AI“換臉術”中的學習密碼

白靜

“復制”一張臉

人臉交換技術，顧名思義，就是在圖像或視頻中把一張臉替換成另一張臉。這一技術在電影制作領域已經不是個新鮮詞了，它需要專業的視頻剪輯師和特效專家花費大量時間和精力才能完成。

最近出現的換臉視頻可以說是人臉交換技術的一個突破，人工智能把A的面部關鍵信息記錄下來，如下圖所展現出的嘴巴、鼻子、眼睛等信息，并且將這種信息反復重建和自我改進，最終可以完全自主地生成一張A的臉，并模擬它的大部分表情。下一步，當然就很簡單，只要把這張臉再貼到任意一個視頻中的B的身體上，“換臉”就完成了。這個技術的核心在于可以復制一張臉。

AI收集的臉部信息

將表情從五官拿下來

AI換臉的本質是把人的五官形象和表情分開。表情是五官在不同情緒下的形象，更多也是指五官的“動作”。一個人的五官和表情總是一體的、難以分割。然而AI換臉技術的出現，正在告訴我們五官形象和表情是可以分離的。

AI換臉的過程為：人工智能預先分析好視頻里面的五官的形狀和位置;你提供照片后，人工智能再分析照片中的五官形狀和位置;然后再把照片中五官的形狀和位置，與視頻對比著進行合并。人臉互換一般可以用于視頻合成、提供隱私服務、肖像更換或者其他有創新性的應用。

最早的人臉互換是通過特征點匹配來提取一張臉中例如眉毛、眼睛等特征信息然后匹配到另一張人臉上。如今，只要有足夠多的圖像數據，AI就能讓一個編碼器把一個人臉壓縮成一個代碼和兩個解碼器，一個解碼器可以還原原始人臉，另一個可以生成新的人臉，下圖展示了一位女性換臉前后的對比圖，左右兩個人的姿勢完全一致，只是臉部特征發生了變化，如果只看右圖，我們很難看出這是生成的假圖。

無學習，不AI

現實中的機器人還沒有科幻電影中那些很夸張的能力，只能根據使用者的行為動作做出一系列的反應。而如今的AI“換臉”通過“生成性對抗網絡”（Generative Adversarial Network）這種機器學習技術對現有的圖片資料進行深度分析的和學習，這種深度學習就是人工智能研究在今天的核心指導思想，也是機器人在未來的發展方向。

人工智能已邁向認知智能的新階段

換臉對比圖

谷歌的AlphaGo因為學習了大量專業棋手棋譜，然后又從自我對弈中持續學習和提高，因此戰勝了人類世界冠軍。微軟小冰因為學習了大量互聯網上的流行語，才能用既時尚、又活潑的聊天方式與用戶交流。這些被宣傳為人工智能的典型應用大多都擁有深度學習的技術基礎，這似乎也符合人類認知的特點——人的智慧離不開長大成人過程里的不間斷學習。

當然，機器目前的主流學習方法和人類的學習方式還存在很大的差別。比如，目前的計算機視覺系統在看過成千上萬張自行車的照片后，很容易辨別出什么是自行車，什么不是自行車，這種需要大量訓練照片的學習方式盡管看上去還比較笨拙，但反觀人類，給一個三四歲的小孩子看一輛自行車之后，再見到哪怕外觀完全不同的自行車，小孩子也十有八九能做出那是一輛自行車的判斷。也就是說，人類的學習過程往往不需要大規模的訓練數據。

如果說人工智能是一種會學習的機器，那未來需要著重提高的，就是讓人工智能在學習時的抽象或歸納能力向人類看齊，走向認知智能的新世界。

（責任編輯/王佳穎 美術編輯/李子夜）