Hit Charade

Zane Lowes första show som DJ på Apple Music var lite svindlande. Låtarna han spelade slingrade sig från punk-pop till post-rock till grime till electronica till stadionrock och mer. Han visade upp tidigare ohörda låtar tillsammans med spår inspelade för decennier sedan av välkända rockare. Men trots oordningen – eller förmodligen på grund av den – njöt jag av showen. Varje nytt spår tog mig i en överraskande riktning, samtidigt som mixen av artister och energin i låtarna verkade matcha Lowes lite förvirrade prat.

En sak som sticker ut med Apple Music, en streamingtjänst som du kan använda på datorer och mobila enheter för 10 USD i månaden, är närvaron av mänskliga DJ:s som Lowe på en kanal som heter Beats 1. Lowes show introducerade mig för okända artister, och det lyfte fram spännande musikaliska kopplingar – mellan till exempel en stadionhymn av AC/DC och en ny remixad electronica av en skotsk artist som heter Hudson Mohawke. Känslan som gick genom alla låtarna var positiv, till och med trotsig.

Den här historien var en del av vårt novembernummer 2015

• Se resten av frågan
• Prenumerera

Precis som datorer ännu inte kan skapa kraftfull och fantasifull konst eller prosa, kan de inte riktigt uppskatta musik. Och att arrangera en gripande eller övertygande musikspellista kräver en typ av insikt de inte har – förmågan att hitta likheter i musikaliska element och att få den känslomässiga resonansen och det kulturella sammanhanget för låtar. Trots alla framsteg som görs inom artificiell intelligens är maskiner fortfarande hopplöst fantasilösa och förutsägbara. Det är därför Apple har anställt hundratals personer för att fungera som DJ:s och skapare av spellistor, utöver de algoritmiska rekommendationer som det fortfarande erbjuder.

Pandoras val tenderar att vara ganska förutsägbara - ofta lika intetsägande och konventionella som de på kommersiell radio.

Att ta in mänskliga experter är ett smart sätt för Apple att differentiera sig. Trots att den varit pionjär inom digital distribution och lagring av musik, befinner den sig nu efter streamingtjänster som Pandora, Spotify, Rdio och Tidal. Ingen av dessa betonar kuration av mänskliga experter så mycket som Apple Music gör. Och även om algoritmerna som alla dessa företag använder för att rekommendera låtar har förbättrats avsevärt under de senaste åren, finns det ingen verklig musikalisk förståelse eller uppskattning på gång. Det syns. Algoritmerna använder statistiska tekniker för att analysera lyssnardata, och gör en välgrundad gissning om vad du skulle kunna gilla. Det finns fortfarande ingen algoritm som kan redogöra för mänsklig smak.

Att höra saker

Pandora, en av de första musikströmningstjänsterna, är ett bra exempel på den algoritmiska metoden. Genom ett decennium gammalt arbete kallat Music Genome Project, har Pandora anställt musikexperter för att tagga låtar med hundratals egenskaper, såsom genren, de typer av instrument som används, och till och med den melodiska fraseringen och tonaliteten. När du ger Pandora ett band, en kompositör eller en låt som utgångspunkt, skapar det en radiostation med musik med liknande egenskaper. Välj Beatles och Pandora kan automatiskt skapa en låt av Beach Boys och informera dig om att vi spelar den här låten eftersom den har mjuk rockinstrumentering, krävande vokalframträdanden, sammanvävd vokalharmoni, blandad moll- och durtonalitet och melodisk låtskrivande.

Tyvärr tenderar Pandoras val att vara ganska förutsägbara - ofta lika intetsägande och konventionella som de på kommersiell radio. Efter att ha börjat med Beatles är det osannolikt att du kommer att höra en låt i en helt annan stil som var populär vid samma tid, till exempel, eller en hiphop-artist som har gjort ett smart jobb med att prova Ringo och cos arbete.

