Maskinkreativitet slår viss modern konst

Kreativitet är en av de stora utmaningarna för maskinintelligens. Det finns ingen brist på bevis som visar hur maskiner kan matcha och till och med överträffa människor i stora områden av ansträngning, såsom ansikts- och objektigenkänning, doodling, bildsyntes, språköversättning, ett stort utbud av spel som schack och Go, och så vidare . Men när det kommer till kreativitet ligger maskinerna långt efter.

Inte på grund av bristande ansträngning. Till exempel har maskiner lärt sig att känna igen konstnärlig stil, separera den från innehållet i en bild och sedan tillämpa den på andra bilder. Det gör det möjligt att konvertera vilket fotografi som helst till Van Goghs stil Stjärnklar natt , till exempel. Men även om detta och andra verk ger viktig insikt i den konstnärliga stilens natur, räknas det inte som kreativitet. Så utmaningen kvarstår att hitta sätt att utnyttja maskinintelligens för kreativa syften.

Idag får vi lite inblick i framsteg inom detta område tack vare Ahmed Elgammals arbete vid Art & AI Laboratory vid Rutgers University i New Jersey, tillsammans med kollegor på Facebooks AI-labb och på andra håll.

Vilka av dessa bilder genererades av en maskin? *Svara nedan

Dessa killar har tränat en maskin för att generera bilder som liknar mänsklig konst och ändå är olika på mätbara sätt. Dessutom har de genomfört ett slags Turing-test för kreativitet genom att fråga människor om de kan se skillnaden mellan mänsklig konst och denna maskingenererade konst. De frågade också människor vilken typ av konst de föredrar, med resultat som är något oväntade.

Tillvägagångssättet är relativt okomplicerat. Den förlitar sig på en maskin som kallas ett generativt motståndsnätverk. Detta består av två neurala nätverk som tillsammans startar inlärningsprocessen.

Ett av dessa nätverk är en traditionell maskinseende-algoritm som lär sig att känna igen bilder av en specifik typ. Elgammal och co tränade den med hjälp av WikiArt-databasen, som består av över 80 000 målningar av mer än 1 000 konstnärer från 1400-talet till 1900-talet.

Varje bild är taggad med sin konstnärliga stil. Så databasen innehåller över 13 000 impressionistiska målningar, 2 000 kubistiska målningar, över 1 000 tidiga renässansmålningar och så vidare. Maskinen lär sig känna igen var och en av dessa stilar.

Nästa steg är att ett annat nätverk genererar slumpmässiga bilder och visar dem för det utbildade nätverket, som antingen känner igen dem som representerande en viss konstnärlig stil eller förkastar dem. Genom att producera massor av bilder lär sig detta andra nätverk vad det första nätverket känner igen som konst genom en process av försök och misstag. Och efter många iterationer lär den sig att producera bilder som matchar specifika stilar.

Teamet anser dock inte att dessa bilder är kreativa eftersom de helt enkelt kopierar kända stilar inom konsten. Däremot skulle en mänsklig konstnär tänja på gränserna genom att producera något nytt.

Det finns gott om hypoteser från konsthistoriker och psykologer om den kreativa process som leder till ny konst. En välkänd idé är till exempel att nytt konstnärligt arbete måste vara fast förankrat i en konstnärlig tradition. Det måste med andra ord vara annorlunda, men inte för olika.

Särskilt menar teoretiker att konst måste stimulera betraktaren på specifika sätt. De mest betydande upphetsningshöjande egenskaperna för estetik är nyhet, överraskande, komplexitet, tvetydighet och förbryllande, säger Elgammal och co.

Nyhet avser i vilken grad en stimulans skiljer sig från vad en observatör har sett/upplevt tidigare. Överraskande hänvisar till graden av en stimulans som inte överensstämmer med förväntningarna. Överraskande är inte nödvändigtvis korrelerat med nyhet, till exempel kan det bero på brist på nyhet. Till skillnad från nyhet och överraskande, som förlitar sig på jämförelser mellan stimulanser av likheter och skillnader, är komplexitet en intra-stimulus-egenskap som ökar när antalet oberoende element i en stimulans växer. Tvetydighet hänvisar till konflikten mellan den semantiska och syntaktiska informationen i en stimulans. Förbryllande hänvisar till tvetydigheten på grund av flera, potentiellt inkonsekventa, betydelser.

