Machinecreativiteit verslaat wat moderne kunst

Creativiteit is een van de grote uitdagingen voor machine-intelligentie. Er is geen gebrek aan bewijs dat aantoont hoe machines mensen kunnen evenaren en zelfs beter kunnen presteren dan op grote terreinen, zoals gezichts- en objectherkenning, krabbelen, beeldsynthese, taalvertaling, een grote verscheidenheid aan spellen zoals schaken en Go, enzovoort. . Maar als het om creativiteit gaat, blijven de machines flink achter.

Niet door gebrek aan inspanning. Machines hebben bijvoorbeeld geleerd om artistieke stijl te herkennen, deze te scheiden van de inhoud van een afbeelding en deze vervolgens toe te passen op andere afbeeldingen. Dat maakt het mogelijk om elke foto om te zetten in de stijl van Van Gogh's Sterrennacht , bijvoorbeeld. Maar hoewel dit en ander werk een belangrijk inzicht geeft in de aard van artistieke stijl, telt het niet als creativiteit. De uitdaging blijft dus om manieren te vinden om machine-intelligentie voor creatieve doeleinden te benutten.

Vandaag krijgen we enig inzicht in de voortgang op dit gebied dankzij het werk van Ahmed Elgammal van het Art & AI Laboratory aan de Rutgers University in New Jersey, samen met collega's van de AI-labs van Facebook en elders.

Welke van deze afbeeldingen zijn gegenereerd door een machine? *Antwoord hieronder

Deze jongens hebben een machine getraind om beelden te genereren die herkenbaar lijken op menselijke kunst en toch op meetbare manieren verschillen. Bovendien hebben ze een soort Turing-test voor creativiteit uitgevoerd door mensen te vragen of ze het verschil kunnen zien tussen menselijke kunst en deze door machines gegenereerde kunst. Ze vroegen mensen ook naar welk soort kunst ze de voorkeur geven, met enigszins onverwachte resultaten.

De aanpak is relatief eenvoudig. Het vertrouwt op een machine die een generatief tegendraads netwerk wordt genoemd. Deze bestaat uit twee neurale netwerken die samen het leerproces opstarten.

Een van deze netwerken is een traditioneel machine-vision-algoritme dat afbeeldingen van een bepaald type leert herkennen. Elgammal en co trainden het met behulp van de WikiArt-database, die bestaat uit meer dan 80.000 schilderijen van meer dan 1.000 kunstenaars uit de 15e eeuw tot de 20e eeuw.

Elke afbeelding is getagd met zijn artistieke stijl. De database bevat dus meer dan 13.000 impressionistische schilderijen, 2.000 kubistische schilderijen, meer dan 1.000 vroege renaissanceschilderijen, enzovoort. De machine leert elk van deze stijlen te herkennen.

De volgende fase is dat een ander netwerk willekeurige afbeeldingen genereert en deze toont aan het getrainde netwerk, dat ze herkent als vertegenwoordigers van een bepaalde artistieke stijl of ze afwijst. Door veel afbeeldingen te produceren, leert dit tweede netwerk wat het eerste netwerk als kunst herkent door een proces van vallen en opstaan. En na vele iteraties leert het afbeeldingen te produceren die passen bij specifieke stijlen.

Het team beschouwt deze afbeeldingen echter niet als creatief omdat ze simpelweg bekende stijlen in de kunst kopiëren. Daarentegen zou een menselijke kunstenaar de grenzen verleggen door iets nieuws te produceren.

Er zijn tal van hypothesen van kunsthistorici en psychologen over het creatieve proces dat leidt tot nieuwe kunst. Een bekend idee is bijvoorbeeld dat nieuw artistiek werk stevig geworteld moet zijn in een artistieke traditie. Met andere woorden, het moet anders, maar niet te verschillend.

Met name theoretici zeggen dat kunst de kijker op specifieke manieren moet prikkelen. De belangrijkste opwindingsverhogende eigenschappen voor esthetiek zijn nieuwheid, verrassendheid, complexiteit, dubbelzinnigheid en raadselachtigheid, zeggen Elgammal en co.

Nieuwheid verwijst naar de mate waarin een stimulus verschilt van wat een waarnemer eerder heeft gezien / ervaren. Verrassendheid verwijst naar de mate waarin een stimulus het niet eens is met de verwachting. Verrassendheid is niet noodzakelijkerwijs gecorreleerd met nieuwheid, het kan bijvoorbeeld voortkomen uit een gebrek aan nieuwheid. In tegenstelling tot nieuwheid en verrassendheid, die afhankelijk zijn van interstimulusvergelijkingen van overeenkomsten en verschillen, is complexiteit een intra-stimuluseigenschap die toeneemt naarmate het aantal onafhankelijke elementen in een stimulus groeit. Ambiguïteit verwijst naar het conflict tussen de semantische en syntactische informatie in een stimulus. Puzzlingness verwijst naar de ambiguïteit als gevolg van meerdere, mogelijk inconsistente, betekenissen.

