谷歌教AI畫(huà)畫(huà)：會(huì)讓它像人類(lèi)那樣思考嗎？

山的那邊是海

(原標(biāo)題：If Google Teaches an AI to Draw, Will That Help It Think?)

　   6月9日消息，《大西洋月刊》(The Atlantic)撰文稱(chēng)，人類(lèi)最早在巖石上畫(huà)圖形的時(shí)候，實(shí)現(xiàn)了巨大的認(rèn)知躍進(jìn)——如今，計(jì)算機(jī)也在學(xué)習(xí)做同樣的事情。要是谷歌教導(dǎo)AI去繪畫(huà)，那會(huì)有助于它思考以及像人類(lèi)那樣思考嗎?

　　以下是文章主要內(nèi)容：

　　想象一下，有人叫你畫(huà)一頭豬和一輛卡車(chē)。你可能會(huì)畫(huà)成這樣：

　　這很簡(jiǎn)單。但接著，想象下你被要求畫(huà)個(gè)豬卡車(chē)。作為人類(lèi)，你會(huì)直觀地想到如何將豬和卡車(chē)這兩個(gè)物體的特征結(jié)合起來(lái)，也許你會(huì)畫(huà)成下面這樣：

　　看看那條小小的、彎曲的豬尾巴，看看駕駛室有點(diǎn)圓的窗口，該窗口也會(huì)讓你想到眼睛。車(chē)輪變成了蹄狀，又或者說(shuō)豬腳變得像車(chē)輪。如果你這么畫(huà)，同為人類(lèi)的我會(huì)主觀地認(rèn)為這是對(duì)“豬卡車(chē)”很有創(chuàng)意的一種解讀。

　　谷歌的AI 繪畫(huà)系統(tǒng)SketchRNN

　　直到最近，只有人類(lèi)能夠完成這種概念轉(zhuǎn)變，但現(xiàn)在并不只有人類(lèi)能夠做到了。該豬卡車(chē)實(shí)際上是極具吸引力的人工智能系統(tǒng)SketchRNN輸出的作品，該系統(tǒng)是谷歌探究AI能否創(chuàng)作藝術(shù)的新項(xiàng)目的一部分。該項(xiàng)目名為Project Magenta，由道格·艾克(Doug Eck)領(lǐng)導(dǎo)。

　　上周，我在谷歌大腦(Google Brain)團(tuán)隊(duì)位于山景城的辦公室拜訪了艾克。該辦公室也是Magenta項(xiàng)目的所在地。艾克非常聰明，也很謙遜。他于2000年在印第安納大學(xué)獲得計(jì)算機(jī)科學(xué)博士學(xué)位，后來(lái)專(zhuān)注于研究音樂(lè)和機(jī)器學(xué)習(xí)技術(shù)，一開(kāi)始是在蒙特利爾大學(xué)(人工智能的溫床)擔(dān)任教授，后來(lái)到谷歌供職。在谷歌，他最初從事Google Music音樂(lè)服務(wù)項(xiàng)目，后來(lái)轉(zhuǎn)到谷歌大腦團(tuán)隊(duì)參與Magenta項(xiàng)目。

　　據(jù)艾克說(shuō)，他打造可創(chuàng)作藝術(shù)的AI工具的雄心最初只是夸夸其談，“但經(jīng)過(guò)幾輪的反復(fù)思考后，我覺(jué)得，‘我們當(dāng)然需要做這個(gè)，這非常重要�！�”

　　正如他和他的同事大衛(wèi)·哈(David Ha)所寫(xiě)到的，SketchRNN的意義不僅僅在于學(xué)習(xí)如何畫(huà)畫(huà)，而在于“用類(lèi)似于人類(lèi)的方式概括歸納抽象的概念�！彼麄儾⒉幌胍�打造一臺(tái)能夠畫(huà)豬的機(jī)器。他們想要打造一臺(tái)能夠識(shí)別和輸出“豬的特征”的機(jī)器，即便機(jī)器得到的是諸如卡車(chē)的提示性語(yǔ)言，它也能夠不受影響，作出準(zhǔn)確的判斷。

