第421部分(第4/5 頁)

著對人工智慧的訓練反饋越來越成熟，可以逐步實現五十倍、甚至百倍的套路文撰寫——但是僅次於套路文，因為機器透過‘學習’學會寫作的，肯定是套路文。”

“第一章要出金手指、前三章要出裝逼打臉、五萬字要小**。這種套路人類寫手還要花時間去學習、記憶，而機器人寫作完全可以透過程式設定來訓練。人類最噁心最難記住或者不願意做到的事情，在機器眼前反而是比較容易的。在人類很容易想到的故事大勢等問題上，機器反而最難想通。所以，在輔助創作軟體誕生的最初幾年，要充分利用機器的優勢、同時由人類手把手去訓練、修正、最終審稿修改。”

當然，為了“深度學習”，最重要的是把機器人寫好的稿子、由人類修改之後，再重新反饋給機器人，讓其“學習”其中的差別。

深度學習，總的來說就是這麼學習的，不斷反饋此前答案的對錯。就像谷歌和facebook當年訓練人臉識別，就是給無數的圖給機器識別，然後錯的要告訴機器錯了。久而久之，機器的模糊統計演算法就“知道”什麼是錯的了。

朱子峰只是個業餘的指令碼編寫者，他當年給某點鬧事的時候，根本不懂深度學習演算法，也沒有那麼好的產業視野。他那個孫達炮一樣幼稚的想法，只有落到初音這樣的巨頭身上，才能變得有可操作性。

正如人工智慧在實現自動駕駛的過程中，必須先借助‘輔助駕駛’。

人工智慧在攻克國際象棋、圍棋的時候，必須先借助人加機器的“半人馬模式”，來實現比純機器更好的效果。

在駕駛汽車的時候，在人腦看來最難的事情是應對突發事件，是“保持車輛精確保持與兩邊車道線的間距”。而這些事情在最初的輔助駕駛系統看來，就已經是很簡單的了。

沃爾沃在被李叔福收購之前，已經實現了自動應對突發竄出的行人，以及保持車道間距。

但是，在人腦看來相對容易做到的事情，在機器眼裡卻是很難得。

比如預見中遠期的可能危險。

又或者看到夜裡對面遠處有司機過來、而己方這邊有其他車輛開著遠光燈時、預測對方司機會不會出現方向抖動。

又或者是“預期剛才超車的人會不會賭氣併線”這些顯而易見的事情

這些問題人工智慧的駕駛系統需要多年才會學會。

人類的長處是預見，機器的長處是精確，以及見招拆招。

自動駕駛是如此，初音人工智慧研究院如今在攻克的圍棋領域也是如此。

人類棋手或許害怕官子算不清，機器演算法分分鐘可以算清。人類高手喜歡前期佈局做外勢，而機器遠遠沒法在需要高度遠見的領域趕上人類。

在一切深度學習型人工智慧領域裡，最需要“遠見”的細分領域，總是最晚被機器人攻克的。而在那些領域內堅持的人類，也往往是最後失業的。

不到半年，朱子峰那個辣雞指令碼被初音作為反面教材，剖析徹底吃幹抹淨，然後浴火重生出一個新的寫作輔助工具，測試版的。

這個東西，已經可以做到在拿到套路文大綱的時候，讀懂這個大綱，然後進行大約百倍字數的擴寫。遣詞造句和辭藻描寫方面，而且已經學會了聯絡上下文，防止劇情崩潰。

如果開啟“灌水”模式，這個寫作輔助軟體更是可以借鑑到無數人物、景物、動作描寫，把一切可以水的地方再水一遍。兩萬字的大綱寫成五百萬字的小說都沒問題。

當然了，這個東西目前還比較原始，要想用好，還是比較“挑大綱”的，如果大綱本身沒頭沒腦機器識別比較困難，或者大綱本身就在灌水、或者格式套路不明顯，機器還是沒法寫好。

寫出來的作品，最後也還需要人工讀一