北京时间3月11日，据外媒报道，科学家近日研发出一种新型AI人工智能系统，可以“潜入人脑”，洞察哪些类型的面部特征最吸引你。无需任何语音或文字指令，AI电脑系统能否识别出我们认为是人像的面部特征有吸引力吗？研究人员对30名测试对象的脑电波进行了脑电图(EEG)扫描，然后向他们展示由20万张名人真实照片以不同方式拼接而成的“假脸”。测试者无需做任何事情或者直接点击他们喜欢的照片，研究团队可以通过脑电图读数确定他们的“无意识偏好”，然后将数据输入人工智能系统，人工智能系统可以洞悉他们的“审美”从脑电波数据中判断出测试者的倾向，将你心目中的“西施”模样推荐给测试者。▲芬兰赫尔辛基大学的研究人员想知道人工智能计算机系统是否可以在没有任何语音或文本指令的情况下识别出我们认为有吸引力的面部特征。将来，这种人工智能技术可用于确定应试者的个人偏好，或了解人们可能不会公开谈论的无意识态度。现在的AI系统可以理解什么样的脸是最有吸引力的主观意识。在之前的研究中，科学家们已经设计出可以识别和控制简单肖像特征的模型，例如头发颜色和情绪变化，但确定“吸引力”将是一个更具挑战性的研究课题。在早期有限的人类五官研究中，人们对金发女郎和微笑女性的审美基本一致，但这只是表面细节。相比之下，分析应试者认为哪些面孔更有吸引力是一个具有挑战性的主题，因为它与文化和心理因素有关，这些因素可能在我们的个人偏好中发挥无意识的作用。确实，我们很难解释为什么有些人对某些人极具吸引力，而对其他人则不然。这或许验证了我们常说的谚语——“仁者见仁智者见智”。最初，研究人员生成了一个对抗性神经网络(GAN)智能系统，可以生成数百张人工肖像。这些图像一次一个地展示给30个测试对象，然后要求测试对象记录哪些肖像是有吸引力的。脑电图(EEG)记录了他们的大脑反应。这有点像约会软件。在这项最新的研究中，测试人员除了看照片外什么都不做，就测量了他们大脑对肖像的即时反应，这是一种非语言过程，研究人员随后使用机器学习技术分析脑电图数据并生成神经网络。像这样的脑机接口可以解释为什么某些肖像对测试对象有吸引力，通过解释他们的观点分析，其中人工智能模型解释大脑反应，并通过结合某些人脸的感知吸引力，它可以生成完整的图像。新人脸图像的神经网络模型。▲然后他们将数据输入人工智能，人工智能会从脑电波中学习偏好，为志愿者创造全新的形象。为了测试他们建模的有效性，他们为每个测试对象制作了新的面部图像，并预测这些肖像是否会吸引测试对象。在对他们进行的“双盲测试”中，结果显示最新的造型图像与测试对象相同。参与者的个人喜好匹配准确率超过80%。双盲测试又称“双盲测试法”，是指在测试过程中，测试者和被测者都不知道被测者所属的组（实验组或对照组），而分析者在分析时分析数据时，往往不知道被分析的数据属于哪一组。这项研究表明，我们可以通过连接人工神经网络和大脑反应来生成符合个人喜好的图像。对身体吸引力的成功评估意义重大，因为它是外部刺激的深层心理属性。到目前为止，计算机视觉在基于对象模式对图像进行分类方面非常成功，但是通过引入大脑对混合情况的反应，我们展示了检测某人的审美标准并根据心理属性（例如个人品味）。是可能的。这项最新技术可能会将无意识的态度暴露给无法通过口头和有意识地表达信息的目标测试对象。最终，通过人工智能解决方案和脑机接口交互技术，这项研究可能会改善计算机学习，并变得越来越了解人们的主观偏好，我们就越能造福于社会。如果审美偏好等个人主观因素也能有洞察力地分析，我们或许还能研究其他认知能力，如感知和决策。我们可能会调整认知策略或隐性偏见，以更好地理解个体差异。目前，这份最新的研究报告发表在最近出版的《电气与电子工程师协会情感计算汇刊》上。人工智能系统主要基于人工神经网络(ANN)，它试图模仿人脑实现学习功能的工作方式，并且可以通过训练来识别信息中的模式——无论是语音、文本数据还是视觉图像——它是近年来人工智能发展的基础。对抗网络如何运作？科学家通过将两种算法相互对抗来生成对抗网络，从而试图创造出人类意识的真正主观选择。这些“想象中”的数字创作，可以是图像、视频、声音和其他内容的形式，主要基于输入系统的相关数据。人工智能机器系统根据所学内容创建新内容，另一个人工智能系统使用这些内容。数字创作受到批评，指出缺陷和不准确之处。最终，这个过程可以让人工智能系统在没有人类输入的情况下学习更多的新信息。人工智能如何通过神经网络进行学习？AI系统主要基于人工神经网络(ANN)，它试图模仿人脑的工作方式以实现学习功能，同时可以训练它识别信息中的模式——包括语音、文本数据或视觉图像，是近年来人工智能发展的基础。传统的人工智能通过向算法提供大量信息来“教授”有关特定目标的算法。实际应用包括谷歌的语言翻译服务、Facebook的面部识别软件和Snapchat的实时图像过滤器。提供这些数据的过程可能很耗时，而且仅限于一种类型的知识。一种称为对抗神经网络的新型人工神经网络使两个人工智能系统相互对抗，从而使它们能够相互学习。该方法旨在加速学习过程并优化AI输出“数字创作”。
