內容生產背后的人工智能

漫步于盧浮宮無數畫作中，你是否期待一位畫師為你記錄下獨一無二的瞬間，給這個世界留下一份凝視與回眸？走進國家圖書館浩瀚書海中，你是否期待有人陪你一同探索世界？意外闖進J.K羅琳創建的魔法學校，你是否期待有人為你遞上魔杖讓所有平面之物躍然紙上？

隨著不斷迭代的算法和不斷增強的算力，最新的人工智能技術正悄然將這一切變成現實，這些建立在數學基礎上的抽象能力正成為人類擁有特殊技能的朋友，與我們共同追逐著未來的無限可能。

寫實派畫家——GAN

生成對抗網絡（GAN/Generative Adversarial Networks）就像這個時代的寫實派畫家，這位畫家的大腦和畫筆就是Generator和Discriminator兩個網絡。在實際使用過程中，我們提供真實輸入后，它會在Generator中生成假圖片并在Discriminator中和真圖做對比。起初，Discriminator很容易分辨真假圖片。但隨著Generator通過Discriminator的反饋不斷優化生成的圖片，分辨難度不斷提升。最終，當Discriminator沒辦法分辨真假時，假圖片就作為最終產物出現在了我們面前。

自誕生以來，生產對抗網絡就在鳥類、花卉等圖片的生成上不斷展現出驚人的能力，而其生成的足以亂真的人臉照片和根據文本描述生成的照片，已經成為設計師必備的工具：前者可以作為素材庫讓設計師輕松積累素材，后者則能幫助設計師可以快速定向獲取設計靈感來源。

印象派畫家——VAE

除了“寫實派畫家”生成對抗網絡，人工智能領域也有“印象派畫家”——變分自編碼器（VAE，Variational Auto-encoder)。不同于生成對抗網絡，變分自編碼器在獲得輸入時會先用“取色器”（編碼器，encoder）提取畫面的重要信息，并以此為核心拓展范圍。例如，編碼器取“紅色”后會將該信息擴大到“紅色系所有顏色”，再將這些擴大后的信息作為生成元素，舉一反三生成更多新數據。

目前，這位AI時代的“梵高”已經在包括圖像和音頻合成等領域找到了施展空間。由于舉一反三的屬性，變分自編碼器生成的新數據具有更好的擴展性和多樣性，也更方便地設計師對這些數據做定向調整，從而將更符合預期的數據存入素材庫作為靈感來源。

語言課代表——BERT

如同機器將圖片依性質拆解為RGB等數值后才能理解圖片一樣，BERT（Bidirectional Encoder Representations from Transformer）也依據對文本的拆解在紛繁的語言世界中找到了梳理脈絡、理解奧秘的方法。

我們可以將BERT理解為做英語試卷的考生，第一道題“MLM（MASKED LANGUAGE MODEL）”類似完形填空，我們給BERT的語料庫會隨機遮擋15%的詞語，讓BERT根據上下文猜測空缺部分從而訓練其了解不同語境下的詞語運用，進而更準確的對語義做出理解。第二道題“NSP(NEST SENTENCE PREDICTION)”會給到成組的句子，讓BERT判斷兩個句子是否連續以及句子間的關系。有了這些基本能力后，我們只要增加輸出層訓練就能將BERT應用到不同場景。

目前，誕生不到五年的BERT已經可以和閱讀理解、搜索與信息檢索結合起來，幫助設計師將多輪對話等場景變成現實。除此之外，BERT還能利用其理解學習能力在長文本中提取出重點內容信息，讓人們可以更高效地理解文本。

讓二維變立體的神奇魔杖——NeRF

在更高維度上應用人工智能技術的努力從未停止，神經輻射場（NeRF，Neural Radiance Fields）的脫穎而出因此并不意外。神經輻射場能將圖像分為3個空間位置向量和2個相機觀測向量，在此基礎上輸出體密度(volume density,可以理解為透明度)和基于觀測角度的物體空間點色彩，完成從“空間點位置+觀測角度”到“空間點色彩+體密度”的映射。

在三維空間重建二維圖像具有廣闊應用前景。它能幫我們準確快速建立數字人體，從而成為數字人領域重要的建模工具；它也能運用到自動駕駛行業，讓現實路況和虛擬情況實時融合，為自動駕駛提供天氣和雨雪等場景數據，讓設計師圍繞人車交互進行更準確的設計思考。

技術從不抽象，它們總能直觀地刺激我們的感官、激發我們的想象力。伴隨著代碼的迭代，技術終將以更加具象的形式成為我們的朋友。我們也將與它一同探索未知并闡述理解、思考藝術并定格瞬間，突破邊界并一同走進那個虛實融合且醞釀著無數可能的“魔法世界”。