Press "Enter" to skip to content

你所不知道的 AI 进展

人工智能现在是常见词汇,大多数人可能觉得,它是学术话题,跟普通人关系不大。

 

但是实际上,AI 突飞猛进,正在脱离实验室,进入日常生活。仅仅是现在的技术水平,就足以模糊现实与虚拟的界限,颠覆一般民众的认知。

 

 

(图1:2018年10月,世界第一幅 AI 生成的肖像画, 拍卖 成交价43.25万美元。)

 

为了让普通人了解 AI 的进展,谷歌的机器学习专家格里高利·萨普诺夫(Grigory Sapunov)写了一篇通俗的 科普文章 ,介绍目前的技术成果。这盘文章非常精彩,有大量的图片,加上一些简单的解释,信息量很大,对于了解技术动态很有帮助。

 

 

(图2:谷歌的机器学习专家格里高利·萨普诺夫)

 

下面就是那篇文章的翻译,比较长,图片很多,但是值得耐心读完。我保证,有些内容一定会让你感到吃惊。

 

另外,插播一条活动消息。大家知道,国内最大的在线教育平台之一的 腾讯课堂 ,赞助了我的个人网站。他们最近启动了 “腾讯课堂101计划” ,推广优质的技术教育资源。 大家可以留意一下本文结尾的,帮你掌握开发网页和手机 App,提高技术水平。

 

一、图像处理

 

人工智能最早是从图像处理开始的。图像处理是一种常见任务,智能要求比较高,需要使用 PhotoShop 之类的软件人工编辑,一般的算法解决不了。

 

1.1 对象补全

 

2017年,日本科学家提出了一种 图像的对象补全模型 。经过训练,模型可以补全图片上缺失的部分。

 

 

(图3:图像的对象补全模型)

 

上图中,左边是原始图片,然后把中间的花盆涂掉,输入模型。模型会自动补全缺失的部分(右图),由于它不知道,那里有一个花盆,所以只会根据没有涂掉的部分,补上地板和扶手。

 

下面是更多这样的例子。涂掉的部分,模型都会补上,哪怕它根本不知道,那里原来是什幺。

 

 

(图4:图像的对象补全示例)

 

Nvidia 公司将这个模型做成了产品,放在网上。你可以到 它的网站 ,上传一张图片,然后涂掉一些部分,让网站替你补全。

 

 

(图5:涂掉沙发旁边的茶几)

 

有的 图像软件 已经应用这项技术,去除人像脸上的斑点。

 

1.2 背景处理

 

背景处理指的是,将前景物体从图片分离出来,再对背景进行加工。目前,已经有 很好的智能算法 可以去除图片背景。

 

 

(图6:图片的背景去除)

 

在模型内部,图片会转成像素的色块。下图的浅紫色块就是前景物体,然后再把这些像素提取出来。

 

 

(图7:背景去除模型)

 

这个模型也已经做成了 线上服务 ,大家可以上传图片感受一下它的效果。

 

既然可以去除背景,那当然就可以 更改背景 ,为图片合成打开方便之门。

 

 

(图8:更改图片背景)

 

1.3 样式转换

 

人工智能还能够 识别 图片的风格样式(即像素的变化规律),将其套用在另一张图片。

 

 

(图9:原始图片)

 

上图是两张原始图片,第一张是梵高的名画《星夜》,第二张是普通的风景照。模型可以提取第一张图片的风格,将其套用在第二张图片。

 

 

(图10:套用梵高的《星夜》风格)

 

其他名画的风格,同样可以套用。

 

 

 

(图11:图像的风格转换)

 

1.4 图像着色

 

一旦识别出图片中的物体,模型就可以统计不同物体的像素颜色规律,然后就能推断黑白照片可能的颜色,从而实现 照片着色

 

 

(图12:黑白照片的着色)

 

网上也有免费的 着色服务 ,大家可以体验。

 

二、GAN 方法

 

2.1 简介

 

GAN 是”生成对抗网络”(Generative Adversarial Networks)的缩写,它是一种革命性的提升人工智能模型效果、生成虚拟图像的方法。

 

原理很简单,就是两个神经网络互相对抗。一个神经网络负责生成虚拟图像,另一个神经网络负责鉴定假图像。理论上,如果 GAN 训练成功,那幺生成的假图像与真图像将无法区分。2014年,这种方法提出以后,快速发展,目前效果已经可以乱真。

