211service.com
AI Songsmith vevar fram överraskande catchy låtar
Pianosnacket nedan, som stiger uppåtriktat för att sedan avslutas med en stämningsfull uppblomstring, låter lite som en jingel komponerad för den senaste tandkrämskampanjen.
Låten drömdes faktiskt fram av ett musikaliskt AI-program utvecklat av Google. Och programmets senaste kompositioner visar hur en kombination av en kraftfull maskininlärningsmetod med enkla musikaliska regler kan producera kreativa verk som låter anmärkningsvärt mänskliga.
Musikkomposition är en gåtfull form av mänsklig kreativitet. Låtskrivarprogram finns redan, men de följer vanligtvis en specifik uppsättning regler, och de tenderar att producera låtar som känns stela och mekaniska. Detsamma gäller programvara som rekommenderar musik baserat på dina lyssningsvanor (se The Hit Charade ). Att lära datorer att vara mer musikaliskt uppfinningsrika kan peka på hur maskiner kan hjälpa till med andra kreativa handlingar, från att designa produkter till att skriva vältalig text.
Google har tidigare demonstrerat sin musikalstrande AI-låtsmed, som är en del av ett projekt som heter Magenta som syftar till att främja artificiell kreativitet (se OK, Computer, Write Me a Song ). Ett stort neuralt nätverk matas tiotusentals låtar och tränas för att förutsäga nästa ton i en sekvens. Ett sådant nätverk kan också generera ny musik när det ges en utgångspunkt, även om resultaten tenderar att sakna struktur och grace.
Douglas Eck , en forskare på Google som leder utvecklingen av den musikalstrande AI:n, tillsammans med Natasha Jaques, en praktikant på företaget, tog nyligen fram ett sätt att få låtskrivarsystemen att producera mycket mer eleganta och catchy låtar. De använder ett tillvägagångssätt som kallas förstärkningsinlärning för att lägga till enkla principer för musikteori – undvik att upprepa en refräng för ofta, spela inte för snabbt eller långsamt, och så vidare – till den övergripande inlärningsprocessen. Nätverket får en positiv belöning varje gång det producerar en sekvens av toner som inte bara liknar mönstren i tidigare låtar, utan också följer de musikaliska regler som det har fått.
Det här är enkla regler hämtade från en lärobok i musikkomposition, säger Eck. Kombinationen av dessa regler med förstärkningsinlärning, och variansen i den verkliga världen som kommer från tusentals mänskliga kompositioner, ger oss låtar som är så catchy – de kliar lite.
Det nya tillvägagångssättet, som beskrivs i a uppsats och a blogginlägg , verkar verkligen förbättra automatiserad musikgenerering. Ett annat musikstycke visar hur programmet klarar sig utan att dessa regler ska följas. Verket känns platt, repetitivt och mekaniskt. Eck och Jaques genomförde också en användarstudie och fann att människor mycket föredrog de kompositioner som producerades med den nya tekniken.
Eck säger att förmågan att bädda in regler i förstärkningsinlärning kommer att vara användbar inom många områden, inklusive robotteknik, rekommendationssystem och språköversättning.
Det finns ingen anledning till varför maskiner inte kan vara nyfikna och kreativa, säger Jürgen Schmidhuber , en professor vid universitetet i Lugano i Schweiz som utförde banbrytande forskning om den typ av neurala nätverk som används av Googles forskare, och som har experimenterat med kreativitet med hjälp av förstärkningsinlärning. Schmidhuber tillägger att tillvägagångssättet kan ha en rad praktiska tillämpningar utöver musik. Man skulle kunna tänka sig liknande kombinationer av [neurala nätverk] och traditionella regelbaserade expertsystem för medicinsk diagnos, säger han.
Förstärkningsinlärning erbjuder ett sätt att lära maskiner att göra saker som skulle vara svåra att uppnå genom explicit instruktion. Tekniken användes av AlphaGo, ett program som utvecklats av Googles forskare för att spela det antika brädspelet Go. Även om reglerna för Go är enkla, är det svårt att förklara hur man spelar bra, och spelare utvecklar normalt en intuitiv förmåga genom många timmars träning. Men ibland kan det vara användbart att också kunna ge explicita instruktioner till ett maskininlärningssystem.
Stefan Harnad , en professor i psykologi vid University of Quebec i Kanada som har studerat artificiell kreativitet, säger att magentaarbetet är imponerande, men tillägger att det fortfarande är en lång väg kvar att gå innan datorer kan krediteras med verklig, mänsklig kreativitet. Algoritmer för djupinlärning är mycket lovande, men än så länge har de inte duplicerat vanliga, icke-kreativa mänskliga kapaciteter, så det är lite för tidigt att förvänta sig att de ska vara kreativa, säger han.
I själva verket, säger Harnad, verkar även kompositioner som de som producerats av Google-teamet ofta mekaniska efter några lyssningar.