人工智能AI 生成的艺术：从文本到图像
自从第一幅洞穴壁画出现以来，艺术一直是人类文化的主要内容。
这是我们表达自己和讲故事的一种方式。
近年来，人工智能（AI）取得了进展，人们一直在探索其在包括艺术在内的各个领域的可能应用。然而，对艺术的理解和欣赏被广泛认为完全是人类的能力。
在本文中，我们将探讨将AI引入循环中如何不仅可以促进数字艺术和艺术史领域的进步，还可以激发我们对艺术本身未来的看法。
以下是我们将介绍的内容：
人工智能生成艺术简史人工智能算法如何能够创造艺术与AI生成的艺术相关的挑战最佳AI艺术生成器和AI艺术品的示例
人工智能生成艺术简史首先，让我们把事情弄清楚一点。“人工智能与艺术”一般可以从两个方面来理解：
人工智能在分析现有艺术的过程中人工智能在创造新艺术的过程中我们专注于第二类，人工智能代理是产生新艺术创作的人。让我们看看人工智能生成艺术的演变。
AI生成艺术的历史可以追溯到计算机图形学和计算机发明的早期。
在1950年代和1960年代，计算机图形被用来生成简单的图案和形状。这些早期的AI生成艺术示例是使用基本算法创建的，以创建在计算机屏幕上呈现的图案。
例如，德国数学家和科学家弗里德·纳克（FriederNake）在1967年创建了一个名为“矩阵乘法”的作品集，其中包含12张图像，您可以在下面看到其中一张。
弗里德·纳克（FriederNake）的《无题》（1967)
Nake产生一个方阵并用数字填充它，然后将其依次相乘，并将得到的新矩阵转换为预定间隔的图像。
每个数字都被分配了一个具有特定形式和颜色的视觉符号。然后根据矩阵的值将这些符号放置在栅格中。Nake在他这一时期的工作中经常使用随机数生成，并且很可能，他的乘法过程是部分自动化的。
在1970年代和1980年代，人工智能生成的艺术开始在计算机辅助设计(CAD)中得到更广泛的应用。
CAD软件允许设计师在计算机上创建和操作3D形状。这允许创建更复杂和逼真的图像。例如，1973年，艺术家哈罗德·科恩（HaroldCohen）开发了一套算法，统称为AARON，它允许计算机以徒手画的不规则性进行绘图。
AARON被编程为绘制特定对象，科恩发现他的一些指令生成了他以前从未想象过的形式。他发现他已经设置了允许机器做出类似艺术决定的命令。
最初，AARON创作了抽象画，在1980年代和1990年代发展为更复杂的艺术，包括（按时间顺序）岩石、植物和人类的绘画。一个这样的例子如下所示。
由AARON制作的绘画，由HaroldCohen开发.
在1990年代，人工智能生成的艺术开始不仅仅用于视觉效果。艺术家们开始使用人工智能算法来生成音乐并创作新形式的诗歌。AI生成的艺术也开始用于机器人领域。机器人被编程来创作绘画和雕塑。
今天，人工智能生成的艺术被用于各个领域，包括广告、建筑、时尚和电影。人工智能算法用于创建逼真的图像和动画。人工智能生成的艺术也被用来创造新的音乐和诗歌形式。
最近用于艺术创作的人工智能的一个有趣例子是“人工自然历史”（2020年），这是一个正在进行的项目，通过作者索菲亚·克雷斯波（SofiaCrespo）所称的“自然历史书从来不是。”
克雷斯波基本上形成了一系列扭曲的生物，这些生物具有想象中的特征，需要全新的生物分类。这种艺术与大自然提供的无尽多样性相得益彰，而我们对此仍然知之甚少。人工自然历史中AI生成的样本示例如下所示。
人工智能生成的人工自然历史标本
人工智能如何用于创作艺术，包括算法和神经网络的使用人工智能用于创作艺术的方式有很多种。
