這是莎士比亞十四行詩中的一節(jié)。

這是 Deep-speare 人工智能程序“創(chuàng)作”的十四行詩。

暫且不說 Deep-speare“作品”的質(zhì)量如何，至少在節(jié)奏、押韻以及語法方面，這一小節(jié)十四行詩的表現(xiàn)都非常不錯(cuò)，足以迷惑不少人。這也正是一些研究團(tuán)隊(duì)發(fā)現(xiàn)，大多數(shù)讀者無法區(qū)分人工智能生成的詩歌和人類創(chuàng)作詩歌的原因。

Deep-speare 團(tuán)隊(duì)包括三名機(jī)器學(xué)習(xí)研究人員和一名文學(xué)學(xué)者組成，他們用了大約 2700 首十四行詩，約 36.7 萬個(gè)單詞來訓(xùn)練這個(gè)人工智能“詩人”，讓它學(xué)會(huì)自己“創(chuàng)作”。

簡(jiǎn)單來說就是，Deep-speare 通過深度學(xué)習(xí)來對(duì)訓(xùn)練數(shù)據(jù)庫中的詩歌進(jìn)行篩選，一次又一次地嘗試創(chuàng)造出與樣本匹配的詩句。

盡管以前在一些類似項(xiàng)目中，研究人員會(huì)提前給人工智能輸送押韻、節(jié)奏等方面的知識(shí)，但 Deep-speare 獨(dú)立地學(xué)習(xí)了十四行詩寫作相關(guān)的三大要素：節(jié)奏、韻式和自然的語言（即單詞正確流暢地組合在一起)。

具體來說，Deep-speare 的系統(tǒng)由三個(gè)部分組成：一個(gè)節(jié)奏模型，一個(gè)韻式模型，以及一個(gè)確保語法正確的自然語言模型，其中，自然語言模型是最主要的部分。

首先，語言模型會(huì)對(duì)語料庫（語料庫的內(nèi)容基于維基百科詞條、Reddit 話題，以及一些專門為構(gòu)建的數(shù)據(jù)庫）中單詞進(jìn)行篩選和預(yù)測(cè)，判斷哪些單詞是適合組合在一起成為句子的。經(jīng)過適當(dāng)?shù)挠?xùn)練后，語言模型會(huì)賦予流利的句子高評(píng)分，賦予無意義的句子低評(píng)分。

語言模型的質(zhì)量則可以通過觀察下一個(gè)單詞（從右往左）的關(guān)聯(lián)性強(qiáng)度來提現(xiàn)。比如“San-Francisco”經(jīng)常同時(shí)出現(xiàn)，“coffee”常常與“refresh”或“l(fā)ife-giving”等單詞的關(guān)聯(lián)性更強(qiáng)，而不和“powerful”或“l(fā)ight”等詞有關(guān)。如果語言模型能夠正確處理這些信息，那么，就可以認(rèn)為這個(gè)模型已經(jīng)在很大程度上捕獲了語言的復(fù)雜性。

一旦語言模型訓(xùn)練有素之后，從零開始生成一個(gè)句子就不再是難事，重復(fù)這一步驟就能實(shí)現(xiàn)創(chuàng)作十四行詩的基礎(chǔ)。

除了單詞和句子，Deep Speare 還要學(xué)習(xí)節(jié)奏，即觀察每一行中的字母和標(biāo)點(diǎn)符號(hào)，并確定哪些字符對(duì)應(yīng)哪些音節(jié)，哪些音節(jié)接受重音。例如，單詞“summer”應(yīng)該被理解為兩個(gè)音節(jié)，重音情況也有所不同——重讀的“sum”和不重讀的“mer”。

當(dāng) Deep-speare 寫十四行詩時(shí)，語言模型會(huì)生成候選詩行，韻律模型再從中挑選出符合節(jié)奏的詩行，然后重復(fù)這一過程。

當(dāng)然，還有韻式模型。這個(gè)模型只關(guān)注每一行詩的最后一個(gè)單詞，盡可能地實(shí)現(xiàn)單詞押韻。比如，“day”和“may”，“temperate”和“date”。

在檢查詩歌輸出時(shí)，研究團(tuán)隊(duì)發(fā)現(xiàn)， Deep-speare 生成的詩歌短語與訓(xùn)練數(shù)據(jù)并沒有太多重疊。也就是說，它并沒有對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行記憶，然后直接從中復(fù)制，而是創(chuàng)作了具有原創(chuàng)意義的詩歌。然而，這并不能說明詩歌在文學(xué)方面的質(zhì)量。

為此，研究團(tuán)隊(duì)找來了兩批評(píng)委，讓評(píng)委分辨人類和機(jī)器創(chuàng)作的十四行詩。

第一批是亞馬遜 Mechanical Turk 雇傭的眾包工人，他們只會(huì)基本的英語，但沒有詩歌方面的專業(yè)知識(shí)。最終的結(jié)果是，工人們以 50% 的準(zhǔn)確率猜出人類詩歌和機(jī)器詩歌。不過，這一數(shù)據(jù)可能虛高，因?yàn)楣と藗兛赡茉诰W(wǎng)上對(duì)詩歌節(jié)選進(jìn)行了搜索，人類詩歌會(huì)出現(xiàn)搜索結(jié)果反饋，而機(jī)器詩歌不會(huì)出現(xiàn)。

第二個(gè)評(píng)委是多倫多大學(xué)的文學(xué)助理教授 Adam Hammond。這一次，評(píng)判的方式是對(duì)人機(jī)合寫的十四行詩的韻律、節(jié)奏、可讀性和情感影響等四大屬性進(jìn)行評(píng)分。結(jié)果，Adam Hammond 對(duì) Deep-speare 的節(jié)奏和韻式給予了極高的評(píng)價(jià)，甚至超越人類（因?yàn)樵娙顺３榱诉_(dá)到某種效果而特意不遵循規(guī)律）；在可讀性和情感方面，Deep-speare 則略遜一籌，文學(xué)專家一眼就能看出來哪些出自莎士比亞之手，哪些來自 AI 詩人。

當(dāng)前，研究團(tuán)隊(duì)正在努力提高人工智能詩人在可讀性和情感影響方面的表現(xiàn)。

另一方面，人類詩人在創(chuàng)作前并不會(huì)端坐在桌前思考，“嗯，我的第一個(gè)詞應(yīng)該是什么?”然后，在做出這個(gè)艱難的決定之后，再絞盡腦汁想第二個(gè)詞。相反，詩人頭腦中會(huì)有一個(gè)預(yù)想的主題，然后尋找詞語來表達(dá)這個(gè)想法。

研究團(tuán)隊(duì)已經(jīng)朝這個(gè)方向邁出了一步，通過賦予 Deep-speare 能力來生成基于特定主題的詩歌，比如愛或失去。而且，堅(jiān)持一個(gè)主題可以增加四行詩的連貫性，模型可選擇的詞匯也將受到主題的限制。

毫無疑問，這是一個(gè)雄心勃勃的項(xiàng)目。