På senare tid har algoritmer börjat producera spellistor som kan kännas mycket mer nyanserade och skräddarsydda. Världens största streamingtjänst, Spotify, som har mer än 75 miljoner användare, driver det senaste och använder enorma mängder data för att göra personliga rekommendationer.

Saker granskade

• Apple Music

• Pandora

• Spotify

• Kreativitet, Turing-testet och (Bättre) Lovelace-testet

  Av Selmer Bringsjord, Paul Bello och David Ferrucci
  Sinne och maskiner
  vol. 11, 2001

Chris Johnson, som leder ett av Spotifys datavetenskapsteam i New York, säger att företaget anställer människor för att göra några av sina spellistor. Men den samlar också in så mycket data som möjligt om en användares lyssnande beteende, och jämför den sedan med data som samlats in från andra användare. Tanken bakom denna teknik, känd som kollaborativ filtrering, är att du förmodligen kommer att gilla en låt som någon med liknande smak redan har upptäckt och njutit av. Förra året förvärvade Spotify ett företag som heter Echo Nest som samlar information om ny musik som publiceras på bloggar, nyhetswebbplatser och sociala medier. Dessa åsikter ingår nu också i Spotifys rekommendationer, vilket hjälper till att göra dess musikförslag ännu smartare.

I juli började Spotify testa en personlig spellista som gjordes tillgänglig på detta sätt. Vi tittar på vad du spelar, spellistor du skapar och i princip allt vi vet om dig. Från det, varje måndag, kommer det att finnas den här nya spellistan med musik, berättade Johnson för mig.

De första spellistorna jag fick innehöll flera låtar som jag älskade direkt, även om ingen avviker särskilt långt bortom det jag redan lyssnar på. Det är användbart, men inte riktigt uppseendeväckande.

Det finns en inneboende begränsning för sådana automatiserade rekommendationsalgoritmer också: de kan inte föreslå en ny låt, eftersom det inte finns några data som visar hur mycket andra lyssnare gillar den. I motsats till en algoritm kan människor vanligtvis inom några ögonblick av lyssnande se hur mycket de gillar ett nytt spår. Här har dock de senaste framstegen inom artificiell intelligens börjat hjälpa. Förra året började Spotify testa ett sätt att analysera en låt i sig snarare än bara de metadata som är kopplade till den. Detta innebar att träna det som kallas ett nätverk för djupinlärning, grovt modellerat på lager av neuroner i hjärnan, för att känna igen frekvensegenskaper hos en ljudsignal (motsvarande ljudet du hör och hur ljudet förändras över tiden) i miljontals låtar . Dessa algoritmer kan klassificera en ny låt förvånansvärt bra, som visas i exemplet spellistor upplagda av en medlem av Johnsons team på Spotify.

Mänsklig expertis kommer att förbli en viktig del av Spotifys algoritmer under överskådlig framtid.

Men inte ens denna bedrift är bevis på verklig musikalisk förståelse eller omdöme. Spotifys djupinlärningssystem måste fortfarande tränas med hjälp av miljontals exempellåtar, och det skulle bli förbryllat av en ny djärv musikstil. Dessutom kan sådana algoritmer inte arrangera låtar på ett kreativt sätt. De kan inte heller skilja mellan ett verkligt originellt stycke och ännu en jag-för-imitation av ett populärt sound. Johnson erkänner denna begränsning, och han säger att mänsklig expertis kommer att förbli en viktig del av Spotifys algoritmer under överskådlig framtid.

Apples Beats 1 erbjuder en helt annan upplevelse. Ett radioprogram, Alligatortimmen , som frontas av musikern och producenten Joshua Homme, hyllar obskyra men extremt originella låtar. Den njuter också av de absurda kopplingarna som kan hittas mellan vissa låtar – att till exempel para ihop den melodiska sidan av Sex Pistols med adrenalinet som ger bränsle till Donna Summers disco. Det är jättekonstigt. I en annan show, kallad Mixtape leveransservice ,musikern Annie Clark (scennamn St. Vincent) spelar en anpassad lista med låtar inspirerade av en lyssnares humör eller situation. I sin första show arrangerade Clark en retrospektiv av mindre känd men kulturellt betydelsefull dansmusik för en 11-årig tjej som ville lära sig mer om genren.