AI算法可以根据一组参数生成图像或视频，或者通过组合和更改现有图像来创建新图像。神经网络可用于创建模仿特定艺术家风格的图像或视频，或创建与特定艺术类型相似的图像或视频。使用其他现有艺术风格生成新艺术作品的首选技术是通过生成对抗网络。当使用深度神经网络完成时，将艺术作品的风格转移到另一种艺术的方法称为神经风格转移(NST)。NST背后的主要思想是在2015年首次在本文中提出，为了获得输入图像风格的表示，使用最初设计用于捕获纹理信息的特征空间。这个特征空间建立在网络每一层的过滤器响应之上。它由特征图空间范围内不同滤波器响应之间的相关性组成。通过包含多个层的特征相关性，作者获得了输入图像的静止、多尺度表示，该表示捕获了其纹理信息，但没有捕获全局排列。作者通过实验发现，CNN中内容和风格的表示是可分离的。也就是说，两种表示都可以独立操作以产生新的、感知上有意义的图像。这一发现一直是人工智能生成艺术中使用的神经风格转移文献中提出的所有连续方法的基础。
除了神经风格迁移，还有其他算法可以创造人工智能艺术——
使用人工智能创造新艺术的最具革命性的算法之一是OpenAI的DALL·E2。DALL·E2仅使用用户给出的文本提示生成图像。在后面的部分中，我们将更详细地讨论DALL·E2的架构和功能。
GAN本文于2014年提出的生成对抗网络(GAN)通常由两个相互对抗的神经网络组成，以使它们都成为更好的学习者。
假设我们必须生成新图像来扩充用于图像分类的数据集。这两个网络之一称为生成器，即输出新图像的深度网络。另一个网络称为鉴别器，它的工作是对作为输入的图像是由生成器创建的原始图像还是假图像进行分类。
在连续的迭代中，生成器试图更接近地模仿原始图像来欺骗鉴别器，而鉴别器则试图更好地区分真实图像和假图像。这种对抗性游戏（极小极大问题）训练了两个网络。一旦训练循环完成，生成器就可以输出逼真的图像（与原始图像几乎无法区分），判别器已经成为一个很好的分类器模型。
GAN的一些流行应用是生成：
字体也可以使用GAN生成新的引人入胜（且一致）的字体，就像本文中提出的那样。人脸用于插图、电影人物等，减轻隐私顾虑。该网站显示了实际上并不存在的人脸图像，因为这些图像是使用StyleGAN2模型创建的。一个例子如下所示。卡通/动漫人物GAN也被用于生成卡通和动漫角色。这使作者能够获得关于人物绘画的新想法，甚至无需为他们的剧集绘制每一帧（视频序列）就可以创建场景。草图（Sketch）使用GAN生成草图有几个优点，例如使用多模态数据增强模型以进行风格转移、超分辨率等。它们也可以用作创建更复杂艺术的基础结构。使用SkeGAN模型生成的草图
AI生成艺术的好处和挑战现在，让我们看看使用人工智能创作艺术的利弊，并解决几个令人费解的问题。
AI生成艺术的一些好处包括：
生成真实或超真实数据使用AI生成的视频图像可用于电影，尤其是在现实生活中无法呈现的超自然场景。
有些艺术可能是人类无法创造的人工智能跳出框框“思考”以生成前所未有的样本，其中一些样本甚至可能很难或不可能让人类思考。这种艺术甚至可以成为更重要项目的灵感来源，即它们可以帮助人们获得新想法。
不断发展人工智能产生的艺术与人工智能模型的发展以及提供给此类模型进行训练的数据的演变一起不断发展。这允许新颖的想法在不停滞在饱和点的情况下流动。
人工智能生成的艺术面临的一些挑战包括：
缺乏人情味尽管人工智能创造出的逼真图像很容易欺骗任何人，但它缺乏制作艺术作品背后的人类情感和艺术背后的故事。这可能是许多人接受AI生成的艺术的一大障碍。
艺术可能是重复的或无聊的没有支持，人工智能不会产生新的艺术。我们给它提供我们已经拥有的数据来训练它。因此，在某种程度上，它产生的所有艺术都是衍生的（但它衍生自如此多的来源，以至于它在技术上成为新艺术）。因此，只训练过一次且训练过程从未使用新可用数据更新的模型可能会产生可能无趣的重复艺术。然而，像零样本学习或自我监督学习这样的新技术可以用新的可用数据训练现有模型，而无需从头开始重新训练模型。
对最终产品缺乏控制我们无法控制创作过程，因为一旦我们训练模型，它就会根据训练后的权重输出产品。我们无法在此过程中手动对其进行微调。
道德问题我们可能无法控制成品的发行、版权、使用或滥用。此外，人工智能生成的艺术可用于创建逼真的图像或视频，使人们相信某些不真实的东西。因此，其广泛的可访问性是福音还是诅咒是有争议的。