 

 

(图13:GAN 的改进速度)

 

上图是过去几年,GAN 生成的虚拟人像。可以发现,每过一年,图片越来越大,细节越来越丰富,越发接近真实人像。它的工作方法也是如此,第一步生成一张低分辨率图片,然后慢慢放大,依次修改每一个像素,确定该像素怎样才能最大概率通过鉴定器。

 

GAN 不仅能生成虚拟图像,还能生成音频、文本,甚至是化合物分子。AI 模型可能创造出来的任何东西,都能使用 GAN 提升效果。GitHub 有一个 仓库 ,专门收集不同用途的 GAN,目前已经有500多种模型。

 

2.2 StyleGAN

 

目前,生成虚拟人像效果最好的模型是 Nvidia 公司的 StyleGAN 。下面两张头像,你能分辨哪张是虚拟的,哪张是真实的吗?

 

 

(图14:GAN 虚拟人像)

 

这是网站截图,你可以去 那个网站 试试看,能猜对多少张。需要提醒的是,这是2018年底的模型产物,随着模型进化,迟早将无法分辨真假。

 

GAN 不仅能生成人像,实际上可以生成任何图像。下面是 BigGAN 模型生成的各种图像,图片里的东西都是不存在的。

 

 

(图15:BigGAN 模型生成的虚拟图像)

 

2.3 图像翻译

 

一种图像通过 GAN 转变为另一种图像,称为图像翻译。空拍照片变成地图、黑白照片变成彩色照片,都是图像翻译的例子。

 

pix2pix 是图像翻译的开源工具,它可以让黑夜变成白天,示意图变成实物图。

 

 

(图16:图像翻译)

 

也可以让春天变成夏天,晴天变成雨天。

 

 

(图17:图像翻译)

 

图像翻译的难点在于,它需要有成对的示例(源图像和相应的目标图像),告诉模型应该怎幺翻译,这些示例可能很难创建。但是反过来,只要有配对的示例,就可以翻译图像,不管这种翻译是否合理。下面是两只小猫翻译成对应的豹子、狮子和老虎。

 

 

(图18:图像翻译)

 

CycleGAN 模型还支持跨域翻译,将照片翻译成油画,斑马翻译成马。

 

 

(图19:图像翻译)

 

Nvidia 开发了一个 GauGAN 软件,可以在线试玩。用户只需手绘一个示意图,软件就能生成一张对应的风景照片。

 

 

(图20:GauGAN 将示意图变成照片)

 

2.4 人像翻译

 

图像翻译用于人像,就是人像翻译。 StarGAN 模型可以翻译面部属性,比如头发的颜色、性别、肤色等。

 

 

(图21:脸部属性的改变)

 

还可以把其他人的表情移植到你的脸上,下图分别是愤怒、快乐、恐惧的表情翻译。

 

 

(图22:表情的改变)

 

SC-FEGAN 是人像翻译的开源软件,可以让你编辑人像,比如加上刘海,去除墨镜等等。

 

 

 

(图23:人像编辑软件 SC_FEGAN)

 

2.5 文本到图像生成

 

GAN 最惊人的成果之一,大概就是 根据文本生成图像 。用户提供一个句子,软件生成对应的图像。原始文本”一只红中透白、长着非常短的尖嘴的鸟”,可以得到下面的图像。

 

 

(图24:根据文本生成图像)

 

论文甚至提到,将来存在可能,根据剧本直接生成一部电影。

 

三、视频生成

 

图像处理逐渐成熟以后,人工智能业界的关注重点就转向了视频。

 

从一个视频生成另一个视频,这就叫视频翻译。目前比较成熟的两个方向是运动传递和面部交换。

 

3.1 运动传递

 

运动传递指的是,将一个人的动作(包括身体、眼睛或嘴唇的动作)翻译到另一个人身上,使得另一个人出现一模一样的动作。

 

2018的论文 《Everybody Dance Now》 ,给出了一个模型,可以将舞者的动作移植到任何人身上。

 

 

(图25:动作传递)

 

上图中,蓝衣女子的跳舞视频完全是假的,是将左上角舞者的动作套用在她身上,自动生成的。

 

NVIDIA 公司的开源软件 vid2vid 更为强大,可以生成高分辨率的、连贯的逼真视频。

 

 

(图26:vidvid 软件)

 

3.2 脸部生成

 