Auditivt Turingtest

Vad är det som ger människor denna förmåga? Kan djupinlärning eller andra artificiella intelligenssystem någonsin utveckla smak som går utöver att klassificera egenskaperna hos en låt för att avgöra om den är bra eller inte? Kan datorer identifiera den där immateriella egenskapen som människor naturligt förknippar med talang eller kreativitet eller originalitet? När jag frågade Johnson om en algoritm någon gång skulle kunna scouta ut en hitlåt från en osignerad artist, sa han: Det är precis vad vi vill göra.

Det är en djärv ambition och en som kan visa sig svårfångad. Musikalisk uppskattning och kreativitet har ingenting att göra med att hitta statistiska mönster i stora högar av data.

Vad skiljer något ovanligt eller bisarrt från något kreativt? Det är en svår fråga, säger Eyal Reingold, en psykolog vid University of Toronto som studerar mänsklig kreativitet. För att en maskin ska visa kreativitet, säger han, måste den producera något som inte bara är ovanligt - eller något som inte har programmerats in i det - men som bedöms vara användbart, åtminstone i något kulturellt sammanhang.

Faktum är att kreativitetens hala karaktär har fått vissa psykologer och datavetare att föreslå att det kan vara ett användbart sätt att mäta maskinintelligens. I en artikel publicerad 2001, två akademiker från Rensselaer Polytechnic Institute, tillsammans med David Ferrucci, då en IBM-forskare som skulle fortsätta att skapa en dator som heter Watson som skulle vinna spelmässan Jeopardy! , menade att ett kreativitetstest kunde vara ett bättre sätt att bedöma om en dator hade uppnått mänsklig intelligens. De noterade att testet som föreslogs 1950 av Alan Turing, som mäter en maskins intelligens genom en maskinskriven konversation, uppmuntrar programmerare att använda knep snarare än att bygga något verkligt intelligent. De resonerade att kreativitetsbragder, oavsett om det är inom målning, skrivande, musik eller något annat område, är mycket svårare att fejka och är grundläggande för intelligens. Och de kallade sitt alternativ Lovelace-testet, efter Ada Lovelace, som ofta ansågs vara världens första datorprogrammerare, som noterade 1843 att de första datormaskinerna, hur imponerande de än är, skulle vara oförmögna att göra något original.

Talande nog har försöken att klara Lovelace-testet i stort sett börjat. Ändå lever utmaningen vidare. Faktiskt, Michael Casey , en professor i musik och datavetenskap vid Dartmouth College, planerar att hålla flera Turing-tester tidigt nästa år, kanske följt av några Lovelace-tester. En kommer att involvera dator-DJ:s, med dansare som uppmanas att bedöma om sångerna de just hört var uppmärksammade av en människa eller av en maskin. Casey hoppas att en maskin inom detta begränsade sammanhang kommer att visa något som liknar musikalisk kreativitet.

Han verkar dock knappast självsäker. Oavsett vilken typ av algoritm vi tidigare har försökt tillämpa på musik – oavsett om det är något som försöker efterlikna Bach eller Mozart, eller försöker rekommendera musik – känns det vid en viss tidpunkt som att det inte har någon 'form' till det, säger han lite bedrövligt. Det kan, i några sekunder, lura dig, men det har ingen övergripande plan. Och jag tror att detsamma kan vara sant för ett automatiserat DJ-set.

Kanske kommer detta att vara sant ett bra tag till. Och om vi vill att maskiner ska komma med något så unikt och originellt som en show på Apples Beats 1, så kan vi behöva tänka lite mer kreativt om hur vi designar dem.

Dölj