在谈论AI生成的艺术时，有两个主要问题让人们感到困惑：
你能卖AI生成的艺术品吗？是的，您可以出售他们的AI模型生成的艺术品。AI生成的艺术是增长最快的不可替代代币(NFT)之一。因此，任何人都可以使用AI创作艺术品并将其作为NFT在各种市场上出售。有几个流行销售AI生成艺术的例子。
例如，2018年10月，一个名为“EdmonddeBelamy”的艺术团体“Obvious”以432,000美元的价格售出了下图。虽然是AI模型创建了肖像，但这笔钱是由人类赚取的，即艺术团体是归功于这幅画。本文研究了应该因AI算法生成的艺术而获得赞誉的实体。
如果AI生成的NFT是您的一杯茶，您可能想看看AImade.art —AI生成的NFT艺术品的集合。
人工智能生成的艺术应该受版权保护吗？这是一个棘手的问题，因为每个人对此都有不同的看法。一些国家已经为人工智能生成的艺术启用了版权保护，而另一些国家则不同意。
一方面，该论点认为该算法是做这项工作的人，因此它可以很容易地被其他人复制，从而使版权主张无效。
另一方面，相同的人工智能算法将根据艺术家提供的训练数据产生不同的艺术。
因此，这个问题还没有“正确”的答案。尽管如此，到目前为止，人工智能生成的艺术是免费的。
最佳AI生成艺术和生成器示例在本节中，我们将仔细研究一些用于AI生成艺术的可用工具，并展示它们如何工作的示例。
其中许多工具都是开源的，因此您可以训练您的模型或使用现有的模型（有些可以免费使用有限次数）来使用AI创建您的艺术。
图像/图纸最新的AI生成的艺术方法已经在图像数据上进行了实验——逼真的图像和绘图。在本节中，我们将讨论一些目前可用于图像生成的最流行的AI模型。
从和2
DALL·E2是最近开创性的深度学习算法，可以根据使用自然语言（文本）提供的描述生成原始、逼真的图像和艺术。
它由OpenAI于2021年1月创建并发布。它是2020年12月发布的原始DALL·E算法的改进版本。DALL·E2还可以编辑现有图像并创建所提供图像的变体，同时保留其区分度特征。
本文提出的DALL·E2模型结合了两种值得注意的方法来解决文本条件图像生成问题——
CLIP模型是图像的成功表示学习器，而扩散模型是生成建模框架，在图像和视频生成任务中取得了最先进的性能。
DALL·E2包含一个扩散解码器，用于反转CLIP图像编码器。该模型的逆变器是非确定性的，可以生成与给定图像嵌入相对应的多个图像。
编码器及其近似逆（解码器）的存在允许超出文本到图像转换的能力。DALL·E2模型的高级架构如下所示。
使用CLIP潜在空间的一个显着优势是能够通过在任何编码文本向量的方向上移动来对图像进行语义修改，而在GAN潜在空间中发现这些方向需要运气和勤奋的手动检查。
资料来源：论文
DALL·E2的一些潜在实际应用包括：
创建照片般逼真的3D渲染为广告或产品设计生成图像创建新的艺术或可视化让我们看一些DALL·E2使用文字说明的AI生成艺术示例：
左边是“古色古香的花店店面照片，有柔和的绿色和干净的白色门面，敞开的门和大窗户”，右边是“穿着贝雷帽和黑色高领毛衣的柴犬”
以下是DALL·E2使用自然文本字幕生成的艺术作品示例：
左边：“用人类灵魂制作咖啡的浓缩咖啡机”，来源：Paper右边：“土星上穿着宇航员服的海豚”，来源：Paper
DALL·E2还可以通过反转其图像嵌入的插值在输入图像之间进行插值。DALL·E2通过使用球面插值在两个图像的CLIP嵌入之间旋转，产生中间CLIP表示并使用扩散模型进行解码来做到这一点。
中间变体自然地融合了两个输入图像的内容和风格。这种插值图像的示例如下所示。
与其他图像表示模型相比，使用CLIP嵌入的一个关键优势在于它将图像和文本嵌入到相同的潜在空间中，从而允许我们应用语言引导的图像操作。
为了修改图像以反映新的文本描述，DALL·E2首先获得其CLIP文本嵌入和描述当前图像的标题的CLIP文本嵌入。然后通过获取它们的差异并对其进行归一化来计算文本差异向量。
