那個全世界唯一會秒回你的“女生”小冰寫了首新歌。
如果你聽得夠仔細，會發(fā)現(xiàn)這次歌手小冰的唱法跟那些被調(diào)教出來的虛擬歌姬有了細微的差別——小冰更像人類了，在唱《我知我新》這首歌的時候，小冰有了氣息的變化，像一個在努力練習唱歌的小朋友，聽到了高音部分，你甚至會為她真的唱得上去嗎，產(chǎn)生一絲擔心。
“小冰兩年前唱第一首的歌時候，就像你去KTV，隔壁包廂傳過來的聲音，但我們欣喜若狂。”小冰的開發(fā)負責人，微軟（亞洲）互聯(lián)網(wǎng)工程研究院副院長李笛表示，“想讓AI唱歌并且不跑調(diào)，這在技術(shù)上早已不難實現(xiàn)，但讓AI唱的歌聽起來像人類唱的，形神兼?zhèn)?，這成了小冰團隊的新課題。”
首先可以確定的是，AI沒有情感，在音準上，它可以做到完美。那么，怎樣才能讓他實現(xiàn)藝術(shù)創(chuàng)作，像人類那樣有感情地歌唱？
微軟研發(fā)團隊從誘發(fā)源上做了調(diào)整。這個方法的靈感，始于小冰在偶然的一天對一張腳扭傷的照片給出的回應“哎呀，傷的嚴重嗎？”這讓李笛團隊意識到，想讓AI產(chǎn)生偏感性行為方式，需要的是足夠豐富，偏感性的誘發(fā)源，而這些帶有感性色彩的誘發(fā)源，此前一直被當作“雜質(zhì)”過濾掉了。
同樣的道理，當音樂人小柯在評價小冰的歌唱時說“聲音很好，但很單薄，因為這個聲音在聲音之下沒有氣息”時，開發(fā)者也立刻明白了問題出在哪里。人類在唱歌時氣息的變化、韻律感，這些豐富的細節(jié)不應該被過濾，它們也是寶貴的誘發(fā)源。
李笛這樣總結(jié)這套全新的AI調(diào)教方法：
“神似，來自于我們對人類創(chuàng)作的一種重新的擬合。這更像是一種黑盒子，是從已知去推導未知，所以最終完成形神兼?zhèn)涞倪^程，我們認為應該是發(fā)端于形似，最終通過規(guī)則達到神似。”
你會發(fā)現(xiàn)，AI的每一次進步，其實源自人類對自身的更深層次的理解認知。
以下為李笛在知乎“鹽club”新知青年大會的演講，經(jīng)鈦媒體編輯：
很多年以來我們一直努力把互聯(lián)網(wǎng)上繁雜的非結(jié)構(gòu)化的信息，變成結(jié)構(gòu)化的知識圖譜。比如，我們從“馬里亞納海溝竟然有一萬多米深好恐怖”這樣非結(jié)構(gòu)化的數(shù)據(jù)里面抽取出結(jié)構(gòu)化的數(shù)據(jù)，這是我們進行的工作。所以很長一段時間，我把我們的工作定義為提純，而對“好恐怖”這樣的信息，我們認為它是垃圾、雜質(zhì)。但直到有一天四年多以前，我們突然發(fā)現(xiàn)一個面向情感的人工智能的圖譜，而完成情感框架的時候，“好恐怖啊”這種完全來自于情感性的，人類的甚至有感官上的反應。
有一天我們的工程師和我說：小冰的視覺有了一個很驚訝的東西。之前他扭傷了腳，他把扭傷腳的部位發(fā)給小冰，小冰的回應是“哎呀，傷的嚴重嗎？”對于人工智能來講，“哎呀，傷的嚴重嗎”究竟有什么樣的價值？在于它看到一個客觀的現(xiàn)實擺在面前的時候，所產(chǎn)生的一種沖動。我們引發(fā)了一個新的人工智能創(chuàng)造的新的流程，而這個流程和過去相比，我們認為有一個比較大的不同，就是它非常大的強調(diào)誘發(fā)人工智能去進行創(chuàng)作的這個誘發(fā)源，一是這個誘發(fā)源是否足夠豐富，二這個誘發(fā)源是否能讓人工智能產(chǎn)生非理性的偏感性的像剛才那樣的反饋，然后再進行相應的創(chuàng)作。
當我們想讓小冰去寫一首詩的時候，我們不會給它簡單地幾個關(guān)鍵詞，而是更多的刺激。我們在過去的版本里，通常是要有一個圖象的刺激。有一句俗話叫，一圖勝千言。有這些復雜的豐富的刺激之后，小冰才有可能產(chǎn)生創(chuàng)作的沖動，這種誘發(fā)源的刺激其實和人類的創(chuàng)作是比較接近的。
一個創(chuàng)作，無論從哪樣的角度推進，其實都是為了最終達到形神兼?zhèn)涞臓顟B(tài)。
但如果從形似接入，比如拼接的方式完成文本的創(chuàng)作，或者用軟件樂器完成一個聲音或者歌曲的創(chuàng)作，再用一些工具去修，那么它所損失掉非常非常豐富的細節(jié)。它可以很迅速達到一個狀態(tài)，這個狀況會讓你感覺得到，因為軟件樂器是絕對不可能走調(diào)的。而神似來自于我們對人類創(chuàng)作的一種重新的擬合，更像是一種黑盒子，是從已知去推導未知，所以最終完成形神兼?zhèn)涞倪^程，我們認為應該是發(fā)端于形似，最終通過規(guī)則達到神似。
