第84章 分分钟教做人

nbsp;  “十年之内，应该考虑的是扩写型软件。比如在传统的遣词造句脚本基础上，结合目前人工智能‘越来越能读懂人话’的特性，然后由真人作家创作一个梗概的作品大纲，训练机器人在‘读懂’的基础上遣词造句，扩写成一个相当于大纲字数数十倍的文本。

    这个过程中，一开始应当以20被字数扩写率为目标，随着对人工智能的训练反馈越来越成熟，可以逐步实现五十倍、甚至百倍的套路文撰写——但是仅次于套路文，因为机器通过‘学习’学会写作的，肯定是套路文。”

    “第一章要出金手指、前三章要出装逼打脸、五万字要小高潮。这种套路人类写手还要花时间去学习、记忆，而机器人写作完全可以通过程序设定来训练。人类最恶心最难记住或者不愿意做到的事情，在机器眼前反而是比较容易的。在人类很容易想到的故事大势等问题上，机器反而最难想通。所以，在辅助创作软件诞生的最初几年，要充分利用机器的优势、同时由人类手把手去训练、修正、最终审稿修改。”

    当然，为了“深度学习”，最重要的是把机器人写好的稿子、由人类修改之后，再重新反馈给机器人，让其“学习”其中的差别。

    深度学习，总的来说就是这么学习的，不断反馈此前答案的对错。就像谷歌和facebook当年训练人脸识别，就是给无数的图给机器识别，然后错的要告诉机器错了。久而久之，机器的模糊统计算法就“知道”什么是错的了。

    朱子峰只是个业余的脚本编写者，他当年给某点闹事的时候，根本不懂深度学习算法，也没有那么好的产业视野。他那个孙达炮一样幼稚的想法，只有落到初音这样的巨头身上，才能变得有可操作性。

    正如人工智能在实现自动驾驶的过程中，必须先借助‘辅助驾驶’。

    人工智能在攻克国际象棋、围棋的时候，必须先借助人加机器的“半人马模式”，来实现比纯机器更好的效果。

    在驾驶汽车的时候，在人脑看来最难的事情是应对突发事件，是“保持车辆精确保持与两边车道线的间距”。而这些事情在最初的辅助驾驶系统看来，就已经是很简单的了。

    沃尔沃在被李叔福收购之前，已经实现了自动应对突发窜出的行人，以及保持车道间距。

    但是，在人脑看来相对容易做到的事情，在机器眼里却是很难得。

    比如预见中远期的可能危险。

    又或者看到夜里对面远处有司机过来、而己方这边有其他车辆开着远光灯时、预测对方司机会不会出现方向抖动。

    又或者是“预期刚才超车的人会不会赌气并线”这些显而易见的事情

    这些问题人工智能的驾驶系统需要多年才会学会。

    人类的长处是预见，机器的长处是精确，以及见招拆招。

    自动驾驶是如此，初音人工智能研究院如今在攻克的围棋领域也是如此。

    人类棋手或许害怕官子算不清，机器算法分分钟可以算清。人类高手喜欢前期布局做外势，而机器远远没法在需要高度远见的领域赶上人类。

    在一切深度学习型人工智能领域里，最需要“远见”的细分领域，总是最晚被机器人攻克的。而在那些领域内坚持的人类，也往往是最后失业的。

    不到半年，朱子峰那个辣鸡脚本被初音作为反面教材，剖析彻底吃干抹净，然后浴火重生出一个新的写作辅助工具，测试版的。

    这个东西，已经可以做到在拿到套路文大纲的时候，读懂这个大纲，然后进行大约百倍字数的扩写。遣词造句和辞藻描写方面，而且已经学会了联系上下文，防止剧情崩溃。

    如果开启“灌水”模式，这个写作辅助软件更是可以借鉴到无数人物、景物、动作描写，把一切可以水的地方再水一遍。两万字的大纲写成五百万字的小说都没问题。

    当然了，这个东西目前还比较原始，要想用好，还是比较“挑大纲”的，如果大纲本身没头没脑机器识别比较困难，或者大纲本身就在灌水、或者格式套路不明显，机器还是没法写好。

    写出来的作品，最后也还需要人工读一遍，解决掉一些逻辑上的明显硬伤。

    至于错别字和用词不当，倒是不太容易出现，那本来就是机器的强项。

    这个软件在初音原创内测通过之后，立刻投入了使用——当时，陈天乔还没下定卖网站的决心呢，初音方面自己也没有建网站，所以这个“使用”肯定是不能用在自己人身上的。

    初音方面毫不犹豫地在对手的网站上测试自己的成果。(未完待续。)