在AI面前，Rapper要率先失业了？

（原标题：在AI面前，Rapper要率先失业了？）

近期，美国数字研究机构Space150进行了一项有趣的试验：基于人工智能（Artificial Intelligence，简称AI）技术，模仿知名说唱歌手Travis Scott的人声和音乐风格，做出了一个说唱机器人"Travis Bott"。

这个试验的目的是为了看AI到底能够持续创造出什么。

事实上，"Travis Bott"真的创作了一首歌《Jack Park Canny Dope Man》，且歌词和旋律均由自己完成。同时，Space150还使用基于AI的人体图像合成技术"Deepfake"，为这首歌拍摄了MV。

说实话，与以往的AI歌曲不同，这首AI歌曲在对真人继续学习后，近乎到底了真人的听感。国外网友在MV下面留言道。"better than real trvis（比真人还好）""Pretty amazing, this is only the beginning（太棒了，这仅仅是个开始）"，甚至开始担心AI会奴役人类，但自己还是会买票去看。

原理上，Space150采用附加神经网络技术（Additional Neural Network）创造出旋律和打击乐伴奏，再将Travis Scott的歌词输入"文本生成器模型（Text Generator Model）"，两周后，AI"Travis Bott"开始创建了歌词的韵脚（rhymes）。

从效果来看，Travis Bott模仿Travis Scott几乎达到了以假乱真的地步，完全融汇了Travis Scott作品以及人物魅力的最主要的外显特征，以至于被调侃可以加入Spotify的说唱热门歌单《Rap Caviar》。

与此同时，该项目也进一步验证了人工神经网络技术（Artificial Neural Networks）的进步，有助于探索未来AI在音乐中的应用价值。

不可否认的是，AI已经渐渐地嵌入到我们的日常生活中。在"互联网+"以及"工业制造4.0"的新时代背景下，具备通信、网络与人机交互功能的AI作曲覆盖到教育科普、艺术表演和娱乐服务等领域已是大势所趋。而面对AI音乐的优异表现，也让我们思考：音乐人在与AI音乐的共生中，是否会遭遇到AlphaGo式的碾压？

如何克隆 Travis Scott？

事实上，AI作曲（Algorithmic Composition，也称"算法作曲"）并不稀奇，复制Travis Scott也并非难事。

早在2016年，索尼旗下的计算机科学实验室（Computer Science Laboratories ，简称Sony CSL）研究人员哈杰里斯和帕切特就曾开发了一个名为"DeepBach (深度巴赫) "的神经网络。他们利用巴赫创作的352部作品目来训练DeepBach，创作出了2503首赞美诗。

而第一个正式获得世界地位的AI虚拟作曲家则是由2016年诞生的初创公司Aiva Technologies推出的AIVA（Artificial Intelligence Virtual Artist）。它的创作方向主要是古典音乐、影视配乐，发展到现在也逐渐有了其他类型的作品，例如摇滚乐、流行乐等。作为虚拟音乐人，它通过了法国和卢森堡作者权利协会（SACEM）的合法注册，并拥有自己的署名版权。在AI领域而言，复制一位或多位音乐人的音乐风格的工作也许早已在进行中。

目前来看，无论是DeepBach、AIVA抑或是Travis Bott，AI作曲背后都是一种基于人工神经网络的深度学习（Deep Learning）技术。在这种深度学习中，程序员必须搭建一个多层"神经网络"，并在多层的结构中分别加以编程，从而可以处理各种输入和输出点之间的信息。

来源于：2017·菠萝科学奖，人工智能主题解读

譬如说，DeepBach被输入的是巴赫的362部作品，AIVA被输入的信息是以巴赫、贝多芬、莫扎特等为代表的古典作曲家作品的大数据库，而Travis Bott被输入的则是Travis Scott的作品、人声以及音效。

在数据输入后，人工神经网络会找到众多被输入作品之间存在的规律，继而形成对音乐风格的理解。但这个音乐风格并不是最终的产物，其主要目的是用来预测，AI程序会带着它对音乐风格的预测继续运行，而在前方将会遇到下一个验证数据集。这个数据集会告诉它预测的正确与否，正确与错误的回馈都将被AI记住，在不断的高速学习中，AI的预测能力就会越来越强，最终掌握程序员大数据中归总后的曲风，进而能编写出自己的曲子。

而AI创作者"Travis Bott"的突破，则在于其不止是输入了Travis Scott的作品，更输入了人声及音效，文本与声音的输入与输出在深度学习上又更上了一个台阶。

来源于《I am AI 》系列短纪录片

这种深度学习，看似只是基于人类大脑的神经结构简单模式，但在某种程度上已经可以像人类一般"思考"了。这也使得AI能够在数据中理解并塑造高度抽象化的模型，例如旋律中的模型，或者人脸的特征。

但从人工智能音乐的发展沿革而言，人工神经网络只是AI作曲的主要技术之一，与其他算法相比，有其优点也有其劣势。就优势而言，具有自学能力、联想存储功能、高速寻找优化解的能力是人工神经网络较其他算法最卓越的地方。

来源于：2017·菠萝科学奖，人工智能主题解读

但其劣势也较为明显：1. 著名的"黑匣子"问题，意味着你不知道神经网络将会如何产出结果，更不知道为什么会产生这种结果；2.与认知不同，作曲是更高层次的智能活动；3. 耗时耗力；4. 数据饕餮，相较于传统的机器学习算法，需要更多的数据；5.算力成本较为昂贵。

在实践中，即便是最先进的深度学习算法，要实现真正深度神经网络的成功训练，仍需要数周才能完全训练完毕。而目前AI作曲在主要技术上尚不存在最优解，大多采用混合型算法（Hybrid Algorithm）。

如何避免AI作曲的版权风险？

（编辑：52刷机网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!