Uderzająca szarada

Pierwszy występ Zane'a Lowe'a jako DJ'a w Apple Music był nieco oszałamiający. Piosenki, które grał, zmieniały się od punk-popu do post-rocka, grime'u, elektroniki, stadionowego rocka i nie tylko. Zaprezentował niesłyszane wcześniej utwory oraz utwory nagrane dekady temu przez znanych rockerów. Jednak pomimo zamętu – a może właśnie z tego powodu – podobał mi się program. Każdy nowy utwór prowadził mnie w zaskakującym kierunku, podczas gdy mieszanka artystów i energia piosenek wydawały się pasować do nieco obłąkanej paplaniny Lowe.

Jedną z rzeczy, która wyróżnia Apple Music, usługi przesyłania strumieniowego, z której można korzystać na komputerach i urządzeniach mobilnych za 10 USD miesięcznie, jest obecność ludzkich DJ-ów, takich jak Lowe, na kanale o nazwie Beats 1. Program Lowe'a zapoznał mnie z nieznanymi artystami i to uwypuklił intrygujące muzyczne powiązania – między, powiedzmy, stadionowym hymnem AC/DC a ostatnim utworem zremiksowanej elektroniki przez szkockiego artystę Hudsona Mohawke'a. Emocje przewijające się przez wszystkie piosenki były optymistyczne, a nawet wyzywające.

Ta historia była częścią naszego wydania z listopada 2015 r.

• Zobacz resztę numeru
• Subskrybuj

Tak jak komputery nie mogą jeszcze tworzyć potężnej i pomysłowej sztuki ani prozy, tak nie mogą naprawdę docenić muzyki. A zaaranżowanie przejmującej lub fascynującej playlisty muzycznej wymaga pewnego rodzaju wglądu, którego oni nie mają — umiejętności znajdowania podobieństw w elementach muzycznych oraz uzyskania emocjonalnego rezonansu i kulturowego kontekstu piosenek. Mimo całego postępu, jaki dokonuje się w sztucznej inteligencji, maszyny wciąż są beznadziejnie niewyobrażalne i przewidywalne. Właśnie dlatego Apple zatrudnił setki osób, które będą DJ-ami i twórcami list odtwarzania, oprócz rekomendacji algorytmicznych, które nadal oferuje.

Wybory Pandory są raczej przewidywalne – często tak samo mdłe i konwencjonalne, jak te w radiu komercyjnym.

Wprowadzanie ludzkich ekspertów to sprytny sposób na wyróżnienie się firmy Apple. Pomimo tego, że był pionierem w cyfrowej dystrybucji i przechowywaniu muzyki, obecnie pozostaje w tyle za usługami strumieniowymi, takimi jak Pandora, Spotify, Rdio i Tidal. Żadna z nich nie kładzie nacisku na kurację przez ekspertów w takim stopniu, jak Apple Music. I chociaż algorytmy, których używają wszystkie te firmy do polecania piosenek, znacznie się poprawiły w ostatnich latach, nie ma prawdziwego muzycznego zrozumienia ani uznania. To pokazuje. Algorytmy wykorzystują techniki statystyczne do analizowania danych słuchaczy, zgadując, co może Ci się spodobać. Nadal nie ma algorytmu, który mógłby uwzględnić ludzki gust.

Słyszenie rzeczy

Dobrym przykładem podejścia algorytmicznego jest Pandora, jeden z pierwszych serwisów do strumieniowego przesyłania muzyki. Dzięki dziesięcioletniemu przedsięwzięciu o nazwie Music Genome Project, Pandora zatrudniła ekspertów muzycznych do oznaczania utworów setkami cech, takich jak gatunek, rodzaje używanych instrumentów, a nawet frazowanie melodyczne i tonalność. Kiedy dajesz Pandorze zespół, kompozytora lub piosenkę jako punkt wyjścia, tworzy ona stację radiową z muzyką o podobnych atrybutach. Wybierz Beatlesów, a Pandora może automatycznie włączyć piosenkę Beach Boys, informując Cię: „Gramy ten utwór, ponieważ zawiera łagodną rockową instrumentację, wymagające występy wokalne, przeplatające się harmonie wokalne, mieszaną tonację tonacji molowej i durowej oraz melodyjność pisania piosenek.

Niestety, wybory Pandory są raczej przewidywalne – często tak samo mdłe i konwencjonalne, jak te w radiu komercyjnym. Po rozpoczęciu z Beatlesami raczej nie usłyszysz piosenki w bardzo innym stylu, która była popularna w tym samym czasie, na przykład, lub artysty hip-hopowego, który wykonał sprytną robotę samplując utwory Ringo i spółki.

