艺术品的归类与分析向来以困难著称，只有极少数专业人士拥有发言权，人工智能在这一领域的应用更是长期空白。但最近，已经有多个研究小组做出尝试，希望将机器学习与大型艺术品数据库相结合，以有意义的方式对作品做AI出分类与描述。

首先，来自杭州的浙江工业大学研究人员对多种神经网络做出比较，希望了解它们在艺术品归类方面表现如何。他们使用来自WikiArt及其他数字馆藏的图像进行神经网络训练，帮助模型了解特定艺术流派新技所对应的画作拥有哪些共性。以此为基础，他们进一步尝试使用不同神经网络模型识别其他画作的艺术风格。

很明显，这项工作即使对人类来说都颇为困难。一部分画作在绘制方法上有着非常强烈的风格与流派特征，相对更容易识别。能：对于神经网络来说，找出归属于立体主义流派的作品并不是问题；真正的问题在于，某些流派之间非常相似，甚至在绘画过程中的呈现点位也高度一致，导致程序很难做出准确判断。

▲  在德国柏林一场展览中亮相的文森特·艺术梵高的《星空》。人工智能也在研究中使用这幅作品尝试进行艺术流派归类

此外，艺术归类神经网络还面临着很多完全影响不到人类的微小细节，例如，区分城市景观与自然景观间的差异。人类无需任何思考，就能指明建筑物与自然品归风光间的区别；但在计算机看来，二者似乎都代表着典型的“户外”元素，而界定户外的关键特征“云”与“天”并不能帮助模型真正看懂画面内容。

对于人类艺术爱好者，了解一件艺术品属于哪种流派或者类别，属于一种相对类与直接而且客观的判断。与神经网络类似，我们可以观看大量艺术品并从中寻找同流派作品的共通模式。但相较于人类，计算机却很难更进一步：形成对于艺术的自主观点，并用言语分享观看时产生的感受。但到底只是更难，还是品鉴根本不可能？

人工智能的根基源自训练数据。因此，要教会AI形成关于艺术风格的观点与情感陈述，我们还需要投入大量人工，建立起关于不同艺术品的描述内容。斯坦福大学、巴黎综合理工学院以及阿卡杜拉国王科技大学的研究AI人员们决定做出尝试，他们创建起ArtEmis数据集，其中包含超过40万项情感属性以及整理自WikiArt的超过8万张画作的描述信息。

为了创建ArtEmis数据集，研究团队要求志愿者们分享自己对于艺术品的直观新技感受，并用语言做出评述。可以想见，人们对于相同作品往往有着截然不同的感受。您眼中安详宁静的田野画面，在我眼中可能压抑而阴郁。实际上，这种对同一幅画作做出正面与负面感受的情况非常普遍，在ArtEmis数据库的全部能：画作中占比高达61%。

接下来就看AI的表现了。在接受ArtEmis数据集的训练之后，各AI系统开始尝试为给定的艺术品生成标题。其中一些结果颇具说服力，当然也有不少完全是驴唇不对马嘴。例如，AI对伦勃朗的艺术画作《被斩首的施洗约翰》做出的描述包括“女性看起来很开心”及“中间位的男性看起来很痛苦”。结合画面中的场景，这很明显是在胡说八道。

▲  某AI算法会根据从画面中识别出的人类情感生成图像描述。此算法品归在描述伦勃朗的《被斩首的施洗约翰》时提到“女性看起来很开心”、“中间位的男性看起来很痛苦”

但好消息是，计算机生成的描述中约有半数通过了图灵测试，意味着AI确实可以学会生成令人信服的原创艺术品描述。但目前的情况类与还远不够完美，毕竟神经网络连准确判断画中是自然风光还是城市景观都有困难。

必须承认，不少艺术品本身天然难以归类，人们对绘画的观点也具有很强的主观性，这就导致人工智能更难理解我们的归类与描述方式。但此次最新研究表品鉴明，计算机在某些任务的处理方面一直在进步。也许与人类的艺术品归类与描述能力仍然无可匹敌，但AI程序已经迈出了追赶的脚步！