Men oavsett effekten måste nivån av upphetsning den genererar vara måttlig snarare än extrem. För liten upphetsningspotential anses vara tråkig, och för mycket aktiverar aversionssystemet, vilket resulterar i negativ respons, säger Elgammal och co.

Det har viktiga konsekvenser för hur deras generativa motståndsnätverk, eller agent, är uppbyggt. Agentens mål är att skapa konst med ökade nivåer av upphetsningspotential på ett begränsat sätt utan att aktivera aversionssystemet, säger de. Med andra ord försöker agenten skapa konst som är ny, men inte för ny.

Forskarna säger att de har hittat ett sätt att få sitt generativa motståndsnätverk att göra detta. Efter att ha lärt sig att reproducera vissa konstnärliga stilar är maskinen inställd för att producera bilder som faller inom accepterade gränser för konsten som helhet men som maximerar skillnaden från kända stilar. Agenten försöker utforska det kreativa rummet genom att avvika från de etablerade stilnormerna och genererar därmed ny konst, säger Elgammal och co. De kallar den här maskinen för ett kreativt motståndsnätverk.

Syratestet är förstås hur människor reagerar på denna maskingenererade konst. För att ta reda på det visade Elgammal och co en rad bilder – både mänskliga och maskingenererade – för mänskliga arbetare på Mechanical Turk, en online-crowdsourcingtjänst.

De mänskligt genererade bilderna inkluderade bilder från WikiArt-databasen för abstrakt expressionism samt ett urval av bilder från en flaggskeppsmässa för samtida konst som hölls i Basel, Schweiz, 2016. Dessa bilder representerar toppen av modern konst. Anledningen till att man valde abstrakt expressionism var att till stor del ta bort bilder av människor och föremål som tydligt hjälper till att skilja maskinkonst från mänsklig konst.

Vissa av de maskingenererade bilderna producerades av det kreativa motståndarnätverket, men andra producerades av det generativa motståndarnätverket som helt enkelt återger konstnärliga stilar som det har lärt sig.

Forskarna bad varje person att betygsätta bilderna på olika sätt, till exempel hur mycket de gillade var och en, hur ny den verkade och om den skapades av en människa eller en maskin. De frågade också om deltagarna kunde ana konstnärens avsikt, om de kunde se en struktur växa fram i bilden och om bilden inspirerade dem.

Resultaten ger intressant läsning. Människor var ganska bra på att upptäcka abstrakta expressionistiska bilder skapade av en människa och de som skapades av en maskin. Men när det gäller konsten från Basel hade människors tittare svårt att se skillnad.

Människorna värderade också bilderna som skapats av det kreativa motståndarnätverket högre än den mänskligt skapade konsten som visas i Basel. De identifierade sig närmare med det och tyckte att det var mer inspirerande.

Det är frestande att tolka detta som en fördömande anklagelse mot den moderna konstens tillstånd och graden av kreativitet som den skapar. Men Elgammal och co undviker ett knävärk. Vi lämnar öppet hur man tolkar de mänskliga subjektens svar som rankade CAN-konsten bättre än Art Basel-proverna i olika aspekter, säger de diplomatiskt.

Den större frågan är om processen som Elgammal och co har använt för att göra sina bilder verkligen kan ses som kreativ. En annan tolkning är att det är en rent algoritmisk process som har lärt sig att utnyttja mänsklighetens känslomässiga sårbarheter. Om så är fallet, kanske en framtida definition av konst måste innehålla kravet att den måste skapas av en människa.

Hur som helst, den här typen av arbete kommer att tänja på gränserna för konst och kreativitet bara lite längre.

Ref: arxiv.org/abs/1706.07068 : KAN: Kreativa kontradiktoriska nätverk som skapar konst genom att lära sig om stilar och avvika från stilnormer

*Svar: alla

Dölj