上一篇内容——铠侠·未来记忆系列｜手塚篇（四）依靠人工智能创造手塚治虫笔下的作品角色，向这一前所未闻的创举发起挑战（一）中介绍了“手塚 真”与“石渡 正人”两位参与者，并采访了他们对于TEZUKA项目的心得。本篇将继续介绍“迎山 和司”与“栗原 聪”，两位对AI与人类的合作有何看法与心得？阅读文章为你揭晓答案。
发展为AI与人类的
共创型合作
迎山 和司
公立函馆未来大学教授
迎山和司毕业于京都市立艺术大学媒体艺术博士课程。1998 年至2000年担任加州大学圣地亚哥分校计算机研究所（现为 Arthur C. Clarke 中心）访问艺术家，他的作品曾于2000年获得.net 类别电子艺术大奖，于2011年入选国际电子语言艺术节（圣保罗，巴西）。
2016年迎山和司被聘为巴黎东-马恩拉瓦莱大学 IMAC客座讲师。为了研究创意活动中的信息处理过程，迎山和司利用人工智能绘制图片，发表了有关人类认知特征的论文。迎山和司小时候是靠看《铁臂阿童木》漫画来学习汉字的。
手塚治虫描绘的面部
在AI眼中并非如此
迎山教授正在公立函馆未来大学，从事着让电脑代替人类画图的研究。
“深入研究的话，我认为有些东西是无法被电脑取代的。那就是只有人类才能做到的‘创造性的事情’，为了了解这一点，我还在继续研究。”
在这一项目中，迎山教授受手塚制作委托，用识别器将手塚治虫原稿数据分成分镜和对白框等，并让AI学习。
“为了让AI进行机器学习，首先要告诉它们什么是面部。由于手塚先生所画的角色是变形后的，所以至今为止仅用于识别人脸的识别器并不适用。结果我们不得不自己选择可以使用的面部图像，而这个数量并非1、2张，而是数以万计。于是这项工作便从和学生一起收集面部图像开始了。”
工作内容极为繁杂。首先需要从《怪医黑杰克》、《火之鸟》、《铁臂阿童木》等作品中逐一提取面部图像，这需要大量的时间。在这项工作告一段落后，再开始着手于其他作品。
倘若AI能与人类合作
未来人类的创造性会有何改变？
“机器的不懂变通让我们很痛苦（笑）。我们反复进行了试错，比如让AI学习手塚作品以外的角色的面部以及真人的面部，并通过将同一个角色左右反转来使它增强记忆。”
为了提高AI生成的图像的精确度，迎山教授从多方面作出了尝试。对这次项目，他作出了如下的感想。
“即使将来AI能够绘制漫画，我也不认为人类的创造力会变为零。因为漫画不仅有作者，还有读者。纵观漫画的发展历史，很多新的拟声词和对话框的表现形式被创造出来，但如果读者不接受的话，它们也不会存续。我认为这次项目也会发生同样的事情。多少工作将由AI完成，多少将由人类完成？我想这个标准总有一天会诞生。也许会是1万年以后，到那个时候，人类的创造性会变成什么样子？我表示期待。
为了让AI学习手塚式角色而准备的，是手塚治虫留下的15万页的原稿数据。
这些原稿在经过函馆未来大学的识别器识别之后，被分类并标记为“分镜”、“对话框”、“面部”、“身体”。为了提高生成的图像质量，团队进行了反复试错，如通过反转图像以增加识别张数，或只读取女性角色等，直到生成理想的图像。
“迁移学习”
为角色生成打开突破口
栗原 聪
庆应义塾大学 理工学部 教授/电气通信大学 人工智能最尖端研究中心 特聘教授
从庆应义塾大学理工学研究科毕业后，就任于NTT基础研究所、后担任过大阪大学产业科学研究所副教授、电气通信大学信息理工学研究所教授后至今。工学博士。喜欢的手塚作品为《森林大帝》、《蓝宝石王子》、《怪医黑杰克》，认为这些故事和设定触动了他的心。著有《人工智能与社会》（欧姆社）、编辑《人工智能学事典》（共立出版）等多部作品。最近著作有《AI兵器与社会未来 杀手机器人的真面目》（朝日新书）。
使用AI生成黑白漫画属于首次尝试。对于我们，也是一系列未知的挑战
在这次项目中，技术团队的课题是，如何从图片和场景中提取数据，以便AI学习手塚式风格，以及如何让已经使用数据学习了手塚式风格的AI，生成新的情节和图片。起初的策略是使用现有的技术来生成角色图像，但实际过程中却遇到了各式各样的难题。
“这次用于图像生成的AI，可以通过输入庞大数量的脸部图像来学习‘面部’这一特征，从而生成并不存在却极其真实的人脸。最初只是单纯地让AI学习了手塚治虫所绘的角色。这可能是让AI生成漫画单色线条的首次尝试，对我们来说也是一个未知的挑战。”
仅就结果而言，所设想的角色并未被生成，栗原教授表示这在“意料之中”。
铠侠助力TEZUKA项目
”迁移学习“助力AI角色生成
“我们也没有期望从一开始就能生成出完美的面部图像。但确实在这个像面部又不是面部的图像中，看到了一丝手塚式的影子。或许可以在这个基础上，再由人类来加工完成角色。当时可能也萌生过这样的想法。”
由于手塚漫画中角色的正面镜头极少，因此让AI学习“手塚治虫式风格”是有限的。
“虽然话是这么说，但我们使用的AI可以生成相当高质量的人脸，如果再不创造出点像样的东西，可就有点说不过去了......当时确实大家都怀揣着这样的想法（笑）。于是，在铠侠的帮助下，我们决定使用一种叫作迁移学习的技术，对通过数十万人脸数据学习的AI所获得的面部特征数据加以利用。”
创造出无限接近
手塚治虫的角色
什么是生成式对抗网络（GAN）的深度学习
角色生成的核心是一种叫做对抗生成网络的AI技术，俗称生成式对抗网络，它可以使AI通过学习“真实的样子”以生成尽可能逼真的图像。
它以“对抗”的方式进行学习，识判别生成数据与输入数据的接近程度，然后生成更高质量的数据，直到识别器无法将其与输入数据区分开来。
通过重复生成和识别的过程，可以输出与生成数据几乎一致的数据。这个系统最初是由铠侠用于提高半导体设计和制造品质上的，但在本项目中被应用于角色生成。
然而实际应用并没有这么容易，但这也是AI的乐趣所在。在“手塚2020（TEZUKA 2020）”项目中，将已经学习了手塚式风格的生成式对抗网络，进一步导入至2种类型的AI中来生成角色。得到了如下3个结果。
最初提出的生成式对抗网络通过一次处理就能生成整个面部图像，因此细节的完成度不高。生成式对抗网络①通过从轮廓等粗略部分开始，阶段性地生成眼口鼻等细节部分的新方法，试图生成完成度更高的图像。
最初让AI尝试学习了约4500张图像后，得到了类似图像的生成结果，之后将已学习的图像进行左右反转，通过进一步学习反转后的数据，使学习数据达到了4倍左右，约1万8000张。由于学的数据越多，精确度就越高，项目因此取得了很大的进步。
但这仍然不够理想。团队决定从头开始，只采用手塚漫画中的女性角色让AI进行学习。也许是因为女性角色图案较为完整，所以得到了较好的结果。之后团队还尝试了各种方法，如对混合角色图像进行学习等。
全部评论