Varje konstnär började en gång med något. Idag kan vi tillämpa denna fångstfras i förhållande till maskiner. Vad krävs för att skapa kreativ konstgjord intelligens? Ibland verkar det som att denna skillnad mellan maskiner och människor, maskiner aldrig kommer att komma ikapp. Men AI visar redan en växande förkärlek för kreativitet, oavsett om det är att komponera ett tungmetallrockalbum eller skapa ett originalt porträtt som påfallande påminner om Rembrandtborsten.
Att tillämpa AI på konstvärlden kan verka som överdöd: det kommer alltid att finnas människor som skapar bra arbete. Förespråkare för detta tillvägagångssätt säger emellertid att den verkliga skönheten i att undervisa kreativa färdigheter inte ligger i slutprodukten, utan snarare i teknikens potential att utöka sitt eget maskininlärning, att lära sig lösa problem utanför boxen, snabbare och bättre än människor. Till exempel kan en kreativ AI en dag besluta att rädda liv för passagerarna i en självkörande bil om dess sensorer misslyckas, eller föreslå en okonventionell kombination av kemiska komponenter som skulle leda till ett läkemedel som kan behandla tidigare obotliga sjukdomar.
AI med kreativitet kommer att vara avgörande för utformningen av mycket automatiserade system som kan svara på mänskligt liv, säger Mark Ridl, professor vid Georgia Techs School of Interactive Computing. "Faktum är att vi gör något kreativt varje dag, många problem löses kreativt," säger han. "Om min sons leksak fastnar under stolen, måste jag ta verktyget ur galgen och ta ut det."
Riedl konstaterar att mänsklig kreativitet också är viktig för sociala interaktioner, till exempel för att berätta ett skämt eller känna igen ett ordspel. Datorer kan inte hantera sådana subtiliteter. Till exempel ledde en ofullständig förståelse för hur människor konstruerar metaforer AI att skriva ett nytt kapitel av Harry Potterra och fylla det med meningslösa meningar, som "Slottets golv såg ut som en stor magi."
Att få maskinerna att exakt efterlikna den mänskliga stilen - Rembrandt eller Rowling, det spelar ingen roll - är en bra start på kreativa AI, sade Riedl. När allt kommer omkring skapar skapare ofta med att imitera färdigheter och processer hos etablerade konstnärer. Nästa steg, både för människor och maskiner, är att använda dessa färdigheter som en del av en strategi för att skapa något originalt.
Moderna AI-program är inte tillräckligt avancerade för att spontant komponera hitlåtar eller konstverk. För att en AI ska kunna göra detta måste en person kalibrera programmet genom att mata det ett stort antal exempel. Tyska Mario Klingemann designade till exempel ett neuralt nätverk som kan komponera konstiga, skrämmande bilder från befintliga fotografier och andra verk. Ett neuralt nätverk består av en serie sammankopplade bearbetningsnoder som liknar hjärnans nervstruktur. I ett neuralt nätverk tar varje elektroniskt "neuron" ett antal siffror, utför enkla beräkningar baserat på den ingången och skickar sedan resultatet till nästa lager av neuroner, som i sin tur utför mer komplexa beräkningar.
Klingemanns strategi involverar matning av källmaterial, teckningar och fotografier till generativa motsatt nätverk (GAN) som kombinerar kraften i två nervnätverk. Ett nätverk genererar bilder som är förenade med ett specifikt tema eller uppsättning villkor; den andra utvärderar bilderna utifrån dess kunskap om dessa förhållanden. Tack vare feedback från det andra nätverket blir det första nätverket gradvis bättre och gör bilderna mer och mer relevanta för det givna ämnet. "Dessa nätverk är nu bara verktyg för att komplettera vår egen kreativitet," säger Klingemann. "Vi människor måste fortfarande känna igen kreativitet eller innovation." Dess mål är att skapa ett konstnärligt neuralt nätverk som självständigt kan välja och till och med publicera sitt bästa verk om ett visst ämne.
GAN används nu strikt för att skapa nytt innehåll eller bilder i det bredare kreativa systemet, säger Alex Champandard, grundare av creative.ai, en startup som utvecklar AI-verktyg för kreativa människor. GAN kan producera mycket material, men förlitar sig fortfarande på människor för att bestämma deras villkor.
Kampanjvideo:
Innehållsgenerering är en bra start för att utveckla AI som kan lösa problem i verkliga världen, enligt Ian Goodfellow, en Google-forskare som arbetar med GAN-konceptet. Goodfellow arbetar med maskininlärningsmodeller som gör det möjligt för datorer att skriva dynamiska berättelser som går utöver de begränsade scenarierna (som att planera schackrörelser) som datorer länge har utmärkt sig på.
Låt oss ta ett klassiskt exempel på planering som människor gör hela tiden: när vi åker till flygplatsen, skissar vi ofta en grov karta - rent i huvudet - av viktiga resepunkter, trafikstockningar eller överföringar. GAN kan planera en sådan resa, men de kommer att göra det i detalj och kommer att erbjuda många rutter. Vi behöver faktiskt ett lager datornätverk som hoppar över alla dessa alternativ och intuitivt väljer det bästa.
En annan viktig komponent i mänskligt kreativt tänkande är förmågan att ta kunskap från ett sammanhang och tillämpa det i ett annat. George Harrison tar en sitar och spelar den som en gitarr. Shakespeare tar historier från grekisk mytologi och skriver ett engelskt stycke baserat på dessa berättelser. En verkställande direktör använder kunskap om militär strategi eller till och med schack för att planera en affärsavtal.
Av denna anledning genomförs experiment för att hjälpa AI-algoritmer som kan blanda och matcha material. Till exempel använder forskare vid University of California, Berkeley CycleGAN-nätverket för att förvandla hästfilmer till sebrafilmer. AI upptäcker hästens grundform i den första videon och spelar med bilden över videon, och ersätter hästens bruna överkropp direkt med en randig sebra när den rör sig. Ett sådant arbete hjälper AI för en självkörande bil att anpassa sig till okända förhållanden och undvika olyckor.
Konstgjord intelligens bör inte bara lära sig reglerna, utan också bryta dem, som en riktig konstnär.
