早在 20 世纪 80 年代，AI 科学家汉斯·莫拉维克（Hans Moravec）提出了一个悖论：对人类而言容易的事情，例如视觉或听觉理解，对机器而言却很困难。
自那以后，情况已经发生变化。如今的 AI 在理解所见事物方面要强得多。这并不是说 AI 已经赶上人类所有的视觉能力，而是说这项技术正沿着不同的路径发展。
提到 AI，我们往往想到纯粹的自动化。但这种看法已经不再成立。例如，您是否认为 AI 永远无法取代肖像摄影师？再想想吧；它甚至不需要模特。如今，我们已拥有能够“想象”的 AI，即根据《韦氏词典》（Merriam-Webster）的定义，形成“感官未曾感知或现实中从未完全被感知到的事物”的图像。
上方视频展示了一个 AI 的成果，该 AI 已学会生成并不存在的人物照片。从质量层面看，只有少数艺术家能够以照片般的精确度创作出人脸。
AI 想象力背后的秘密
赋予 AI 想象能力的机制有一个名称：生成对抗网络（GAN）。GAN 的部分灵感来源于神经科学研究。本质上，GAN 由两个相互竞争、又相互学习的实体构成：一个学习生成伪造内容，另一个学习识别伪造内容。随着伪造内容检测器变得更有效，伪造内容生成器也随之变得更强。神经科学家发现，我们人类也使用一种相关机制，即演员-评论家模型（actor-critic model），据信它大致位于大脑的中部。
如果想象力不再是人类大脑的特权，我们又该如何利用 AI 的想象力？以下是当前实验室中正在发生的一些情况。
将黑夜变为白昼：GAN 来了
想象力有直接的应用：以不同方式推测某一对象的呈现形式，或者说，将一幅图像从一种表现形式转换为另一种。例如，这个 AI可以想象出照片的素描稿会是什么样子，或者黑白照片的彩色版本会是什么样子。
图像转换的一项应用是帮助我们以更易理解的方式看待世界，或看到肉眼不可见的事物。
这个 AI则可以根据夜间图片模拟出白天的景象。这很有价值，因为要研制能够在各种条件下（白天、夜间、雾天、雨天、雪天等）正常运行并能精确定位自身位置的自动驾驶汽车，需要涵盖所有场景的大量数据。在各种条件下收集大量数据在实践中非常困难，因为某些条件（例如下雪）在部分地区极少出现。科学家没有选择收集更多数据，而是想出了这种从夜晚到白天的变通方法。这还可能为军方、飞行员和人类驾驶员带来更好的夜视能力。
当某些事物无法直接看到时，GAN 就被用来进行有依据的推测。以 BodyNet AI（见上文）为例，它可以根据一个人穿着衣物的照片估算其身体形态。这种数字人体模型有助于设计量身定制的服装，而无需手动测量，也无需借助精密的人体扫描仪。
如果我们能够透视墙壁，那会怎样？这个 AI 确实可以帮助您追踪人们在墙后的移动情况。这与蝙蝠在黑暗中视物的方式类似：发射一种信号，并对返回的信号进行解读。蝙蝠发射超声波，超声波会从附近物体表面反射回来。这里发射的则是 WiFi 频段的信号。由于 WiFi 能够穿透墙壁，但会被人体部分反射，因此该信号由一种深度学习架构进行解读（见下方视频）。
发现机器
有依据的推测能力并不局限于图像生成或转换。从更广义上讲，想象力是一种发现的工具，其应用涵盖网络安全或药物设计等多个领域。
现代网络安全工具配备了能够通过分析威胁特征来检测威胁的 AI。研究人员设计了一种 GAN，它能够学习生成恶意代码片段，从而绕过这些网络安全检测器。这听起来可能令人担忧，但好消息是，我们同样可以利用它来完善恶意代码检测器。换个角度看，有时欺骗也可以是好事，例如我们设计药物以对抗疾病的时候。
这对我们意味着什么？
第四次工业革命不仅关乎自动化，更关乎人机协作与共生。GAN 是 AI 发展的转折点，将帮助我们大幅增强心智能力。
它们也是一种工具，我们借助它可以研究想象力的机制，并帮助我们更好地理解想象力在翻译或发现等领域中的作用。尽管想象力并不等同于创造力，但它是我们用来发明新事物的工具之一。那么，尚待发现的缺失环节是什么，能让我们构建出在创造领域同样能胜过人类的机器？