　　隱含的觀點(diǎn)是，當(dāng)人的畫(huà)畫(huà)的時(shí)候，他們會(huì)對(duì)這個(gè)世界做抽象的概念。他們會(huì)去畫(huà)“豬”的廣義概念，而不是畫(huà)特定的動(dòng)物。也就是說(shuō)，我們的大腦如何存儲(chǔ)“豬的特征”信息和我們?nèi)绾萎?huà)豬之間存在關(guān)聯(lián)性。學(xué)習(xí)如何畫(huà)豬，你可能就能學(xué)到人腦合成豬的特征的能力。

　　這是谷歌的AI軟件的運(yùn)作模式。谷歌開(kāi)發(fā)了一款名為“Quick, Draw!”的游戲，在人們玩該款游戲時(shí)，它會(huì)生成一個(gè)涵蓋人類(lèi)各種各樣的繪圖(如豬、雨、救火車(chē)、瑜伽動(dòng)作、花園和貓頭鷹)的龐大數(shù)據(jù)庫(kù)。

　　當(dāng)我們畫(huà)的時(shí)候，我們是將豐富多彩、熙熙攘攘的世界壓縮成少數(shù)的一些線條或者筆畫(huà)。正是這些簡(jiǎn)單的筆畫(huà)構(gòu)成了SketchRNN底層的數(shù)據(jù)集。借助谷歌開(kāi)源的TensorFlow軟件庫(kù)，每一種繪圖——貓，瑜伽動(dòng)作，雨——都能夠用于訓(xùn)練一種特定的神經(jīng)網(wǎng)絡(luò)。這有別于引起媒體廣泛報(bào)道的那種基于照片的繪圖系統(tǒng)，比如機(jī)器能夠渲染出梵高或者原來(lái)的DeepDream風(fēng)格的照片，又或者能夠畫(huà)出任何的形狀，然后給它填充“貓的特征”。

　　這些項(xiàng)目都讓人類(lèi)覺(jué)得很不可思議。它們相當(dāng)有趣，因?yàn)樗鼈兯�產(chǎn)生的圖像看起來(lái)就像來(lái)自人類(lèi)對(duì)現(xiàn)實(shí)世界的觀察，盡管不完全像。

　　像人那樣用繪圖表達(dá)所看到的東西

　　然而，SketchRNN的輸出作品一點(diǎn)都稱(chēng)不上不可思議�！八鼈兏杏X(jué)很真實(shí)，”艾克說(shuō)，“我不想說(shuō)‘很像人類(lèi)的作品，’但它們感覺(jué)很真實(shí)，那些像素生成工具則不然�！�

　　這是Magenta團(tuán)隊(duì)的核心洞見(jiàn)。“人類(lèi)……并不是把世界當(dāng)成一個(gè)像素網(wǎng)格去理解，而是發(fā)展出抽象的概念去表示我們所看到的東西�！卑�克和大衛(wèi)·哈在描述其工作的論文中寫(xiě)道，“我們從小時(shí)候就能夠通過(guò)用鉛筆或者蠟筆在紙上繪畫(huà)來(lái)傳達(dá)我們所看到的東西�！�

　　如果人類(lèi)能夠做到這一點(diǎn)，那谷歌會(huì)希望機(jī)器也能夠做到。去年，谷歌CEO桑達(dá)爾·皮查伊(Sundar Pichai)稱(chēng)他的公司“以人工智能為先”。對(duì)于谷歌來(lái)說(shuō)，AI是其“將全世界的信息組織起來(lái)，使之隨處可得，隨處可用”初始使命的一種自然而然的延伸。現(xiàn)在不同的地方在于，信息由人工智能來(lái)組織，然后使得它們能為廣大用戶使用。Magenta是谷歌組織和理解一個(gè)特定的人類(lèi)領(lǐng)域的瘋狂嘗試之一。

　　機(jī)器學(xué)習(xí)是谷歌所采用的各種工具最廣泛的一個(gè)概念。它是通過(guò)編程讓計(jì)算機(jī)自學(xué)如何執(zhí)行各種不同的任務(wù)的一種方式，常見(jiàn)的方式是給計(jì)算機(jī)注入標(biāo)簽數(shù)據(jù)來(lái)進(jìn)行“訓(xùn)練”。進(jìn)行機(jī)器學(xué)習(xí)的一種熱門(mén)方式是，借助以人腦的連接系統(tǒng)為原型的神經(jīng)網(wǎng)絡(luò)。不同的節(jié)點(diǎn)(人工神經(jīng)元)會(huì)相互連接，它們有著不同的權(quán)重，會(huì)響應(yīng)部分輸入信息，但不響應(yīng)其它的輸入信息。

