如果有人讓你畫一只小鳥，你大概得先線條起稿、補充細(xì)節(jié)，然后著色，整個過程也得個把小時。微軟最近發(fā)布了一項新的人工智能項目，名為繪畫機器人（drawing bot），可以將文字轉(zhuǎn)換成圖畫（text-to-image）。

1

對抗生成網(wǎng)絡(luò)

何曉東是微軟深度學(xué)習(xí)技術(shù)中心的負(fù)責(zé)人，也是 text-to-image 項目的核心人員之一。他說，跟網(wǎng)絡(luò)搜索得到的圖片不同，繪畫機器人給你的圖案都是按照一定的指令一點一點畫出來的，也有可能它畫出來的東西這個世界上并不存在。

繪畫機器人的核心技術(shù)是對抗生成網(wǎng)絡(luò)（Generative Adversarial Network，即 GAN），聽這個是不是感覺很難懂想溜，別急，微軟亞洲研究院在知乎專欄里舉了個很好的例子。

女生拉男票給自己拍照，拍完第一張，女生說：你要學(xué)一下誰誰誰的構(gòu)圖；

拍完第二張，女生又說，你要學(xué)一下誰誰誰的調(diào)色；

拍完第三張，女生再說，你要學(xué)一下誰誰誰的感覺；

……反復(fù)幾次，女生才終于認(rèn)可了男票拍出來的照片。

這個男友拍照血淚史就是生成對抗網(wǎng)絡(luò)。生成對抗網(wǎng)絡(luò)它有兩個工作模型，一個負(fù)責(zé)根據(jù)文字生成圖片（generator），另一個根據(jù)文字評判生成的圖片（discriminator），這兩個模型不斷相互博弈、又相互學(xué)習(xí)，直到 discriminator 再也沒有能力判斷這個圖形，「生成模型」就可以出師了。

2

研究歷程

這個項目并不是最近新出的，何曉東與他的團隊已經(jīng)研究了 5 年了。

他們最早推出過一個 Captionbot，只要你上傳一張圖，這個人工智能就會自動為圖片配一段文字；接著，他們又將這個技術(shù)進一步發(fā)展，你可以根據(jù)圖片上的事物進行提問，人工智能會回答你提出的問題。這個時期的技術(shù)，有點像小學(xué)生的看圖作文、看圖回答問題。

早在 2017 年 1 月份，在 arXiv.org 上就何曉東團隊登載了一篇介紹 text-to-image 的論文，這項技術(shù)名為生成對抗網(wǎng)絡(luò)（Attentional ，簡稱 AttnGAN）。而最近微軟正在進行的 text-to-image 項目，生成的圖畫質(zhì)量將是以前的 3 倍。

與根據(jù)圖片進行文字描述技術(shù)相比，text-to-image 的難點在于，繪畫機器人要描繪出更多細(xì)節(jié)，而這些細(xì)節(jié)是文字?jǐn)⑹鲋兴鶝]有的，這就要求你的人工智能自動「腦補」。

研究繪畫機器人有極大的科研意義，這是計算機視覺研究（computer vision）和自然語言處理（natural language）這兩個研究領(lǐng)域的一次融合。怎么理解呢？計算機視覺研究的是機器如何去看，也就是說讓機器像人眼一樣去看待這個世界、并且進行圖像處理；而自然語言處理，研究的就是人與人工智能之間如何用我們?nèi)粘５恼Z言進行交流。

3

繪畫機器人的實際應(yīng)用

繪畫機器人雖然目前仍處在研究階段，但是界內(nèi)預(yù)測，它一旦出現(xiàn)，將會有極大的實際用途。

比如，它可以作為畫家或者設(shè)計師的助理，甚至可以幫他們完成草圖。

根據(jù)何曉東的想象，繪畫機器人還可以幫助電影工作者，可以根據(jù)電影劇本直接生成影片，這可以節(jié)省大量的人力。電影從業(yè)人員莫哭。

人類為謀生奮斗了這么多年，沒想到最大的競爭對手卻是機器人。而何曉東表示，人類和人工智能共同生活在這個地球上，雙方是需要找到一種溝通的方式的，而最好的溝通方式就是語言和圖像。這話好像很順耳，但是你有沒有覺得有細(xì)思極恐的感覺？