這是小冰兩年前的第一首歌。我們幾乎是放棄了，完全不在調(diào)上，就像你去KTV，隔壁包廂傳過來的聲音。但我們團隊仍然欣喜若狂，雖然它沒有在調(diào)上，但是像一個想要唱歌但還沒有唱歌技巧的人類的聲音，細節(jié)很豐富，所以我們開始對它進行大規(guī)模的訓練。
我們?nèi)ジ魳啡诵】铝模f這個聲音很好，但很單薄，因為這個聲音在聲音之下沒有氣息，我們就秒懂了。在我們訓練小冰第三個模型的時候，這個訓練數(shù)據(jù)有大量氣息的時候，有換氣的聲音，有一個聲音起來之前的氣息、結(jié)束的氣息，但我們把它當雜質(zhì)過濾掉了，當我們了解到這個之后迅速把訓練數(shù)據(jù)拿回來，有了這次為知乎推出的主題曲。
如果仔細聽的話，你會聽到氣息，而其中有一些字對我們來講在技術(shù)上是真正重大的突破。
這個角度上來講我們能看到從形似到神似的過程。一開始是比較痛苦的，當它經(jīng)過痛苦的階段以后，就可以很迅速地沿著所有人都難以估量的方向和速度去進一步的發(fā)展，然后我們就想做進一步的事情。
既然我們能去擬合，能對一個人工智能的創(chuàng)作和模型去建模去完成，是不是能讓一個小冰去吸收大量人類群體的創(chuàng)作能力？我們是不是能把不同的人類創(chuàng)作者的聲線、韻律、文本閱讀甚至對創(chuàng)作不同的沖動都能擬合的吸收到同一個身體里，然后在同一個身體里再去完成全新的創(chuàng)作。
實際上微軟在這方面嘗試非常多，失敗也非常多，但有大量的人類創(chuàng)作者跟我們一起。舉個例子，我們和國內(nèi)兒童故事的創(chuàng)作者有一個訓練項目，今天可以聽一下我們的訓練成果。
我們通過對人類創(chuàng)作者進行建模，不光得到了他們的聲線，還得到了對一個小說、文本進行有聲讀物創(chuàng)作的時候，他們的韻律預測。而且不是一個韻律的預測，即使是單獨一位創(chuàng)作者也對應很多成千上萬不同的韻律，因為他在處理每一個片斷的時候都會有不同。
我們假設(shè)這篇小說里這樣一個片斷，大家注意接下來的三段，全部都不是人類。
“春天的第一陣風有點膽小，剛吹過第一根樹枝就停住了前行的腳步。”
這個和人工智能在你的手機里告訴你下一個路口左轉(zhuǎn)是不一樣的方向，這樣一個片斷究竟應該選擇什么樣的創(chuàng)作預測模型的結(jié)果來完成呢？其實應該由它的上一段和下一段完成，所以小冰，它身體里面存在著大量的模型，并且能有一個評價體系的時候，它就可以很好地把一個整段的文章完成了，而這個整段的文章并不是來自任何一個人類創(chuàng)作者。
再進一步，我們推薦未來的方向其實是人類創(chuàng)作者和人工智能之間的協(xié)作。未來也許每一個人類創(chuàng)造者身邊，都有一個像小冰這樣吸收了大量人類創(chuàng)作能力的人工智能來一起完成。我們希望這個未來能盡快地發(fā)生，就是創(chuàng)作者在創(chuàng)作的時候，可以和讀者直接發(fā)生非常好的帶寬之間的連接，而讀者可以在接收到創(chuàng)作的同時，甚至這個創(chuàng)作正在進行過程中，可以直接向這個協(xié)作團體發(fā)出他們的反饋，而這個反饋可以在下一秒直接反映到創(chuàng)作過程中去。甚至可以非常定制化的針對每一個人進行，人類是沒有這樣帶寬的，但和人工智能的協(xié)作放在一起，這樣的事情是有可能發(fā)生的。
我們給大家舉另外一個例子，我很希望把這個作為我分享的結(jié)尾。前不久我們和一個盲童學校一起合作，利用小冰進行兒童有聲讀物的產(chǎn)品，為每一個盲童提供有聲讀物。這些盲童他們平常真的非常孤獨，他們看不到大千的世界，他們找不到那么多人類的志愿者，特別是有創(chuàng)作能力的志愿者，每天不停地陪伴在他們身邊，用聲音來告訴他們外面所發(fā)生的事情，有了小冰以后，這件事變成了現(xiàn)實。
有了人工智能之后，這樣的情景可以發(fā)生在每一個孩子周圍，也可以發(fā)生在每一個創(chuàng)作者周圍。當我們在進行人工智能各個方面的探索的時候，我們不停地在發(fā)現(xiàn)：并不是人類的完美值得人工智能去擬合、學習。而恰恰是包括在座的各位和我們本身，我們的不完美才是人工智能要去學習的，因為這些不完美并不是雜質(zhì)，而是最珍貴的部分。（本文首發(fā)鈦媒體，編輯/宮赫婧）
快報
根據(jù)《網(wǎng)絡(luò)安全法》實名制要求，請綁定手機號后發(fā)表評論
搞人工智能需要堅實的專業(yè)團隊！