超一千万人选择和人工智能谈恋爱！AI恋人到底是什么
0分享至最近，“元宇宙”（Metaverse）的概念在互联网科技界大火。从Fcaebook到国内腾讯、字节等公司接连官宣，属于“元宇宙”的时代到来了。简单来说，就是现实世界中的“我”在“元宇宙”的虚拟世界中另辟蹊径，在现实和虚拟世界中共同推进人生轨迹，工作、社交、娱乐等多样化场景都能在元宇宙实现。（图片来源：Andrush/Shutterstock.com）看到各大互联网大厂争相角逐“元宇宙”的风口，小编不禁想问，有了这类虚拟技术的加持，科技大佬们能否关心下单身群体的恋爱问题呢？毕竟科技的发展源自于生活，也应当服务于生活和需求嘛。你的“虚拟恋人”正在上线小编发现，国内就有这么一家致力于打造沉浸式的元宇宙婚恋社交场景以满足不同人的亲密互动需求的公司。与此同时，网络上兴起了对于元宇宙中虚拟恋人的讨论和想象。(一家致力于打造元宇宙婚恋平台的公司来源：腾讯新闻)（图片来源：小红书）在2013年的爱情科幻电影《她》中，男主人公与拥有迷人声线、性格温柔幽默的人工智能系统OS1（她还拥有一个美丽的名字“萨曼萨”）发展了一段不被世俗所理解的奇异人机之恋。（电影《她》男主人公通过耳机与智能女友进行日常交流）如今，随着互联网科技的飞速发展，人工智能、虚拟现实、元宇宙等越来越多日新月异的新技术正在试图走进人类的生活。在电影《她》上映的那一年，人们还无法想象与一个虚拟人物进行交流对话的场景，但如今走入居室，人们可以与空调、吸尘机、音响进行无障碍沟通，甚至对着Siri唱歌、讲段子也成了稀疏平常的生活碎片。既然如此，我们是不是可以畅想下，电影《她》中所描绘的人机之恋，在不久的将来成为现实生活中的一种可能性呢？科技界人士已经发现了一些努力的方向。近两年，不少娱乐公司发展起了虚拟偶像，很多国内外的公司推出了偏向真人性的虚拟人物。(《光与夜之恋人》男主角之一虚拟男友“萧逸”首登《ELLEMAN》封面)又比如，今年热播的神脑洞轻科幻偶像剧《完美的他》。按照乙女游戏的标准设定，该片中的四位主人公以两位女主的假象男友的形式出现。(《完美的他》中的一位男主)剧中，当女主角带上VR眼镜，虚拟男友不仅线上嘘寒问暖，其真人“标本”也化身为触手可得的行走荷尔蒙。霸道公主抱、人工呼吸吻、牛奶吻等名场面应接不暇，高度满足了少女心杀器的必备元素。（《完美的他》名场面之一）该剧的冲突点在于，这些虚拟男友并非单纯的“纸片人”，ta们在虚拟世界中的人生经历采集自真实存在的四位男性。“非纸片人”的设定使得虚拟人物的形象愈发真实、饱满。对受众来说，随着技术的推进，虚拟恋人越来越接近于他们心中对于完美伴侣的想象了。几家欢喜几家愁当人们谈论到未来时，他们都更愿意去相信事物都会变化。这种变化对于人类来说，究竟是好是坏呢？人机之恋究竟会呈现出哪种模样？一份虚拟恋情可能会遇到什么样的现实问题，且有哪些利弊？目前已有不少关注这一话题的人，通过各自的方式表达了各异的观点。一些人持乐观态度，也有不少人对这种奇异的爱情观表示了担忧。（1）非物质性客体的局限性首先，是关于虚拟恋人物质性的考量。一提到虚拟二字，就会自然想到其反面——真实。如果心爱的ta不具有真实存在的身体和样貌，想必不少人会对虚拟恋人SayNo。就拿电影《她》来说，虚拟女友“萨曼萨”几乎满足了男主人公对理想女友的一切想象，但她不具有肉身，她仅仅通过声音这一媒介来传递信息，而这也是横亘在两人之间最大的障碍。（男主“带着”虚拟来女友一起旅行看海）尽管技术的进步能在一定程度上弥补这个问题，例如通过虚拟现实等技术为“恋人”设计出更拟人化的形象、表情与动作，但无论是冰冷的“机械姬”还是三次元世界的“全息恋人”都抵不过一具触手可及的、有血有肉的身体来得令人更有真实感。