Niedawno algorytmy zaczęły tworzyć listy odtwarzania, które mogą wydawać się o wiele bardziej zniuansowane i dostosowane do potrzeb. Największa na świecie usługa przesyłania strumieniowego, Spotify, która ma ponad 75 milionów użytkowników, rozwija najnowsze osiągnięcia, wykorzystując ogromne ilości danych do tworzenia spersonalizowanych rekomendacji.

Rzeczy zrecenzowane

• Muzyka Apple

• Pandora

• Spotify

• Kreatywność, test Turinga i (lepszy) test Lovelace

  Autorstwa Selmera Bringsjorda, Paula Bello i Davida Ferrucci
  Umysł i maszyny
  Tom. 11, 2001

Chris Johnson, który kieruje jednym z zespołów zajmujących się analizą danych Spotify w Nowym Jorku, mówi, że firma zatrudnia ludzi do tworzenia niektórych swoich list odtwarzania. Ale zbiera również jak najwięcej danych na temat słuchania przez użytkownika, a następnie porównuje je z danymi zebranymi od innych użytkowników. Ideą tej techniki, znanej jako filtrowanie zespołowe, jest to, że prawdopodobnie spodoba Ci się piosenka, którą ktoś o podobnych gustach już odkrył i polubił. W zeszłym roku Spotify przejął firmę o nazwie Echo Nest, która gromadzi informacje o nowej muzyce publikowanej na blogach, serwisach informacyjnych i mediach społecznościowych. Te opinie są teraz uwzględniane w rekomendacjach Spotify, dzięki czemu jego sugestie muzyczne są jeszcze mądrzejsze.

W lipcu Spotify rozpoczął testowanie udostępnionej w ten sposób spersonalizowanej playlisty. Patrzymy na to, w co grasz, na playlisty, które tworzysz i w zasadzie na wszystko, co o Tobie wiemy. Od tego momentu w każdy poniedziałek będzie nowa playlista muzyki, powiedział mi Johnson.

Kilka pierwszych list odtwarzania, które otrzymałem, zawierało kilka piosenek, które od razu mi się spodobały, ale żadna nie odbiegała zbytnio od rzeczy, których już słucham. Jest to przydatne, ale nie do końca oszałamiające.

Istnieje również nieodłączne ograniczenie takich automatycznych algorytmów rekomendacji: nie mogą one sugerować nowej piosenki, ponieważ nie ma danych, aby pokazać, jak bardzo podobają się innym słuchaczom. W przeciwieństwie do algorytmu, ludzie zazwyczaj w ciągu kilku chwil od słuchania potrafią stwierdzić, jak bardzo podoba im się nowy utwór. Tutaj jednak zaczynają pomagać ostatnie postępy w sztucznej inteligencji. W zeszłym roku Spotify zaczął testować sposób analizy samego utworu, a nie tylko związanych z nim metadanych. Obejmowało to szkolenie tak zwanej sieci głębokiego uczenia, z grubsza modelowanej na warstwach neuronów w mózgu, w celu rozpoznawania cech częstotliwości sygnału dźwiękowego (odpowiadających dźwiękowi, który słyszysz i sposobowi, w jaki dźwięk zmienia się w czasie) w milionach piosenek . Te algorytmy potrafią zaskakująco dobrze klasyfikować nową piosenkę, jak pokazano na przykładzie opublikowane playlisty autorstwa członka zespołu Johnsona w Spotify.

Ekspertyza ludzka pozostanie kluczowym elementem algorytmów Spotify w najbliższej przyszłości.

Ale nawet ten wyczyn nie jest dowodem prawdziwego muzycznego zrozumienia ani osądu. System głębokiego uczenia Spotify wciąż musi być szkolony przy użyciu milionów przykładowych piosenek, a nowy, odważny styl muzyczny byłby zdumiony. Co więcej, takie algorytmy nie potrafią zaaranżować utworów w kreatywny sposób. Nie potrafią też odróżnić naprawdę oryginalnego utworu od kolejnej ja też imitacji popularnego brzmienia. Johnson zdaje sobie sprawę z tego ograniczenia i mówi, że ludzkie doświadczenie pozostanie kluczowym elementem algorytmów Spotify w przewidywalnej przyszłości.

Apple Beats 1 oferuje zupełnie inne wrażenia. Jeden program radiowy, Godzina aligatora , której liderem jest muzyk i producent Joshua Homme, celebruje mało znane, ale niezwykle oryginalne piosenki. Cieszy się również absurdalnymi połączeniami, które można znaleźć między niektórymi piosenkami – na przykład łącząc melodyjną stronę Sex Pistols z adrenaliną, która napędza dyskotekę Donny Summer. To uroczo dziwne. W innym programie, zwanym Usługa dostarczania składanek Muzyk Annie Clark (pseudonim St. Vincent) gra niestandardową listę piosenek inspirowanych nastrojem lub sytuacją jednego ze słuchaczy. W swoim pierwszym programie Clark zorganizowała retrospektywę mniej znanej, ale znaczącej kulturowo muzyki tanecznej dla 11-letniej dziewczyny, która chciała dowiedzieć się więcej o tym gatunku.

