在真假圖片橫行的時代，很多人把“罪魁禍首”的矛頭指向了PS技術(shù)，然而AI的出現(xiàn)，完全取代顛覆了大眾認知，我們先看一張圖：

上圖是深蘭科學(xué)院高級研究員、教授、專家方林博士在2018全球機器學(xué)習(xí)大會上分享的一項成果，他的團隊用AI 畫的幾張人物頭像。

AI世界編輯部聯(lián)系到了深蘭研究院方博士團隊，希望他們可以給出一些技術(shù)分享。方博士告訴AI世界說，AI成功地用GAN生成式對抗網(wǎng)絡(luò)技術(shù)來抓取了人臉的特征，而每對圖片的左圖（例如馬云）是真實的人臉照片，右圖是用特征復(fù)現(xiàn)的人臉的效果。

他們告訴AI世界，團隊人員還訓(xùn)練出的一個GAN系統(tǒng)，而這個系統(tǒng)還可以生成很多張根本不存在、但看起來十分真實的人臉照片，例如：

雖然時間不多，也無法提前決斷最后的效果，團隊讓 AI 根據(jù)現(xiàn)有照片創(chuàng)作原創(chuàng)作品，而任務(wù)目標是高層次抽象的——要展現(xiàn) AI 中的一項重要概念，創(chuàng)作一幅能展示出這個概念的原創(chuàng)作品，并且它呈現(xiàn)出的視覺風(fēng)格還與原來完全不同。

“AI藝術(shù)”這件事情對 AI 來說有點耐人尋味。

畢竟，AI 總是我們身邊的那個看不見摸不著的信息處理工具，它能分析路況轉(zhuǎn)化成駕駛指令（自動駕駛汽車）、能把圖像信號變成位置和概率輸出（圖像識別）、能把數(shù)字化后的連續(xù)波形信號轉(zhuǎn)換成離散的文字符號（語音識別）。

但這些任務(wù)都不需要 AI 創(chuàng)造任何新的材料，它只是根據(jù)訓(xùn)練過程學(xué)習(xí)到的數(shù)據(jù)模式分析輸入、產(chǎn)生輸出而已。即便我們?nèi)缃裨趫D像和語義理解上已經(jīng)有了不小的進步，也仍然很難想象如何讓 AI 「思考自己看起來長什么樣」。

如今面對著這幅作品，在外行眼中有種老生常談的味道，因為看起來只不過像一個PS作品。

但看過創(chuàng)作流程介紹之后，內(nèi)行就會會心一笑——這還真的是用深度學(xué)習(xí)時代的標準方法，把 AI 和人類的能力結(jié)合起來，讓 AI進行互相博弈，互相學(xué)習(xí)的結(jié)果。

對于具體如何操作，方博士解釋道，GAN主要包括了兩個部分生成器 generator 與判別器 discriminator。生成器主要用來學(xué)習(xí)真實圖像分布從而讓自身生成的圖像更加真實，以騙過判別器。判別器則需要對接收的圖片進行真假判別。

在整個過程中，生成器努力地讓生成的圖像更加真實，而判別器則努力地去識別出圖像的真假，這個過程相當于一個二人博弈。

隨著時間的推移，生成器和判別器在不斷地進行對抗，最終兩個網(wǎng)絡(luò)達到了一個動態(tài)均衡：生成器生成的圖像接近于真實圖像分布，而判別器識別不出真假圖像，對于給定圖像的預(yù)測為真的概率基本接近 0.5（相當于隨機猜測類別）。

而以上照片的生成過程，AI會訓(xùn)練一個用于視覺識別的神經(jīng)網(wǎng)絡(luò)，GAN的訓(xùn)練步驟有三步：

1、用真實樣本訓(xùn)練判別器，對于給定的真實圖片（real image），判別器要為其打上標簽 1；

2、用假樣本訓(xùn)練判別器，對于給定的生成圖片（fake image），判別器要為其打上標簽 0；

3、用假樣本訓(xùn)練生成器，對于生成器傳給判別器的生成圖片，生成器希望判別器打上標簽 1。

因此，對于 GAN 更加直觀的理解可以用一個例子來說明：造假幣的團伙相當于生成器，他們想通過偽造金錢來騙過銀行，使得假幣能夠正常交易，而銀行相當于判別器，需要判斷進來的錢是真錢還是假幣。因此假幣團伙的目的是要造出銀行識別不出的假幣而騙過銀行，銀行則是要想辦法準確地識別出假幣。

這也是一個典型的融合了 AI 的計算能力和人類的藝術(shù)創(chuàng)造、判斷能力的流程，方博士團隊還提到，AI還有其他更加高級、更加好玩的技術(shù)，可以用來生成其它領(lǐng)域的藝術(shù)作品，例如寫詩，時裝設(shè)計等。

∑編輯 | chuxin

作者 | 科技智庫

關(guān)注公眾號【AI世界】回復(fù)“資料”可獲取海量AI資料

1、AI權(quán)威報告116份 2、數(shù)據(jù)分析資料