（2）虚拟恋人能否带来真实情感联结如果说虚拟恋情成为现实，那么除了技术带来的在沟通交流和约会陪伴等方面的便利性之外，亲密关系中最重要的情感联结能否在人机之间被有效建立起来呢？影评人刘学文对于影视作品中的人机之恋做过如下犀利的点评：“纵观我看过的这些电影，似乎都没有出现一个欢快的结局，电影中的人和用人工智能武装起来的虚拟伴侣，一度都是如胶似漆，但是这种关系并不像人与人之间的关系那样，它总是很坦诚、善解人意，最终却不欢而散。”就像所有恋爱的热恋期一样，人机之恋最初也总是被新鲜感和亲密感充斥着。只要你想ta了，打开手机或连接上设备，虚拟恋人便会如期而至。甚至像日本怪诞剧《世界奇妙物语2014春季特别篇》首个小故事《废材的他和可爱的她》里所展现的那样，根据男主的私人定制，一个具有全息投影的具象化女友形象随时随地都能出现在他身边。（《废材的他和可爱的她》）但这位“女仆风”伴侣并未如男主想象的那样百依百顺，相反，随着交流的深入，男主发现眼前的这个仿真人即使是按照自己的意志唯一定制的，甚至ta具有读取、识别和应对人类各种情绪的能力，但ta的情绪反应依然是基于算法生成的。说到底，ta仍然是没有真实感情的人工智能。当人们面对自己的虚拟恋人问出那一句“你爱我吗?”，经过智能系统高速而精密的运算后，也许会出现几千万种不同的回答。可是，这些爱的语言究竟是“坠入爱河”的真实表达，还是只是智能系统给出了人们最想要的答案呢？（电影《她》）更何况，并不是所有情况下，语言都能够作为最佳表达方式来传递爱。身体接触，如牵手、抚摸、拥抱、亲吻等也有是许多人类需要的爱情“语言”。（日本艺术家空山基基于机械的作品）很显然，无论是何种表现形式，手机等设备中的语音，人造的躯体或者全息投影，这些形式最终还是无法代替真实的人类，成为一个能满足人类亲密关系的多样化需求的合格伴侣。虚拟恋人爆火的背后是人们忘了如何去爱存在即是合理。在虚拟恋人爆火的现象之下，好奇心驱使着人们透过智能机器人的眼睛去反观人类社会的种种。人们渴望通过量身创造出能与自己深入交流、谈情说爱的机器人，甚至幻想与这样的精密而完美的AI陷入一段柏拉图式的浪漫关系，似乎虚拟恋人的出现能够避免很多现实问题，爱情也因此变得纯粹而简单。果真如此吗？未必。在其背后，小编认为还是反映了现代人的“爱无能”。对于人类来说，似乎只要向机器人提出需求，即可获得一段良好的关系。然而殊不知这种只提需求、回避矛盾与问题的态度，恰恰忽略了爱情最根本的意义，那就是“给予”。弗洛姆认为爱的本质是给予，而不是接受。不成熟的爱人说:“我爱你，因为我需要你。”成熟的爱人却说:“我需要你，因为我爱你。”一个不会爱的人是没有生命力的，他也很难用一颗充盈着爱意的心去面对一个真实的个体，因为真实的人际关系必然充满着荆棘，这条路需要发挥出人类内在的积极力量。所谓“给予”，最重要的不只是物质方面的给予，也不意味着一定要为他人而牺牲自己的生命，而主要是把自己的生机、活力、欢乐、幽默等给予他人，人并不是为了获取而给予，给予本身就是一种无与伦比的欢乐。爱无能的人因为害怕在建立亲密关系的过程中让自己或对方受伤而选择封闭自己的心，但他们却忘了，爱才是那把打开自己内心的钥匙啊。至此，希望每个人都能在真实中体验爱情，勇敢地给予，而不是在原地等待被爱。-END-策划：焦糖作者：罗南希Nancy编辑：雪梨设计：多纳（文中部分图片均来源网络，侵权可联系删除）特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice:Thecontentabove(includingthepicturesandvideosifany)isuploadedandpostedbyauserofNetEaseHao,whichisasocialmediaplatformandonlyprovidesinformationstorageservices.
