機器有大腦嗎?當然沒有，即便有，也是人類植入的，它始終還是需要人類操控。但是，一旦它們掌握了人類的某種能力，其爆發(fā)出來的潛能將是不可限量和估計的。近日，美國麻省理工學院的AI科學家，發(fā)明了一個系統(tǒng)，使得機器人能夠像人類一樣模擬接下來可能發(fā)生的事情，并自動生成一個短視頻，其真實程度比人類自己在大腦中想象的還要逼真。

一種新的人工智能系統(tǒng)能夠用靜態(tài)圖像生成短視頻，這些視頻能夠模擬接下來發(fā)生的事，這就好像人類想象接下來將會看到的情景一樣。

人類能夠直覺地理解世界運作的方式。這使得人比機器更容易預測事件接下來將如何發(fā)展。一張靜態(tài)圖像中的物體可以用多種不同方式運動，或者和其他物體發(fā)生作用，這讓機器很難做出類似的預測。不過，一種新型的深度學習系統(tǒng)(deep-learning system)創(chuàng)造出的短視頻卻能夠讓人信以為真。和真實的視頻片段相比，在20%的情況下，人類更相信它創(chuàng)造出的視頻。

該深度學習系統(tǒng)的發(fā)明者是麻省理工學院(MIT)的研究人員。他們讓兩種神經(jīng)網(wǎng)絡互相競爭，其中一個要區(qū)分真實的視頻和機器創(chuàng)造的視頻，而另一個則要創(chuàng)造出能夠打敗第一個系統(tǒng)的近乎真實的視頻。

這種方法叫做“生成式對抗網(wǎng)絡”(generative adversarial network，GAN)，兩個系統(tǒng)互相競爭，生成了愈發(fā)真實的視頻。當研究人員讓亞馬遜的Mechanical Turk網(wǎng)絡眾包平臺上征集的人員從兩種視頻中挑選真實的視頻時，這些人在20%的情況下挑選了機器合成的，而不是真實的視頻。

早期的問題

但是，剛剛?cè)胄械碾娪皩а葸€不用擔心這種機器會搶了自己的飯碗，因為這些視頻的長度只有1～1.5秒，而且像素只有64 x 64。研究人員認為，這種方法最終能夠幫助機器人和自動駕駛汽車在復雜的環(huán)境中導航，也能幫助它們和人類互動，或者讓Facebook為視頻自動添加描述內(nèi)容的標簽。

“我們的算法會預測未來，然后生成極為真實的視頻。這說明在某種程度上它能夠理解現(xiàn)在發(fā)生的事，”該研究的主要負責人，MIT計算機科學和人工智能實驗室的博士研究生 Carl Vondrick 表示，“我們的研究是一項振奮人心的進步，它說明計算機科學家能夠讓機器具有更高級的情境理解能力。”

研究人員表示，這種系統(tǒng)還可以在沒有人指導的情況下進行學習。這意味著該系統(tǒng)進行訓練所用的200萬個視頻(大約等于一年的長度)并不需要人類的標記。這能極大地減少訓練所需的時間，并能讓其適應新數(shù)據(jù)。

在西班牙巴塞羅那召開的神經(jīng)信息處理系統(tǒng)大會(Conference and Workshop on Neural Information Processing Systems)上，研究人員展示了他們的研究成果，解釋了他們是怎樣用海灘、火車站、醫(yī)院和高爾夫球場的視頻對該系統(tǒng)進行訓練的。

“我們發(fā)現(xiàn)，早期的原型系統(tǒng)面臨的難點在于，模型預測視頻的背景將要變形扭曲，” Vondrick 表示。為了克服這個問題，他們調(diào)整了設計，讓系統(tǒng)學習獨立的靜態(tài)背景模型和動態(tài)前景模型，然后再把它們合起來制成視頻。

“這個計算機模型對世界是沒有任何預設的，它必須學習人的樣子、物體移動的方式和結(jié)果，”Vondrick表示，“我們的模型還沒有完全學成。如果能擴充它理解如物體之類的高級概念的能力，那么生成的視頻質(zhì)量將會顯著提高。”

Vondrick表示，未來的另一個挑戰(zhàn)是生成更長的視頻，因為這就需要系統(tǒng)花更長的時間去追蹤場景物體之間的更多關系。

“要完成這一任務，可能需要人類的輸入來幫助系統(tǒng)理解場景中的元素，因為讓它自己學習會比較艱難。”