Maar wat het effect ook is, het niveau van opwinding dat het genereert, moet eerder gematigd dan extreem zijn. Te weinig opwindingspotentieel wordt als saai beschouwd en te veel activeert het aversiesysteem, wat resulteert in een negatieve reactie, zeggen Elgammal en co.

Dat heeft belangrijke implicaties voor de manier waarop hun generatieve vijandige netwerk, of agent, is opgezet. Het doel van de agent is om op een beperkte manier kunst te genereren met een verhoogd opwindingspotentieel zonder het aversiesysteem te activeren, zeggen ze. Met andere woorden, de agent probeert kunst te genereren die nieuw is, maar niet te nieuw.

De onderzoekers zeggen een manier te hebben gevonden om hun generatieve vijandige netwerk dit te laten doen. Nadat hij heeft geleerd bepaalde artistieke stijlen te reproduceren, is de machine ingesteld om afbeeldingen te produceren die binnen de aanvaarde grenzen van de kunst als geheel vallen, maar die het verschil met bekende stijlen maximaliseren. De agent probeert de creatieve ruimte te verkennen door af te wijken van de gevestigde stijlnormen en genereert zo nieuwe kunst, zeggen Elgammal en co. Ze noemen deze machine een creatief vijandig netwerk.

De zuurtest is natuurlijk hoe mensen reageren op deze door machines gegenereerde kunst. Om daar achter te komen, toonden Elgammal en co een reeks afbeeldingen - zowel door mensen als door machines gegenereerde - aan menselijke arbeiders op Mechanical Turk, een online crowdsourcing-service.

De door mensen gegenereerde afbeeldingen omvatten die uit de WikiArt-database van abstract expressionisme en een selectie van afbeeldingen van een vlaggenschipbeurs voor hedendaagse kunst die in 2016 in Basel, Zwitserland werd gehouden. Deze afbeeldingen vertegenwoordigen het toppunt van moderne kunst. De reden voor de keuze voor het Abstract Expressionisme was het grotendeels verwijderen van afbeeldingen van mensen en objecten die machinekunst duidelijk helpen onderscheiden van menselijke kunst.

Sommige van de door de machine gegenereerde beelden werden geproduceerd door het creatieve netwerk van tegenstanders, maar andere werden geproduceerd door het generatieve netwerk van tegenstanders dat eenvoudig de artistieke stijlen reproduceert die het heeft geleerd.

De onderzoekers vroegen elke persoon om de afbeeldingen op verschillende manieren te beoordelen, zoals hoeveel ze van elk vonden, hoe nieuw het leek en of het door een mens of een machine was gemaakt. Ze vroegen ook of deelnemers de intentie van de kunstenaar konden voelen, of ze een structuur in de afbeelding konden zien verschijnen en of de afbeelding hen inspireerde.

De resultaten zorgen voor interessante lectuur. Mensen waren behoorlijk goed in het spotten van abstracte expressionistische afbeeldingen die door een mens en die door een machine zijn gemaakt. Maar in het geval van de kunst uit Bazel hadden menselijke kijkers moeite om het verschil te zien.

De mensen beoordeelden de afbeeldingen die door het creatieve netwerk van tegenstanders werden gemaakt ook hoger dan de door mensen gegenereerde kunst die in Basel werd getoond. Ze identificeerden zich er nauwer mee en vonden het inspirerender.

Het is verleidelijk om dit te interpreteren als een vernietigende aanklacht tegen de stand van de moderne kunst en het niveau van creativiteit dat daaruit voortvloeit. Maar Elgammal en co vermijden een reflexmatige reactie. We laten open hoe we de reacties van de proefpersonen kunnen interpreteren die de CAN-kunst in verschillende opzichten beter rangschikten dan de Art Basel-monsters, zeggen ze diplomatiek.

De grotere vraag is of het proces dat Elgammal en co hebben gebruikt om hun afbeeldingen te maken echt als creatief kan worden beschouwd. Een andere interpretatie is dat het een puur algoritmisch proces is dat heeft geleerd de emotionele kwetsbaarheden van de mensheid uit te buiten. Als dat zo is, zal misschien in een toekomstige definitie van kunst de bepaling moeten worden opgenomen dat het door een mens moet zijn gemaakt.

Hoe dan ook, dit soort werk zal de grenzen van kunst en creativiteit net een beetje verder verleggen.

Referentie: arxiv.org/abs/1706.07068 : CAN: Creatieve vijandige netwerken die kunst genereren door te leren over stijlen en af ​​te wijken van stijlnormen

*Antwoord: allemaal

zich verstoppen