/阅读下一篇/返回网易首页下载网易新闻客户端人工智能基础
什么是人工智能？很多人能举出很多例子说这就是人工智能，但是让我们给它定义一个概念大家又觉得很难描述的清楚。实际上，人工智能并不是计算机科学领域专属的概念，在其他学科包括神经科学、心理学、哲学等也有人工智能的概念以及相关的研究。在笔者的观点里，人工智能就是机器具备同时获得、建立、发展、和运用知识的能力。
在计算机科学中，我们可以把人工智能看成是一个目标，而我们讲的机器学习、深度学习、强化学习等各种算法是实现人工智能这个目标的方法之一。
下图是非常经典的描述人工智能与机器学习、深度学习的关系的图。
机器学习机器学习方法我们可以分为以下几个大类：监督学习、无监督学习和强化学习。
监督学习中，数据集的数据具有标签，比如说，我们想让机器对水果的图片进行分类，数据集中除了需要有各种水果的图片之外，还需要每张图片带有是什么水果的标签。
在无监督学习中，数据集的数据是不带有标签的，用回上面的水果图片的例子，无监督学习中，数据集只含有各种水果的图片，而不带有标签。
强化学习中，有三要素：智能体(Agent),环境(Environment)和行为（action）。智能体根据环境会有不同的行为，根据行为定义了收益函数来确定奖励或者惩罚。比如说，下围棋如果下赢了就进行奖励，如果输了则进行惩罚。同时，我们设定一些机制让智能体自己改变行为使得收益函数最大化。换句话说，通过于环境的交互不断的更新自己的行为来使自己变得更智能。
半监督学习半监督学习的数据集中，部分数据有标签，而部分数据没有标签。随着现在互联网中数据量越来越大，对所有数据标注是不太可能完成的事，因此，利用少量标注的数据和大量没有标注的数据进行训练成为了一个研究方向之一。
自监督学习自监督学习是利用辅助任务从大量的无标签数据中挖掘表征特性作为监督信息，来提升模型的特征提取能力。比如在自然语言处理的预训练模型过程中，设计了挖空让模型去做完形填空，把两个句子拼接让模型判断第二个句子是否承接第一个句子等任务来进行训练。自监督学习的监督信息不是人工标注的，而是算法在大量无标注数据中自动构造监督信息来进行监督学习或者训练，这就是自监督学习。
深度学习深度学习主要基于深度神经网络，属于监督学习的一种，它的训练需要带有标签的数据，但是现在的深度学习领域模型并不一定单纯的属于监督学习，比如说语言模型预训练的过程属于自监督学习。
目前神经网络的结构五花八门，并且神经网络的层数都堆得比较深，因此神经网络可以看成是一个黑盒，目前还没有严谨的数学证明证明神经网络为什么有效，不同于传统的统计机器学习，比如SVM(支持向量机)等，具有严格的数学证明证明它是有效的。所以深度学习的从业者门通常自嘲自己是在炼丹，只要输入数据（原材料），然后一段时间后看结果是否符合自己的预期（丹成）。
训练模型有了，训练数据集也有了，那么AI是怎么训练的呢？AI的训练准备大致分为：数据收集与数据预处理，模型构建，定义损失函数和优化方法，训练、检验与优化。
数据量和数据的质量是至关重要的一环，业内有句话叫数据为王，谁的数据量越大、数据质量越高，那么理论上就能拥有最“智能”的AI。
AI的“学习”过程其实就是模型参数的更新，那么AI是怎么更新参数的呢？答案是通过定义损失函数和梯度下降的方法。
