我们似乎很难说出算法在图像识别中到底选择并检测了哪些特征
8.7.1. 我们可能正在逐步深入了解算法的深层潜意识，谷歌的程序员称这个过程为“开始主义”（inceptionism）
8.8. 算法所生成的图像对他们来说有一种疯狂的迷幻感，就好像算法施了魔法一样
8.9. 通过在算法的输出上反复应用算法并在每次迭代后生成新作品，程序员可以产生无穷无尽的新感观
9. 深梦
9.1. 反向算法
9.1.1. DeepDream
9.1.2. 将算法的工作程序颠倒过来
9.2. 出示一个随机的像素化图像给这个算法，并要求它增加或增强识别一些特征，而这些特征是算法认为会触发识别可识别特征的特征
9.3. “深梦”所创造的图像可能是我所见过的最有意义的人工智能艺术形式
9.4. 这些图像让我们看到了视觉识别算法是如何看待世界的，而不是试图去再创作一幅“伦勃朗的作品”
9.5. 试着用另一种眼光去理解世界，用一种不同的方式去看世界
9.6. "深梦”算法通过数千幅图像的训练，已经在压缩版的进化中学会了如何正确地发现、识别图像这一模式
9.7. 它的“命”依赖于能否正确地识别图像
9.7.1. 人类的大脑已经进化到对动物图像极其敏感，因为这是生存的关键
9.8. “深梦”算法像人一样无中生有地“看到”了海星和蚂蚁
9.8.1. 似乎这个算法不仅有识别图像的能力，还有生成图像的能力
9.8.2. 正因为算法不懂人体解剖学，所以它不明白哑铃不是人体的延伸，它们可以独立存在
9.9. “深梦”所做的仍然是让我们理解算法内部运作状态的一种重要的新方法
10. 算法就是一门艺术
10.1. 《信仰之袋》
10.1.1. bag of beliefs，BOB
10.1.2. 一种用代码创造的人工生命形态，采用了嵌合分支蛇的结构形式
10.1.3. 它能成功地比人们所预期的更长久地吸引人们的注意力
10.1.4. 它是在与参观者互动的基础上学习和发展的
10.2. 创建一个系统，并允许其交互的内容在没有限制条件的基础上发展和变异
10.3. 我们人类会给自己无法理解的事物指定一个替代物来对它做出反应
10.3.1. 当我们还不理解地震或火山爆发的原因时，我们创造了神，来为这些难以捉摸的力量负责
10.4. 正是这种令人费解的算法能力，给了由算法导致末日的影视作品和小说以素材和想法
10.5. 使用人工智能则打破了这种规则，它不需要循环地使用原素材
10.5.1. 这种艺术作品不断演进、永不重复的开放性，是艺术界的新事物
10.6. 混沌带来了不可预测性，利用混沌的代码可以满足“创造性”所要求的新奇和惊喜
10.6.1. 虽然混沌是确定性的，但如果我们想要打破从编码者到创造者之间的壁垒，它可能仍然是我们所能期望的最好途径
10.7. 尽管琼斯认定机器没有灵魂，但随着进入未来，我们将越来越需要利用画廊这种地方作为桥头堡，便于我们第一时间知悉第一个人工智能的灵魂何时出现
10.7.1. 对于人工智能的灵魂来说，艺术是最好的早期预警系统之一
10.8. 当今，许多算法的应用是隐藏不可见的，我们在不知情的情况下被算法影响和操纵着
10.8.1. 使用艺术将算法可视化，可以帮助我们更有意识地主动解释和指导这些算法
10.8.2. 视觉艺术家是人群和代码之间强有力的媒介，画廊展出的人工智能作品就是艺术
10.9. 艺术家是化无形为有形的专家
10.9.1. 汉斯·乌尔里希
文章来源：https://www.toymoban.com/news/detail-859647.html
到了这里，关于读天才与算法：人脑与AI的数学思维笔记11_算法如何思考的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
