今年，谷歌推出了一款可以帮助人画简笔画的工具Autodraw，随便画几笔，算法就能识别出你想要画什么图案，为你优化出来。其实这并不是谷歌推出的第一个人工智能+绘画项目，早从2015年开始，谷歌就已经在用算法挑战人类对艺术的认识和审美了。
DeepDream：是深梦还是噩梦？
谷歌不仅仅有DeepMind，还有DeepDream——利用深度学习技术识别图片，再把自己解读的画面呈现出来。后来谷歌将这一项目开源，让所有人都可以上传图片，再生产出被DeepDream解读的结果。
不知道是不是在训练是被喂了太多眼睛和小狗的图案，反正经过DeepDream加工过的图片基本都是这样……
充满了狗脸、眼睛、诡异的螺旋图案，有种异样的魔性。谷歌甚至还为DeepDream举办过一次展览，展出的六幅作品还被一位收藏家拍了下来，最高单幅价格高达 8000 美元。这可能是第一位靠“艺术”赚钱的人工智能了。
实际上，谷歌DeepDream真正想要了解的，是神经网络黑盒子的工作逻辑。我们都知道，神经网络在识别图像时通常是层数越多、越细致，第一层神经网络可能在识别轮廓，中间层的神经网络可能就在识别纹理、笔触等等细节了。我们看到的那些正确识别出图像的算法，都是经由人工调试后的，而DeepDream则跳过了人工指导、矫正这一步，直接凭着自己的意愿识别图片，并且会经过数次重复，最终就成了我们现在看到的样子。
和上图一样，如果让我们把树看成建筑，把植物看成鸟，恐怕只能去发挥想象力了。这种机器识别出人眼不能识别的图案的情况，让我们再一次开始思考机器视觉和人类视觉的不同。或许，DeepDream真的是一个有着无限想象力的婴儿人工智能，把人类世界里的一切都看做它可爱的宠物狗。
Quick，Draw！来和人工智能玩你画我猜
很快，谷歌就不再止步于只让人工智能画狗脸了。在去年，谷歌推出了一款叫Quick, Draw!的绘画小程序。Quick, Draw!其实就是人与人工智能合作的“你画我猜”，系统随机显示一个名词，要求用户在20秒内把它画出来。用户用鼠标简单画出物体形状后，然后 Quick, Draw! 会判断你画的到底像不像，并且会显示出除了题目之外，你的画还像什么其他的东西。
显然，这是一个收集数据的好方法。仅仅半年的时间，就有来自 100 个国家的 2000 万用户，在 Quick, Draw! 上共绘制了 8 亿幅涂鸦。谷歌还表示，这些数据了反映的不同文化背景与观念，比如不同国家的人所画的椅子是不一样的，有些国家人画的椅子总是侧面，有些则通常是正面。现在，谷歌已经开放了其中的部分数据，供所有开发者一起玩耍。
Autodraw：人工智能涂鸦大师
文章开头提到的Auto draw就是Quick,Draw！数据的研究成果，也展示了谷歌强大的机器学习技术。
Autodraw能做到的不仅仅是识别你在画什么，它甚至能帮你补完未完成的涂鸦，纠正其中的错：如果你花了一只三只眼睛的猫，Autodraw会去掉一只眼睛。
这意味着，Autodraw已经拥有了我们所说的抽象思维，它并非仅仅是按照历史数据规整图画的线条，而是“知道”眼睛这一概念，并且知道猫只有两只眼睛。
Autodraw的背后，是人工智能系统SketchRNN。当我们在Quick,Draw！上作画时，SketchRNN会记下我们每一笔的形状和顺序，为每一种特定物体（猫、椅子等等）训练出一种神经网络。把人类涂鸦的笔画当成输入，进行序列编码，用人们的绘画方式来训练神经网络。完成这一训练后，SketchRNN就了解了某一图案绘画时的“一般规则”，比如我们画猫时，会画一张圆脸，两个尖耳朵，两只眼睛，六根胡须。SketchRNN就能明白，一个大圆、两个小圆、六根线和两个尖角加起来就是“猫”。然后，再向其中引入变量，让SketchRNN可以输出和接受随机性。比如猫脸的圆形可以不那么圆，猫的胡须可以长短不齐。但是三只眼睛这种错误超过了变量浮动的范围，是会被SketchRNN修正的。
和上图一样，同样是汽车，颜色越偏暖的图案，代表随机性越大，而这些全都是SketchRNN的作品。
SketchRNN虽然神奇，可很多人认为这项技术的实用性比较差。因为SketchRNN能识别甚至创造图形的原因，是因为团队为每一种图案都训练了一个神经网络。能做到这些，离不开Quick，Draw！收集到的庞大数据量，更离不开TensorFlow的强大算力。可动用了如此之多的资源之后，SketchRNN的应用范围还只限制于涂鸦之中，如果圈定在“笔画”这个逻辑里，或许以后还能在书法上有所作为，但效率如果还停留在每个个字搭建一个神经网络上，性价比未免太低了。
不过也有人提出了其他的看法，有学者认为，“笔画”是世界范围共用的沟通方式。象形文字、壁刻画式的线条会对人类大脑形成一种天然的刺激，人类的艺术创造越来越具象，或许展示了一种大脑和思维进化的可能。按照这个逻辑，SketchRNN或许能为我们找回曾经的思维方式，在未来帮助考古、史学、人类学等等领域更好的进行研究。