　　近年來(lái)，多層級(jí)神經(jīng)網(wǎng)絡(luò)被證明在解決棘手的問(wèn)題上非常成功，尤其是在翻譯和圖像識(shí)別/操縱上。谷歌在這些新架構(gòu)上重新構(gòu)建了很多的核心服務(wù)。這些神經(jīng)網(wǎng)絡(luò)模擬人類(lèi)大腦的運(yùn)作過(guò)程，其互相連接的層可識(shí)別輸入信息(比如圖像)不同的模式。低級(jí)別的層可能含有響應(yīng)光明與黑暗簡(jiǎn)單的像素級(jí)模式的神經(jīng)元。高級(jí)別的層則可能會(huì)響應(yīng)狗的臉、汽車(chē)或者蝴蝶。

　　構(gòu)建帶有這種架構(gòu)和機(jī)制的網(wǎng)絡(luò)會(huì)帶來(lái)不可思議的成效。原本極其困難的計(jì)算難題變成了調(diào)整模型的訓(xùn)練，然后讓一些圖形處理單元運(yùn)算一會(huì)的問(wèn)題。正如吉迪恩·劉易斯-克勞斯(Gideon Lewis-Kraus)在《紐約時(shí)報(bào)》所描述的，谷歌翻譯(Google Translate)曾是一個(gè)開(kāi)發(fā)超過(guò)10年的復(fù)雜系統(tǒng)。該公司后來(lái)利用深度學(xué)習(xí)系統(tǒng)僅僅花了9個(gè)月就重新構(gòu)造了一個(gè)谷歌翻譯系統(tǒng)�！霸揂I系統(tǒng)一夜之間就有了巨大的提升，這種提升相當(dāng)于老系統(tǒng)在整個(gè)生命周期積累的全部提升�！眲⒁姿�-克勞斯寫(xiě)道。

　　正因?yàn)榇�，神�?jīng)網(wǎng)絡(luò)的使用量和類(lèi)型呈現(xiàn)井噴式增長(zhǎng)。SketchRNN方面，他們使用可處理輸入序列的遞歸神經(jīng)網(wǎng)絡(luò)。他們用人們畫(huà)各種不同的東西時(shí)連續(xù)畫(huà)下的筆畫(huà)來(lái)訓(xùn)練該網(wǎng)絡(luò)。

　　用最簡(jiǎn)單的話來(lái)說(shuō)，這種訓(xùn)練就是一個(gè)編碼的過(guò)程。數(shù)據(jù)(繪圖)輸入之后，該網(wǎng)絡(luò)會(huì)嘗試想出它在處理的東西的一般性規(guī)則。那些概括是數(shù)據(jù)的模型，數(shù)據(jù)存儲(chǔ)在描述網(wǎng)絡(luò)中的神經(jīng)元的傾向的數(shù)學(xué)計(jì)算當(dāng)中。

　　那個(gè)結(jié)構(gòu)被稱(chēng)作潛伏空間或者Z(zed)，是豬的特征或者卡車(chē)的特征又或者瑜伽動(dòng)作的特征方面的信息存儲(chǔ)的地方。正如AI行業(yè)人士所說(shuō)的，叫系統(tǒng)做個(gè)樣本，即叫它畫(huà)出它訓(xùn)練的東西來(lái)，SketchRNN就會(huì)畫(huà)出豬或者卡車(chē)又或者瑜伽動(dòng)作。它所畫(huà)的東西，就是它所學(xué)到的東西。

　　SketchRNN 能夠?qū)W到什么？

　　SketchRNN能夠?qū)W到什么呢?下圖是一個(gè)接受過(guò)消防車(chē)?yán)L畫(huà)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)所生成的新消防車(chē)。在該模型中，有個(gè)名為“溫度”的變量，它可讓研究人員上下調(diào)整輸出的隨機(jī)性。在下圖中，偏藍(lán)色的圖像是“溫度”下調(diào)后的產(chǎn)物，偏紅色的圖像則是“溫度”上調(diào)后的產(chǎn)物。

又或者，你可能更喜歡貓頭鷹：

最好的一個(gè)例子就是瑜伽動(dòng)作：

　　這些畫(huà)看似人的作品，但它們并不是由人親自繪畫(huà)的。它們是對(duì)人類(lèi)可能會(huì)如何畫(huà)這種東西的一種重造。有的畫(huà)畫(huà)得很不錯(cuò)，有的則畫(huà)得沒(méi)那么好，但如果你是在跟AI玩看圖說(shuō)詞游戲，那你應(yīng)該不難看出它們是什么。

　　SketchRNN還能夠接受以人工繪圖為形式的輸入。你傳送某種繪圖，然后它就會(huì)嘗試去理解它。如果你給一個(gè)接受過(guò)貓數(shù)據(jù)訓(xùn)練的模型輸入一張三眼貓繪圖，那會(huì)發(fā)生什么呢?

