機器學習的下一個技巧是從照片生成影片

給人類看任何一張照片，他們就能相當準確地預測接下來會發生什麼。騎腳踏車的女人會繼續往前走。狗會抓住飛盤的。那人要大吃大喝了。等等。這是一項如此基本的技能，以至於我們沒有考慮用於做出這些預測的大量資訊——關於重力、慣性、蹦蹦跳跳的性質等等——而教計算機做同樣的事情被證明是機器視覺的一個關鍵挑戰。...

給人類看任何一張照片，他們就能相當準確地預測接下來會發生什麼。騎腳踏車的女人會繼續往前走。狗會抓住飛盤的。那人要大吃大喝了。等等。這是一項如此基本的技能，以至於我們沒有考慮用於做出這些預測的大量資訊——關於重力、慣性、蹦蹦跳跳的性質等等——而教計算機做同樣的事情被證明是機器視覺的一個關鍵挑戰。

這些影片很短，很小，而且常常是噩夢般的

麻省理工學院試圖解決這個問題的研究人員已經得出了一些非常令人印象深刻的結果，他們使用經過專門訓練的神經網路將影象轉換成影片，並讓計算機從本質上預測接下來會發生什麼。他們的模型有很多侷限性——影片是幾秒鐘長，很小，而且常常是噩夢般的——但這仍然是機器想象的一個令人印象深刻的壯舉，也是朝著讓計算機更像人類理解世界邁出的又一步。

神經網路是使用從Flickr下載的200多萬個影片進行訓練的。這些場景分為四種型別；高爾夫球場、海灘、火車站和醫院（後一類由嬰兒影象組成），鏡頭被穩定以消除相機抖動。利用這些資料，研究小組的神經網路不僅能夠生成與這些場景相似的短影片（即頁面頂部的GIF），而且還能觀察靜物並建立可能隨後出現的片段（即下麵的GIF）。這基本上是在預測下一步會發生什麼，儘管只是猜測畫素可能如何變化，而不是理解場景。

下麵是它的樣子：

很容易看出這裡取得了什麼成就，還有哪些不足。例如，在海灘影片中，你可以看到海浪拍打，在火車站，模型知道火車很可能會不斷地經過攝像機。然而，當被要求預測一個人將如何穿過高爾夫球場時，最終的結果實際上並不像一個人。它們模糊不清，汙跡斑斑，不切實際。研究人員自己也註意到，計算機的預測通常不會遵循“正確的影片”，但至少“運動是可信的”

超越這些看似合理但顯然是假的影片將是一件艱難的事情，但其他機器學習系統在相關領域已經取得了進展，可以預測握手和擁抱等動作，甚至可以產生與影片匹配的聲音。Facebook負責人艾亞恩·勒坤（AI Yann LeCun）去年在一次採訪中談到了這個話題，他說，能夠產生像上述研究那樣的未來運動，是創造預測型計算機的“一塊拼圖”，但真正理解影片或影象及其可能的未來需要付出更多的努力。

“如果你在看希區柯克的電影，而我問，‘15分鐘後，電影裡會是什麼樣子？’你必須弄清楚凶手是誰，”樂坤說徹底解決這個問題需要瞭解世界和人性的一切。這就是它有趣的地方。”