人工智能解密音樂魔力

凱倫·郝 胡文明

眾所周知，音樂具有強大的感染力。電影若無配樂，則無法激發同樣的情感歷程。健身若無熱血歌曲，則會乏味無聊。那么，是否有辦法量化這些反應？如果有的話，能否將其做逆向工程并加以利用？

2在一篇新論文中，南加州大學的研究人員標記出了音高、節奏、和聲等會如何引發不同類型的大腦活動、生理反應（發熱、出汗、電反應變化）、情感（喜悅或悲傷），以及機器學習如何利用此等關聯來預測人們對一首新音樂作品可能會作何反應。他們在計算機科學與藝術之交集主題大會上發表了該研究成果，展示了有朝一日人類或將可以為醫療、電影等領域設計定向的音樂體驗。圖該實驗室設立了一個更為宏大的目標，即深入了解電影、電視廣告、音樂等各類媒介對人類軀體與大腦的影響，而上述研究只是其中的一部分?！耙坏┝私獾矫浇槿绾斡绊懜黝惽楦?，我們就可以嘗試高效利用該成果來真正地輔助或提升人類體驗。”南加州大學教授、實驗室首席研究員什里坎特·納拉亞南如是說道。

4研究人員首先在聲田等音樂流媒體平臺上搜索到鮮有人聽的標為“歡樂”或“悲傷”的歌曲。（他們想避免熟悉的曲目，將混淆變量最小化。）經過一系列人工測試，各類情感的60首歌曲縮減到了最終的3首：兩首能夠有效地引發悲傷之情（奧拉維爾·阿德納爾斯的《起初》以及邁克爾·凱曼的《發現集中營》），一首能夠有效地引起歡樂之感（盧拉通的《與落日賽跑》）。100名之前未曾聽過這些歌曲的參與者分成了兩組，聆聽全部3首曲目，他們要么接受功能磁共振成像掃描，要么在皮膚上佩戴脈搏、熱量或電流感應器，按0至10對他們情感的強烈程度劃分等級。

5然后，研究人員便將數據以及每首歌的74個特征（如音高、節奏、和聲、動感、音色等）傳輸到幾個機器學習的算法之中，并查驗哪些特征是最強的反應預測指標。例如，他們發現一首歌的亮度（它的中高頻水平）與其節拍強度都屬于歌曲如何影響聽眾心率、大腦活動的最佳預測指標。

6該研究尚處于非常早期的階段，還需要一段時間才能有更為強大的機器學習模型以精準預測人類對歌曲的心理、生理反應。盡管如此，研究人員仍然看好此類模型的應用前景：為特定個體設計音樂、創造高度共鳴的電影配樂，抑或幫助精神病患者刺激大腦的特定部位。該實驗室已攜手多家成癮治療診所一起研究如何利用其他類型的媒介幫助患者。他們還想在治療中開始加入各種音樂療法。

7該研究更為簡單的應用便是生成播放列表。“你可不想在睡前聽一首讓人心跳加劇的歌曲，但是如果你在長途駕駛，又沒喝多少咖啡的話，你或許會選擇這樣的歌曲?！备窭餇栒f道。

（譯者為“《英語世界》杯”翻譯大賽獲獎者）