　　看到?jīng)]?看該模型在右邊的各種輸出圖像(同樣用藍(lán)色和紅色來(lái)表示不同的“溫度”)，它剔除了第三只眼睛!為什么呢?因?yàn)樵撃Ｐ鸵呀?jīng)通過(guò)學(xué)習(xí)知道，貓有兩只三角形的耳朵，臉部左右兩邊都有胡須，臉圓圓的，只有兩只眼睛。

　　當(dāng)然，該模型完全不知道耳朵實(shí)際上是什么東西，不知道貓的胡須是否會(huì)動(dòng)，甚至不知道臉是什么，也不知道我們的眼睛能夠?qū)�圖像傳輸?shù)轿覀兊拇竽X。它對(duì)于這些繪圖指代的是什么一無(wú)所知。

　　但它確實(shí)知道人類(lèi)是如何表示貓、豬、瑜伽動(dòng)作或者帆船的。

　　“當(dāng)我們開(kāi)始生成帆船的繪圖時(shí)，該模型會(huì)基于所輸入的那張繪圖得出數(shù)百?gòu)堬@示其它帆船模型的繪圖�！惫雀璧陌�克表示，“我們都能看出它們畫(huà)的是什么，因?yàn)樵撃Ｐ褪抢�用所有的�?xùn)練數(shù)據(jù)得出理想的帆船圖像。它并不是畫(huà)出特定的帆船，而是畫(huà)出帆船的特征�！�

　　成為人工智能運(yùn)動(dòng)的一份子是一件令人興奮的事情，它是有史以來(lái)最令人興奮的技術(shù)項(xiàng)目之一，至少對(duì)那些參與其中的人來(lái)說(shuō)是如此，對(duì)于很多其他的人來(lái)說(shuō)也是如此——它甚至能夠擊倒道格·艾克。

　　我是指訓(xùn)練神經(jīng)網(wǎng)絡(luò)畫(huà)雨天。輸入一副蓬松的云繪圖，然后就會(huì)出現(xiàn)下面的情況：

　　雨從你給該模型傳送的云下下來(lái)。那是因?yàn)楹芏嗳水?huà)雨天的時(shí)候都是先畫(huà)出一朵云來(lái)，然后再在下面畫(huà)雨。如果該神經(jīng)網(wǎng)絡(luò)看到云，那它就會(huì)在那個(gè)云的形狀下面畫(huà)出雨來(lái)。(有意思的是，那些數(shù)據(jù)是關(guān)于一連串的筆畫(huà)，因此如果你先畫(huà)的是雨，那該模型就不會(huì)先畫(huà)云朵。)

　　這可以說(shuō)是一項(xiàng)令人欣喜的工作，但在對(duì)人類(lèi)如何思考實(shí)施逆向工程的漫長(zhǎng)項(xiàng)目中，這算是一項(xiàng)巧妙的附帶項(xiàng)目，還是很重要的一塊拼圖?

　　艾克認(rèn)為繪圖最吸引人的地方在于，它們用如此少的信息來(lái)包含如此多的意義�！澳惝�(huà)一張笑臉，只需幾個(gè)筆畫(huà)就能畫(huà)出來(lái)。”他說(shuō)道。筆畫(huà)看起來(lái)跟人臉以像素為基礎(chǔ)的照片完全不一樣。但3歲的小孩也能夠分辨出人臉，也能分辨它開(kāi)心與否。艾克認(rèn)為這是一種信息壓縮，對(duì)于這種編碼，SketchRNN會(huì)解碼，任何隨心所欲地進(jìn)行重新編碼。