这方面的例子如下所示。
更多DALL·E2的艺术作品示例可在模特的专用Instagram页面上找到。您还可以与DALL·E2的小弟弟DALL·EMini一起玩，从您自己的文本中创建AI生成的艺术。
如果DALL·E2引起你的兴趣足以让你怀疑它是否可以取代人类，请观看此视频：
稳定扩散
StableDiffusion是一种革命性的文本到图像模型，与DALL·E2模型非常相似，但有一个非常显着的区别——它是开源的（与DALL·E2不同）——即可以使用和重新分发原始源代码免费，其他人可以从源代码中获取灵感来制作自己的模型。
该框架由机器视觉和学习小组、StabilityAI和Runway合作开发。StableDiffusion的完整实现在GitHub上提供，任何具有python基础知识的人都可以执行代码（运行代码的完整说明由作者慷慨提供）并免费生成自己的图像。
潜在扩散模型
稳定扩散建立在机器视觉与学习小组于2022年提出的潜在扩散模型(LDM)之上，该模型专为高分辨率图像合成而构建。作者使用LDM的目的是首先找到一个感知等效但计算上更合适的空间，在该空间中训练扩散模型以进行高分辨率图像合成。LDM框架的概述如下所示。
这种方法的一个显着优势是我们只需要训练一次通用自动编码阶段，因此可以将其重用于多个扩散模型的训练或探索可能完全不同的任务。这使得能够有效探索用于各种图像到图像和文本到图像任务的大量扩散模型。对于文本到图像的任务，作者设计了一种架构，将转换器连接到扩散模型的UNet主干，并启用任意类型的基于令牌的调节机制。
稳定的扩散架构
稳定扩散框架在来自LAION-5B数据库子集的512x512图像上训练潜在扩散模型。它使用冻结的CLIPViT-L/14文本编码器根据文本提示和UNet自动编码器调整模型。稳定扩散本质上是一种LDM，它以CLIPViT-L/14文本编码器的非池化文本嵌入为条件。
DreamStudio| 梦想工作室
DreamStudio是稳定扩散的官方团队界面和API。借助DreamStudio，用户无需任何Python知识即可使用StableDiffusion。在DreamStudio界面中输入文本提示会在几秒钟内生成图像。只需使用电子邮件地址注册，DreamStudio即可免费使用50次。
下面显示了通过DreamStudio软件使用稳定扩散模型从文本提示生成的图像示例。
图片
Imagen是GoogleBrain最近开发的文本到图像扩散模型。Imagen包括一个T5-XXL编码器，用于将输入文本映射到一系列嵌入和一个64×64图像扩散模型，然后是两个超分辨率扩散模型，用于生成放大的256×256和1024×1024图像。
所有扩散模型都以文本嵌入序列为条件，并使用无分类器指导。Imagen依靠新的采样技术来允许使用较大的引导权重，而不会在先前的工作中观察到样本质量下降，从而产生比以前可能具有更高保真度和更好的图像文本对齐的图像。Imagen模型的概述如下所示。
资料来源：论文
Imagen生成的一些图像示例如下所示。
左起1)“竹制安卓吉祥物”。源2）“一束光从天花板进入房间。光束照亮了画架。在画架上，有一幅伦勃朗的浣熊画。” 来源3）“一只狗好奇地照镜子，看到一只猫。” 资源
WOMBO梦想
WOMBODream是一款人工智能艺术作品应用程序，您可以在其中输入文字提示并选择艺术风格以生成新的艺术形象。
它建立在两个AI模型——VQGAN和CLIP之上。VQGAN是一种深度学习模型，用于生成看起来与其他图像相似的图像（神经风格迁移）。CLIP是一个经过训练的深度模型，用于确定自然文本描述和图像之间的相似性。
CLIP向VQGAN提供有关如何最好地将图像与文本提示匹配的反馈。VQGAN会相应地调整图像并将其传递回CLIP以检查它与文本的匹配程度。这个迭代过程重复了几次，最终的图像作为结果输出。
