北京時間 3 月 11 日消息，據國外媒體報道，目前，科學家最新開發一種新型 AI 人工智能系統，它可以 “潛入人類大腦”，洞察哪些類型的面孔容貌最吸引你。

在沒有任何語音或者文字指令的情況下，AI 計算機系統能否識別出我們認為有吸引力的肖像面部特征嗎?研究人員對 30 名測試者的腦電波進行腦電圖掃描監測(EEG)，然后向他們展示 20 萬張名人真實照片以不同方式拼接而成的 “假臉”。

測試者不需要做任何事情，也不需要在他們喜歡的照片上直接點擊，因為研究團隊可以通過腦電圖讀數來確定他們的 “無意識偏好”。然后他們將數據輸入 AI 系統，該系統能夠從腦電波數據中洞察測量者的 “審美觀”傾向，并為測試者量身推薦你心目中的 “西施”容貌。

▲芬蘭赫爾辛基大學研究人員想知道，在沒有任何語音或者文字指令的情況下，AI 計算機系統能否識別出我們認為有吸引力的面部特征。

未來這項 AI 技術可用于確定測試者的個人喜好，或者了解人們可能不會公開談論的無意識態度。目前這個 AI 系統可以理解什么樣的面孔最具吸引力的主觀意識。

在之前的研究中，科學家曾設計了能夠識別和控制簡單肖像特征的模型，例如：頭發顏色和情緒變化，目前確定 “吸引力”將是一個更具挑戰性的研究課題。

在早期對人類五官特征的有限研究中，人們對金發女郎和微笑美女的審美觀基本一致，但這僅是表面細節。相比之下，分析測試者認為哪些面容更有吸引力，是一個頗具挑戰性的課題，因為這與文化和心理因素有關，這些因素可能在我們的個人傾向喜好中發揮著無意識作用。

的確，我們很難解釋為什么某些人在部分人心中極具魅力，對其他人則印象平平，這或許驗證了我們常說的一句諺語 --“情人眼里出西施”。最初，研究人員生成對抗式神經網絡(GAN)智能系統，可以制作數百幅人工肖像，這些圖像一次一幅地展示給 30 名測試者，隨后讓測試者記錄哪些肖像頗有吸引力，期間腦電圖描記法(EEG)記錄了他們的大腦反應。

這有點兒像約會軟件，在這項最新研究中，測試者除了看照片什么也不用做，只是測量了他們對肖像的即時大腦反應，這是一個非語言過程，之后研究人員使用機器學習技術分析腦電圖數據，并生成一個神經網絡。

像這樣的腦 - 機接口能夠解釋為什么一些肖像會對測試者產生吸引力，通過解讀他們的視圖分析，即人工智能模型解讀大腦反應，以及通過結合特定人群所認為的相貌吸引力，能夠生成完全新容貌圖像的神經網絡模型。

▲之后他們將數據輸入人工智能，人工智能會從腦電波中學習偏好，并為志愿者量身打造全新的圖像。

為了測試他們建模的有效性，他們為每位測試者制作了新的容貌圖像，預測這些肖像是否會吸引測試者，在對他們進行 “雙盲測試”中，結果顯示最新建模圖像與測試者的個人偏好匹配，準確度超過 80%。雙盲測試也被稱為 “二重盲檢法”，是指在試驗過程中，測驗者與被測驗者都不知道被測者所屬的組別(實驗組或對照組)，分析者在分析資料時，通常也不知道正在分析的資料屬于哪一組。

這項研究表明，我們能夠通過連接人工神經網絡和大腦反應來生成符合個人傾向喜好的圖像，成功評估相貌吸引力意義重大，因為這是對外界刺激的一種深刻心理特性。到目前為止，計算機視覺基于目標模式的分類圖像非常成功，但通過引入大腦對混合情況的反應，我們證明了依據心理屬性(例如個人口味)，檢測某人的審美標準，以及生成 “西施圖像”是可能實現的。

這項最新技術可能將無意識態度，暴露給那些無法有聲、有意識表達信息的目標測試者，最終，通過人工智能解決方案和腦 - 機接口交互技術，該項研究可能提高計算機學習能力，并且越來越多地理解人們的主觀意識偏好，從而造福社會。

如果像審美偏好這樣的個人主觀因素也能被洞察分析，我們或許還能研究感知和決策等其他認知能力，我們可能會調整認知策略或者內隱偏見，從而更好地理解個體差異性。目前，這項最新研究報告發表在近期出版的《電氣與電子工程師協會情感計算匯刊》上。

人工智能系統主要依據于人工神經網絡 (ANNs)，后者試圖模擬人類大腦的工作方式來實現學習功能，同時，它可以被訓練來識別信息模式——包括語音、文本數據或者視覺圖像，它是近年來人工智能發展的基礎。

對抗式網絡如何運行?

科學家通過讓兩種算法相互對抗來生成對抗式網絡，從而試圖創建人類真實的主觀意識偏好選擇。

這些 “想象出來的”數字創作，可以是圖像、視頻、聲音和其他內容形式，主要基于輸入系統的相關數據，人工智能機器系統依據所學創造新的內容，而另一個人工智能系統則對這些數字創作進行批評，指出其中的缺陷和不準確之處。

最終，該過程可使人工智能系統學習更多的新信息，而不需要人類的任何輸入內容。

人工智能如何通過神經網絡進行學習?

人工智能系統主要依據于人工神經網絡(ANNs)，后者試圖模擬人類大腦的工作方式來實現學習功能，同時，它可以被訓練來識別信息模式——包括語音、文本數據或者視覺圖像，它是近年來人工智能發展的基礎。

傳統人工智能通過輸入大量信息來 “教授”有關特定目標的算法，實際應用包括谷歌的語言翻譯服務、Facebook 的面部識別軟件和 Snapchat 的實時圖像濾鏡。

輸入這些數據的過程可能非常耗時，并且僅限于一種類型的知識，一種被稱為對抗性神經網絡的新型人工神經網絡可使兩個人工智能系統相互競爭，使它們相互學習。該方法旨在加速學習進程，并優化人工智能輸出 “數字創作”。