　　SketchRNN 覆蓋范圍有限

　　OpenAI研究者安德烈·卡帕錫(Andrej Karpathy)目前在AI研究成果傳播上扮演著重要角色，他說(shuō)，“我非常支持SketchRNN項(xiàng)目，它真的很酷�！钡�他也指出，他們就筆畫(huà)的重要性給他們的模型引入了很強(qiáng)的假設(shè)，這意味著他們對(duì)于整個(gè)人工智能開(kāi)發(fā)事業(yè)的貢獻(xiàn)相對(duì)沒(méi)那么大。

　　“我們開(kāi)發(fā)的生成模型通常都會(huì)嘗試盡可能全面地注重?cái)?shù)據(jù)集的細(xì)節(jié)，不管你給它們注入什么數(shù)據(jù)，不管是圖像、音頻、文本還是別的東西，它們都適用�！彼�說(shuō)，“除了圖像以外，這些數(shù)據(jù)沒(méi)有一樣是由筆畫(huà)組成的�！�

　　他補(bǔ)充道，“對(duì)于人們作出很強(qiáng)的假設(shè)，將它們編碼到模型中，在各自的特定領(lǐng)域取得更令人印象深刻的成果，我完全能夠接受�！�

　　艾克和大衛(wèi)·哈正在打造的東西更接近于玩國(guó)際象棋的AI，而不是能夠判斷出任意游戲的規(guī)則，也能夠玩這些游戲的AI。對(duì)于卡帕錫來(lái)說(shuō)，兩人當(dāng)前項(xiàng)目覆蓋的范圍似乎比較有限。

　　理解人類(lèi)的思考方式

　　不過(guò)，他們覺(jué)得線條畫(huà)對(duì)于理解人類(lèi)的思考方式至關(guān)重要，并不是沒(méi)有原因的。除了這兩位谷歌人員之外，也有別的研究者被筆畫(huà)的力量所吸引。2012年，喬治亞理工大學(xué)的詹姆斯·海斯(James Hays)聯(lián)手柏林工業(yè)大學(xué)的馬賽厄斯·艾茲(Mathias Eitz)和馬克·亞歷克莎(Marc Alexa)打造了一個(gè)筆畫(huà)數(shù)據(jù)集，以及一個(gè)識(shí)別筆畫(huà)的機(jī)器學(xué)習(xí)系統(tǒng)。

　　對(duì)于他們而言，繪圖是一種“通用的溝通”形式，是某種所有有標(biāo)準(zhǔn)認(rèn)知功能的人都能夠做和做過(guò)的事情。“自史前時(shí)代以來(lái)，人們都用繪圖式的巖石畫(huà)或者洞穴畫(huà)來(lái)描繪視覺(jué)世界。”他們寫(xiě)道，“這種象形文字比語(yǔ)言要早幾千年出現(xiàn)，如今人人都會(huì)繪畫(huà)和識(shí)別繪圖中的物體。”

　　他們提到了多倫多大學(xué)神經(jīng)系統(tǒng)科學(xué)家德克·沃爾特(Dirk Walther)在《美國(guó)國(guó)家科學(xué)院院刊》上發(fā)表的論文，該論文說(shuō)“簡(jiǎn)單抽象的繪圖激活我們的大腦的方式與真實(shí)的刺激物相似�！蔽譅柼睾驮撜撐牡暮现�者假定，線條畫(huà)“可捕捉我們自然世界的本質(zhì)，”盡管逐個(gè)像素來(lái)看，貓的線條畫(huà)看上去一點(diǎn)都不像貓的照片。

　　如果說(shuō)我們大腦中的神經(jīng)元是在神經(jīng)網(wǎng)絡(luò)模擬的分層結(jié)構(gòu)內(nèi)運(yùn)作，那繪圖可能是掌握存儲(chǔ)我們對(duì)于物體的簡(jiǎn)化概念(沃爾特所說(shuō)的“本質(zhì)”)的層級(jí)的一種方式。也就是說(shuō)：它們可能能夠讓我們真正理解我們的祖先很久以前進(jìn)化成現(xiàn)代形態(tài)的時(shí)候人類(lèi)開(kāi)始采用的那種新思考方式。繪圖，不管是在洞穴的墻壁上還是在紙巾的背面上，或許描繪了從識(shí)別馬到識(shí)別馬的特征的進(jìn)化，從畫(huà)出日常經(jīng)歷到畫(huà)出抽象的象征性思維的進(jìn)化，這也是人類(lèi)進(jìn)化成現(xiàn)代形態(tài)的過(guò)程。

