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。
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。

一 图像处理

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。 image-20210203105611918Nvidia 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。
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。 image-20210203105705076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。 image-20210203105755807## 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。 image-20210203105831612image-20210203105842143## 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。 image-20210203105919851网上也有免费的着色服务，大家可以体验。

二 GAN方法

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，那么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。 image-20210203110006510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。

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？ image-20210203110113348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。
image-20210203110140561

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。
image-20210203110218449
也可以让春天变成夏天，晴天变成雨天。 image-20210203110239188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），告诉模型应该怎么翻译，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。
CycleGAN 模型还支持跨域翻译，将照片翻译成油画，斑马翻译成马。
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。
image-20210203110331348

人像翻译

@脸部属性的改变
image-20210203110404797
@表情移植 image-20210203110423102SC-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。

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。
image-20210203110457463
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。
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。
image-20210203110549982

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。最著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。
image-20210203111720186
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。
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。
image-20210203111744615
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。

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。
image-20210203111814373
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。

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。
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

4.1 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。

4.2 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。

4.3 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。
  2. 我吃了烤蔬菜汉堡配薯条！哦，很好吃！
  3. 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。

4.4 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。

@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。

#参考文献

Link: 博客|阮一峰