Słuchowy test Turinga

Co takiego daje ludziom tę zdolność? Czy głębokie uczenie się lub inne systemy sztucznej inteligencji mogą kiedykolwiek rozwinąć gust wykraczający poza klasyfikację cech utworu w celu określenia, czy jest dobry, czy nie? Czy komputery są w stanie zidentyfikować tę niematerialną cechę, którą ludzie naturalnie kojarzą z talentem, kreatywnością lub oryginalnością? Kiedy zapytałem Johnsona, czy pewnego dnia algorytm mógłby znaleźć przebój niepodpisanego artysty, powiedział: To jest dokładnie to, co chcemy zrobić.

To odważna ambicja, która może okazać się nieuchwytna. Uznanie muzyczne i kreatywność nie mają nic wspólnego ze znajdowaniem wzorców statystycznych w ogromnych stosach danych.

Co odróżnia coś niezwykłego lub dziwacznego od czegoś kreatywnego? To trudne pytanie, mówi Eyal Reingold, psycholog z University of Toronto, który bada ludzką kreatywność. Mówi, że aby maszyna wykazała się kreatywnością, musiałaby wyprodukować coś, co jest nie tylko niezwykłe – lub coś, co nie zostało w niej zaprogramowane – ale co jest oceniane jako przydatne, przynajmniej w pewnym kontekście kulturowym.

Rzeczywiście, śliski charakter kreatywności skłonił niektórych psychologów i informatyków do zasugerowania, że ​​może to być użyteczny sposób pomiaru inteligencji maszyny. W artykule opublikowanym w 2001 roku, dwóch naukowców z Rensselaer Polytechnic Institute wraz z Davidem Ferruccim, wówczas badaczem IBM, który miał stworzyć komputer o nazwie Watson, który wygrałby teleturniej Niebezpieczeństwo! , argumentowali, że test kreatywności może być lepszym sposobem oceny, czy komputer osiągnął inteligencję typu ludzkiego. Zauważyli, że test zaproponowany w 1950 roku przez Alana Turinga, który mierzy inteligencję maszyny za pomocą pisanej rozmowy, zachęca programistów do stosowania sztuczek zamiast budowania czegoś naprawdę inteligentnego. Uznali, że wyczyny twórcze, czy to w malarstwie, pisaniu, muzyce, czy w innej dziedzinie, są znacznie trudniejsze do sfałszowania i mają fundamentalne znaczenie dla inteligencji. I nazwali swoją alternatywę testem Lovelace, na cześć Ady Lovelace, często uważanej za pierwszą na świecie programistkę komputerową, która zauważyła w 1843 roku, że pierwsze maszyny liczące, choć mogą być imponujące, nie byłyby w stanie zrobić niczego oryginalnego.

Co znamienne, wysiłki zmierzające do zdania testu Lovelace w dużej mierze upadły. Mimo to wyzwanie trwa. W rzeczywistości, Michael Casey , profesor muzyki i informatyki w Dartmouth College, planuje przeprowadzić kilka testów Turinga na początku przyszłego roku, a następnie być może kilka testów Lovelace. Jeden będzie dotyczył komputerowych DJ-ów, a tancerzy poproszono o ocenę, czy utwory, które właśnie usłyszeli, zostały zainspirowane przez człowieka, czy przez maszynę. Casey ma nadzieję, że w tym ograniczonym kontekście maszyna zademonstruje coś zbliżonego do muzycznej kreatywności.

Nie wydaje się jednak pewny siebie. Bez względu na rodzaj algorytmu, który próbowaliśmy zastosować w przeszłości do muzyki — czy jest to coś, co próbuje naśladować Bacha lub Mozarta, czy też próbuje polecać muzykę — w pewnym momencie wydaje się, że nie ma ona żadnego kształtu – do tego, mówi trochę żałośnie. Może przez kilka sekund cię oszukać, ale nie ma ogólnego planu. Myślę, że to samo może dotyczyć zautomatyzowanego zestawu DJ-skiego.

Być może będzie to prawda jeszcze przez długi czas. A jeśli chcemy, aby maszyny wymyśliły coś tak wyjątkowego i oryginalnego, jak program Apple Beats 1, być może będziemy musieli trochę bardziej kreatywnie pomyśleć o tym, jak je projektujemy.

ukryć