　　人類(lèi)的現(xiàn)代生活大多數(shù)都源自那一轉(zhuǎn)變：語(yǔ)言，金錢(qián)，數(shù)學(xué)計(jì)算，最后是電腦運(yùn)算本身。因此，如果繪圖最終在意義重大的人工智能的打造上扮演重要的角色，那就最好不過(guò)了。

　　然而，對(duì)于人類(lèi)來(lái)說(shuō)，繪圖是對(duì)真實(shí)物品的一種描繪。我們能夠輕易理解抽象的四線表示法和物品本身之間的關(guān)系。該概念對(duì)于我們來(lái)說(shuō)有某種意義。對(duì)于SketchRNN來(lái)說(shuō)，繪圖就是一連串的筆畫(huà)，是經(jīng)過(guò)一定的時(shí)間形成的一個(gè)形狀。機(jī)器的任務(wù)是抓住我們的繪圖所描述的東西的本質(zhì)，嘗試?yán)�用它們�?lái)理解這個(gè)世界。

　　SketchRNN團(tuán)隊(duì)正在探索多個(gè)不同的方向。他們可能會(huì)開(kāi)發(fā)一個(gè)嘗試通過(guò)人類(lèi)反饋提升繪畫(huà)能力的系統(tǒng)。他們可能會(huì)在一種以上的繪圖上訓(xùn)練模型。也許他們將會(huì)找到辦法去判斷他們受過(guò)繪圖中的豬特征識(shí)別訓(xùn)練的模型能否推廣到識(shí)別照片級(jí)圖像中豬的特征。我個(gè)人很希望看到他們的模型能夠接入其它在傳統(tǒng)的貓圖上訓(xùn)練過(guò)的模式。

　　SketchRNN 只是“第一步”

　　但他們自己也坦言，SketchRNN只是“第一步”，要學(xué)習(xí)的還有很多。這些解碼繪圖的機(jī)器要參與的人類(lèi)藝術(shù)歷史相當(dāng)悠久。

　　在給《紐約客》(The New Yorker)撰寫(xiě)有關(guān)歐洲洞穴壁畫(huà)的文章時(shí)，朱迪思·瑟曼(Judith Thurman)寫(xiě)道，舊石器時(shí)代的藝術(shù)在“長(zhǎng)達(dá)2.5萬(wàn)年的時(shí)間里幾乎沒(méi)有變化，幾乎沒(méi)有任何的創(chuàng)新或者抵制活動(dòng)。”她指出，那是“有記錄的歷史的四倍長(zhǎng)”。

　　計(jì)算機(jī)，尤其是新的人工智能技術(shù)，正在動(dòng)搖長(zhǎng)久以來(lái)人類(lèi)對(duì)于自己擅長(zhǎng)做的事情的觀念。人類(lèi)在1990年代在西洋跳棋比賽中輸給機(jī)器，之后下國(guó)際象棋也輸給機(jī)器，近年則是在圍棋比賽中輸給AlphaGo。

　　但AI近年之所以取得顯著的進(jìn)步，并不是因?yàn)樗囆g(shù)發(fā)展的速度(盡管它確實(shí)發(fā)展得很快)。對(duì)于艾克來(lái)說(shuō)，它更多地是因?yàn)樗麄儕^力去研究人類(lèi)思考方式的基本原理，以及我們究竟是誰(shuí)�！八囆g(shù)真正核心的部分是基本的人文素養(yǎng)，是我們平常相互溝通的方式�！卑�克說(shuō)。

　　縱觀整個(gè)深度學(xué)習(xí)運(yùn)動(dòng)，各式各樣的人都是在研究人類(lèi)生活的基本機(jī)制——我們?nèi)绾慰礀|西，我們?nèi)绾我苿?dòng)，我們?nèi)绾握f(shuō)話，我們?nèi)绾巫R(shí)別人臉，我們?nèi)绾斡醚哉Z(yǔ)編故事，我們?nèi)绾巫鄻?lè)——這看起來(lái)有點(diǎn)像人類(lèi)特征的輪廓，而不是任意特定的人的輪廓。

　　現(xiàn)在，它分辨率低，是真實(shí)想法的漫畫(huà)，是真實(shí)想法的人物線條畫(huà)，但我們應(yīng)該不難想到要從該繪圖收集信息。(樂(lè)邦)

來(lái)源：網(wǎng)易科技報(bào)道