WOMBODream应用程序在迭代中给出文本提示的输出示例如下所示。
DeepDream|
DeepDreamGenerator是Google的另一个项目，它像我们迄今为止看到的所有其他生成器一样接收输入图像，并使用不同的风格输出梦幻般的迷幻图像，描绘出我们“梦想”的奇异事物。这是神经风格迁移的又一个例子。
使用DeepDream生成器（已公开用于生成图像）生成的图像示例如下所示。
更广泛的艺术
Artbreeder是一个基于AI的协作网站，允许用户生成和修改他们的肖像和风景图像。
用户可以组合多个图像以轻松创建新图像。其核心有两个基于GAN的模型——StyleGAN和BigGAN模型。
Artbreeder的功能示例如下所示：
音乐与声音AI生成艺术的能力不仅限于绘画——
点唱机
深度生成模型现在可以产生高保真音乐。例如，OpenAI的Jukebox是一个模型，它可以在原始音频域中生成带有歌声的音乐，具有跨越数分钟的长距离连贯性。
Jukebox使用分层VQ-VAE架构将音频压缩到离散空间中，其损失函数旨在在增加压缩级别时保留最大量的音乐信息。Jukebox模型的概述如下所示。
他是
AIVA应用程序允许用户使用AI创作音乐。有几首著名的AI歌曲，例如BoredWithThisDesireToGetRipped、DeliveranceRides等等。其中一些人工智能生成的歌曲甚至有著名歌手的声音（尽管他们从未真正演唱过）。
运动与舞蹈舞蹈编排是一项特别困难的工作，因为“描述”舞蹈并不简单。它高度依赖于风格、情感和技术。
编排是有目的地安排动作序列。基本构建块是3D空间中的位置变化。捕获舞蹈数据是通过使用人体姿势估计技术完成的，该技术将捕获数据的维度减少了几倍，从而允许AI模型以较少的计算负担对其进行训练。
然而，人工智能甚至能够生成编舞片段，其中一个早期的例子是2016年开发的chor-rnn模型。chor-rnn的核心是一个深度循环神经网络，它在原始动作捕捉数据上进行训练，可以生成新的独舞者的舞蹈序列。
最近的文献中提出了许多新技术，包括AI生成的3D编排。
电影为电影编写脚本可以被视为自然语言处理(NLP)任务。AI甚至可以编写整个剧本。例如，2016年，奥斯卡·夏普执导的科幻短片《太阳之泉》的剧本完全由AI编写。
最具革命性的NLP模型之一是生成式预训练Transformer-3(GPT-3)架构。它是一个1750亿参数的自回归语言模型，可以生成具有出色连贯性的类人文本。
GPT-3已被广泛用于编写剧本、诗歌等。在本文中，研究人员创建了一个可以自动生成电影预告片的AI模型。他们的模型可以为任何没有重大剧透的电影制作合适的、引人入胜的预告片（视频）。
故事与图像非常相似，可以使用我们拥有的AI模型生成整个故事，方法是提供描述主题的提示以及您希望AI模型编写的故事的一些高级信息。
例如，TristrumTuttle有一个训练有素的GPT-3模型，用于编写故事以及使用提示的标题：“写一个简短的虚构故事的开头，讲述一个害怕人工智能但随后与机器人交朋友的孩子。”
概括在过去的几十年里，人工智能作为艺术家的潜力已经显着增加——从创造超现实的图像到写电影。生成模型被广泛用于完成这些任务，当提供足够的训练数据时，可以生成新数据。
然而，人们对AI生成的艺术创作（除了伦理问题）存在担忧，例如缺乏将艺术家与其艺术联系起来的个性化。因此，尽管人工智能生成的艺术以高价出售，但人们还是有点担心会失去由真人创作的传统艺术。另一方面，随着脑电图（EEG）技术的发展，通过捕捉艺术家的思想（即捕捉大脑信号），个性甚至可以应用于人工智能生成的艺术。
AI生成艺术的未来仍然很模糊，但我们现在拥有的AI技术确实能够创建可以欺骗我们人类的图像、视频或文本。因此，人工智能艺术的可能性既令人兴奋又令人恐惧。
人工智能AI生成的艺术：从文本到图像、视频、3D建模
继去年火遍全网的虚拟人之后，AI绘画又成了今年热议的科技话题。