脸部生成指的是,根据一张脸的表情和动作,重建另一张脸。最着名的例子是虚拟的 奥巴马演讲 。2017年,华盛顿大学的团队发表了一段奥巴马的演讲视频。奥巴马其实从未做过这个演讲,是将别人的表情和口型套在他脸上生成的,语音也是合成的。

 

 

(图27:虚拟的奥巴马演讲)

 

这种伪造的视频被称为 Deepfake (深度伪造),具有很大的欺骗性,许多在线平台都禁止上传这一类视频。

 

 

(图28:伪造的特朗普演讲,将喜剧演员的表演变成特朗普自己在讲。)

 

 

(图29:深度伪造的普京)

 

2018年出现的 《深度视频肖像》 更进了一步,生成的视频不局限于虚拟的面部表情,还会头部旋转、眼睛凝视和眨眼,是 3D 的肖像重构。

 

 

(图29:深度视频肖像)

 

这些技术还在 继续发展 ,现在你可以给出任意文本,从任何你指定的对象嘴里说出来。甚至只凭一张照片,就可以生成一段表情变化的视频。

 

 

(图30:一张照片生成各种表情)

 

3.3 中国的实践

 

国内的人工智能视频生成,并不落后于国外。换脸应用 ZAO 只需用户上传一张照片,就能把影视剧主人公的脸换掉,好像你本人在表演电影一样。

 

 

(图31:换脸应用 ZAO)

 

2018年,新华社与搜狗合作推出了虚拟新闻主播,具有真人的形象,带有声音、面部表情和动作,在电视上播报新闻,已经开通了英语、俄语、阿拉伯语的主持人。

 

 

(图32:虚拟新闻主播)

 

3.4 视频渲染

 

除了视频生成,人工智能在视频渲染上也取得了很大进展。

 

Nvidia 公司2018年展示了实时光线追踪 RTX 技术。这项技术用人工智能预测光线的变化,从而不用耗费大量计算去追踪光线,因此可以实时渲染出高画质的 3D 动画。这对于视频游戏有重大意义。

 

下面是使用这项技术的 Unreal Engine 4,实时渲染出的一个女子的 3D 动画 ,可以一边计算生成,一边播放,完全没有延迟。

 

 

 

(图32:实时渲染的动画)

 

实时光线追踪技术还可以用于自动驾驶,在白天和黑夜的不同时间,不同的路面和环境下,预测出暴雨、风雪和强烈的眩光导致的光线变化,对驾驶做出调整。

 

四、文本和声音处理

 

最后,简单提一下,人工智能在文本和声音处理领域的进展。

 

(1)语音合成

 

谷歌在2018年推出了智能助手 Google Duplex,它会根据你的日程,自动打电话去餐厅订座位。谷歌 CEO 说,这个机器人的对话能力,使得对方完全没有发现这是机器人。

 

(2)音乐合成

 

OpenAI 基金会推出的 MuseNet ,通过学习数十万段 MIDI 音乐,能做到使用10种乐器,生成一段4分钟的音乐。它的官网有这些音乐的下载,相当动听。

 

(3)自动评论

 

据报道,使用 Yelp 网站的数据进行训练的模型,可以 自动生成 餐厅评论。

 

 

    1. 我喜欢这个地方,一直来这里已经好多年。它是与朋友和家人相聚的好地点,我喜欢这里的食物和服务,从未有过糟糕的经历。

 

    1. 我吃了烤蔬菜汉堡配薯条!哦,很好吃!

 

    1. 我和我的家人都是这个地方的忠实粉丝。工作人员超级好,食物也很棒。鸡肉很好,大蒜酱也很完美。配水果的冰淇淋也很美味。强烈推荐!

 

 

上面这些都是机器生成的评论。

 

(4)智能邮件

 

Gmail 会根据电子邮件的来信内容,自动生成 三种不同的回复 ,让用户选择。如果只是简单回应,用户不用自己动手写。

 

Gmail 的 另一个功能 是,根据用户已经写的内容,预测接下来会写的句子,供用户选择。

 

五、小结

 

毫无疑问,人工智能是很酷的技术,创造出了神奇的产品,有着难以想象的巨大应用前景。

 

但是,人工智能也是一把双刃剑,模糊了现实与虚拟之间的界限,把我们带上了一条不可预测的道路。作为个人,了解这些技术的进展和潜力,有助于保持一份清醒,享受技术之福的同时,避免它带来的一些副作用。

 

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注