如今，人工智能幾乎可以做任何事情，例如從快照中生成對(duì)象的3D渲染，擊敗面部識(shí)別系統(tǒng)或跟蹤塞倫蓋蒂的野生動(dòng)物。它在產(chǎn)生模因方面也出奇地好。

在一篇名為“ Dank Learning ”的白皮書中(是的，真的)，該項(xiàng)目的兩位首席科學(xué)家Abel L. Peirson和E. Meltem Tolunay描述了一個(gè)神經(jīng)網(wǎng)絡(luò)，它可以攝取，獲得對(duì)互聯(lián)網(wǎng)的理解和吐出。 -jokes。AI由卷積神經(jīng)網(wǎng)絡(luò)(CNN)組成，它將圖像作為輸入并將其轉(zhuǎn)換為稱為矢量嵌入(編碼器)的數(shù)學(xué)表示，以及創(chuàng)建字幕的長(zhǎng)短期記憶(LSTM)遞歸神經(jīng)網(wǎng)絡(luò)(RNN)(解碼器)。

這是一個(gè)棘手的問題：你能說出神經(jīng)網(wǎng)絡(luò)創(chuàng)造了以下哪些模因?

斯坦福大學(xué)的研究人員用memegenerator.com的2,600個(gè)獨(dú)特圖像標(biāo)簽對(duì)為系統(tǒng)提供了超過400,000張圖像 - 特別是“建議動(dòng)物”式的模因，帶有幽默字幕特定字符的圖片(例如，穿著浴袍的貓) - 使用Python腳本。然后，他們指示人類受試者判斷每個(gè)圖像的“歡鬧”，讓他們猜測(cè)它們是由人還是神經(jīng)網(wǎng)絡(luò)產(chǎn)生的。

“這樣可以相對(duì)簡(jiǎn)單地收集數(shù)據(jù)集，”Peirson和Tolunay寫道。“在本文中，我們特別將模因生成稱為以與最初提供的圖像相關(guān)的方式生成幽默標(biāo)題的任務(wù)，該圖像可以是模因模板或其他形式。”

判決結(jié)果：人類能夠在大約70%%的時(shí)間內(nèi)選擇算法創(chuàng)建的模因，但在相當(dāng)均勻的情況下對(duì)它們進(jìn)行評(píng)分。

作者寫道：“兩者產(chǎn)生的平均模因難以與真實(shí)的模因區(qū)別開來，兩種變體的評(píng)分都與實(shí)際模因的評(píng)分相近，盡管這是一個(gè)相當(dāng)主觀的指標(biāo)。”

那么上面的模因畫廊怎么樣?“大數(shù)據(jù)”模因是由人類制作的三個(gè)中唯一的一個(gè) - 其他是神經(jīng)網(wǎng)絡(luò)的工作。注意，潮濕的學(xué)期 - 機(jī)器人正在為你而來。