损失函数就是用来衡量你的模型的输出和实际你需要的输出之间的差距/不一致程度的函数，模型的输出我们叫它预测值，数据集中的标签是我们的实际值。比如说，我要训练一个模型能分清楚各种水果，因为模型没有办法知道什么是苹果、香蕉、葡萄等，所以在正式训练之前，我们会把数据的标签转换成数字的形式，比如1代表苹果，2代表香蕉，3代表葡萄......然后我们训练的时候，模型读取一张苹果图片进去，模型输出的预测值为2，但是苹果的标签实际值为1，于是就知道模型的预测和实际的正确值有误差，我们定义损失函数就是用来衡量这个误差。
损失函数有很多种，不同的任务会使用不同的损失函数。有了损失函数之后，我们就可以优化模型的参数来最小化损失函数，损失越小代表了模型的预测越准。而优化的一种常用方法叫梯度下降，梯度下降可以类比下山的过程，如下图所示，假设这样一个场景：一个人被困在山上，需要从山上下来(i.e.找到山的最低点，也就是山谷)。但此时山上的浓雾很大，导致可视度很低。因此，下山的路径就无法确定，他必须利用自己周围的信息去找到下山的路径。这个时候，他就可以利用梯度下降算法来帮助自己下山。具体来说就是，以他当前的所处的位置为基准，寻找这个位置最陡峭的地方，然后朝着山的高度下降的地方走，。然后每走一段距离，都反复采用同一个方法，最后就能成功的抵达山谷。
在梯度下降的过程中，模型的参数会不断的更新，直到最后到达最低点。
虽然梯度下降的原理很直白很简单，但实际中，这座山不是只有一个山峰和一个山谷的，因此到达的山谷可能只是一个局部最优点而不是全局最优点，梯度下降也有很多的改进尽可能让模型不会落在一个局部最优点就停下，但是实际上神经网络的解空间比较复杂，并不一定能找到全局最优点，以及无法证明找到的点是全局最优。尽管不能保证找到的点是全局最优，但是目前的技术下找到的最优点已经足够优秀，所以不一定话费更大的精力去寻找全局最优。
过拟合与欠拟合我们收集到数据在进行数据预处理之后的数据集并不是直接丢给模型训练的，一般情况下会把数据集分割成训练集和测试集（8:2的比例）。测试集的数据是不存在于训练集中，也就是在模型训练的阶段，模型没有见过这部分的数据的。当我们在训练集上训练好模型的时候，我们会在测试集上去测试模型的效果。下图展示的是我们会遇到的三种常见情况：欠拟合、拟合的符合我们的预期、和过拟合。
欠拟合的情况下就说明模型学习的不够，模型不够聪明学会我们让它学的东西，表现为在训练集上的效果和测试集上的效果都不好。可以解决欠拟合的方法有：
引入更多特征使用非线性模型使用更复杂的模型等等过拟合的方法则是另一个极端，模型在训练集上学习的太好以致于太死板了，不会变通，变现为在训练集上的效果很优秀，但是在测试集上的表现比较差。比如说，我们让模型去识别写的字，识别一个人字，过拟合的表现就是模型得这个人字写的很端正、字迹与训练集中看到的一致才会识别出它是一个人字，如果这个人字的字迹不同、写的不端正等等，模型则无法正确识别出这个字，很明显这种情况下模型的表现也是不符合我们的预期的。解决过拟合的方法有：
扩大训练数据集，使用更多数据去训练降低模型的复杂度或者更换使用简单点的模型加入正则化在合适的时候停止训练，防止训练过度等等