AI绘画就是「以文生图」，打通了文字和图像的隔阂，只要输入一段文字描述，AI就可以把用户脑海中想象的画面呈现出来。这是一种文字转图像（Text-to-image）特性的崭新交互方式，使用文字描述，或者基于画面意象和故事，或者基于艺术家风格、构图、色彩、透视方法等专业名词，就能在数十秒内生成完整的绘画作品，人人都能成为艺术家。
例如这种：
除了国画、风景画，二次元也不在话下。
简单来说，就是AI学会了“命题作画”。
其实，AI绘画早在2015年就已经出现，但随着技术的不断增强，人们惊奇的发现，AI作画已经发展到了难以想象的地步。在国内外网络上，AI作画迅速成为焦点话题之一。
即使大众对AI绘画的褒贬不一，但我们不得不承认，AI生成艺术的爆发大势不可逆。作为计算机视觉算法领导者，皮卡智能AI也不甘落后。目前也研究出「文字生成图片」技术，正在不断完善中，仅供商业使用，可调用定制化API接口服务，欢迎有需求的客户后台留言。
用户可前往网站（上述链接）进行案例操作，如需生成更好效果，可尝试输入英文关键词，每个关键词可随机生成4-5次不同的图片。
珊瑚小镇
对于大多数普通人来说，进行AI绘画创作无疑是新奇的体验，只需要输入指定的关键词，就能生成自己想要的图片，甚至能颠覆想象生成更大胆的创作。看似是一个傻瓜就能上手的工具，却经历了多年的技术突破才能实现今天的效果。
传统AI绘画的技术原理是生成网络（GAN）或VAE等，目前，GAN作为上一代AI绘画工具与平台最主流的图像生成模型，在模型训练方面已经有了很大的突破，但在实际应用的过程中仍然拥有严重的结构性问题。
采用DiffusionModel的Dall-E-2生成的图片
而AI生成艺术爆发背后主要的技术原因是DiffusionModel(扩散模型)在这2年的发展，突破了AI生成艺术多年以来的技术瓶颈，结合已经发展得很成熟了的文本语言模型GTP-3,带来了可用性极高的文本生成图片工具。
把原图用马尔科夫链将噪点不断地添加到其中，最终成为一个随机噪声图像，然后让训练神经网络把此过程逆转过来，从随机噪声图像逐渐还原成原图，这样神经网络就有了可以说是从无到有生成图片的能力。而文本生成图片就是把描述文本处理后当做噪声不断添加到原图中，这样就可以让神经网络从文本生成图片。
在现阶段，对于艺术、影视、广告、建筑、时尚、新媒体等创意行业从业者来说，AI绘画的崛起其实是有很多帮助的，它可以作为一个强大的助手，辅助日常工作，提高产出效率，降低时间和经济成本，以下列举了一些AI绘画的应用方向。
ToC的生产工具这种最直接的应用场景主要展现在修图APP、to设计师端的站酷、即时设计等生产工具，AI绘画可以为这些产品增加场景丰富度，提高用户粘性。
为艺术解放生产力这种应用场景大概率会出现在插画师、动画师、电影创作者等实现能力补充，解放生产力。这其中应用最多的企业可能会是广告公司、影视创作公司、建筑事务所等对艺术效果图有大量需求的企业客户，单是这几类企业就有不低的市场天花板，另外，品牌商家的广告和创意部门也是有力的受众之一。
AI生成的这就是街舞5·李承铉队长大秀背景
实现“创作自由”在当下全民自媒体、低门槛内容制作的时代，AI绘画也会在此领域发光发热，就拿B站的二创来说，越来越多的up主利用AI来进行创作输出，分享更多更有趣的AI技术。基于这一点考虑，国内主要内容生产分发的平台、电商平台、互联网大厂等都有可能会先后在自有产品生态中孵化AI绘画功能，帮助用户快速生成符合平台调性的艺术内容，同时服务自己的用户和企业用户。
科技正在慢慢改变世界，AI「以文生图」仅仅是AI生成艺术的冰山一角，未来还会崭露出更多AI生成艺术。
例如AI生成视频，既然AI可以生成图片，那生成视频自然将会成为下一个待开垦的地带；视频有了，AI生成3D模型也指日可待。
AI时代的内容领域，创作者们总要不同程度地与AI对垒。这难免带来冲击和焦虑，但我们也应该知晓，它们终究只是工具，不能淘汰人类的想象与创造。