【 數位本質中的新空間敘事 】 https://www.zhihu.com/video/1047664175391834112

直播網站 Twitch 在 2017 年曾出現一起有名的「 AI 直播主事件 」——《 GTA5 區上直播開車的查爾斯 》[注-1]，一個用 Python 寫成的、使用神經網路進行深度學習的 AI 程序。「 查爾斯 」透過自己在數位世界裡對畫面的即時分析，在試錯中總結出來自己能順利前進的「 交通規則 」。也由於近年的圖像合成發展，大多能通過——代表所有圖像外觀權重、所有數據的深層網路參數模型來驅動。這與人類寫實畫家的做法完全不同，它們並不是依靠「 記憶 」在神經網路內空間中作畫，而是用外部參考當做材料來源，再現目標物體的外觀細節。通過這種語義佈局、神經網路甚至能根據自己在訓練過程中見過的真實街道，生成一個未曾存在的場境。那、面對一個由機器「 假想 」出來的城市，視覺藝術家們會如何佈局創作概念？《 前文明意識網路 》即是一個試圖在視覺辨識系統中進行塗鴉的計畫。

用深度神經網路進行現實圖像合成、也為模擬現實圖像開闢了許多新方法，例如、史丹佛大學博士（ 陳啓峯 ）與 Intel 實驗室視覺組主管（ Vladlen Koltun ）日前就曾展示了一種通過「 語義佈局 」來合成照片的方法，經過三千張德國街道照片的訓練，遇到輸入的佈局上標註成「 Car 」的部分，這個見過很多車的演演算法，就會自己生成一輛車，填補進去。這個演演算法可以看作是一個渲染引擎，而按照圖上佈局，輸出一張逼真的照片。該項技術可以僅憑靠對一個世界的單純描述，便讓人工智慧在虛擬現實中將其打造出來[注-2]。如果說、GTA5 區上直播開車的查爾斯，是透過自己在數位世界裡對畫面的即時分析，在試錯中總結出來自己能順利前進的「 交通規則 」、那上述的這種場境就是電腦藉由穿梭在數據網路中的世界（ 例如 Google 地圖 ）所自我學習而得出的一種廣義的內在虛構城市。

這種世界的被生產是原生於數據、虛擬，和、電玩遊戲中常見的那些被模擬出來的數位場景，所陳述的「 空間定義 」存在極大差異。因為無人車運行時會建構一個內部虛像城市，而這樣的軟體開發，大多是在模擬器中進行的[注-3]。在「 那裡 」，快速的原型設計和迭代（ Iteration ），甚至比在現實世界裡所使用的真實硬體要高效得多。電腦科學家——傑?福雷斯特（ Jay Wright Forrester ）[注-4] 亦曾提及「 我們周圍的世界在我們的大腦中只是一個模型 」，沒有人的大腦可以想像整個世界，所有政府、或國家。大腦只選擇概念及其之間的關係，然後使用它們表徵真實的系統。《 前文明意識網路 》就是企圖在這個正在逐步形構的、機器集合的內部空間中，進行繪畫滲透的行動——這也一種對正在滋長的（ 未來的 ）前文明意識網路之滲透。因為，現在無論是交通、貨幣、社會安全，幾乎都在建構一個高度統一的電子化社會，如果我在這些「 意識網路 」成為未來文明之前、能在先在裡面創造「 遺跡 」??

[注-1] 《 Twitch 上最火的GTA5主播是個 AI 》 http://www.chuapp.com/article/283150.html

[注-2] 參考論文《 Photographic Image Synthesis 》https://cqf.io/ImageSynthesis/ 、代碼託管處：https://github.com/CQFIO/PhotographicImageSynthesis

[注-3] 直到最近、大部分人才意識到：一幅標有「 車道線、坡度、甚至是一塊高度約 10 釐米凹坑 」的詳細地圖信息對無人駕駛汽車的重要性。https://mp.weixin.qq.com/s/vFyifSgGLImUrTwcw9bPsg

[注-4]傑?福雷斯特（ Jay Wright Forrester ），系統動力學（ System Dynamics ）創始人。1956年提出系統動力學（ 另譯為系統動態學 ），建立因果環環相扣的系統回饋關係模型。協助人們具備系統動態學概念，從整體、動態的複雜環境中，做出較為適當的決策 。https://en.wikipedia.org/wiki/Jay_Wright_Forrester

裏空間的敘事轉向

• 滲透入侵：

通過 UC Berkeley 日前發布了迄今為止規模最大、最多樣化的開放駕駛動態影像數據集——《 BDD100K 》（ Berkeley Deep Drive ），來進行繪畫滲透的行動。在自動駕駛系統部署到現實世界中後，人造感知系統如何避免錯誤（ 甚至看似明顯的錯誤 ）還不得而知、為了設計和測試潛在的演演算法，BAIR[注-1]的電腦視覺研究者想利用真實駕駛平臺收集數據中的所有信息，以使自動駕駛系統更加安全。這樣的數據有四個主要特點——大規模、多樣化、在街上採集、具有時間信息。數據多樣性對於測試感知演算法尤為重要，而目前的開放數據集只能覆蓋上述屬性的一部分、這也是《 BDD100K 》這個平臺的基礎背景[注-2]。

利用像素愚弄電腦視覺已經不是新聞，在路標上貼上小貼紙來迷惑計算機視覺系統，使自動駕駛汽車轉向或者加速也見諸於報端。同樣利用柏克萊的一項「 訊息嵌入 」研究，來埋入這一些聲音和圖像訊息以達成本計畫之滲透行動。這項研究是通過自由軟體社羣——Mozilla 開源的 DeepSpeech「 語音-文本 」轉換軟體、將命令整合到了語音識別中，這項技術能夠刪除掉語音識別系統本應該聽到的聲音，並且將其替換為另一種聲音，這種聲音將被機器轉錄為不同的內容，而這種聲音是人耳幾乎聽不見的[注-3]。同理，亦能使用在圖像辨識上。

[注-1]

BAIR，Berkeley Artificial Intelligence Research Lab?加州大學柏克萊分校《 人工智慧實驗室 》縮寫。 Berkeley Artificial Intelligence Research Lab[注-2]UC Berkeley 發布了迄今為止規模最大、最多樣化的開放駕駛視頻數據集——BDD100K。 BDD100K: A Large-scale Diverse Driving Video Database

[注-3]

除了人類，有些聲音也在偷偷和語音助手說話。 除了人類，有些聲音也在偷偷和語音助手說話

再使用 Recurrent Neural Network（ 循環神經網路，簡稱?RNN ）、通過包覆感較強的建築投影（ Mapping ）、與相關可視化轉譯，生一張新文明身分的存在想像（ 即本計畫中所稱的「 前文明意識網路」）。循環神經網路是一種在時間上深度的神經網路，常用於語音轉為文字或翻譯不同語言。 「 Recurrent 」已經點出其核心特徵，指系統的輸出會保留在網路里、和系統下一刻的輸入一起共同決定下一刻的輸出。也算一種體現動力學本質的概念，「 循環」可對應動力學系統的「 反饋」概念，能刻畫複雜的歷史依賴———即此刻的狀態包含上一刻的歷史，又是下一刻變化的依據。 （ RNN ）是時序數據的首選網路，本計畫將通過這個邏輯來連結現存文明與未來文明。

推薦閱讀：

相關文章