AI发现了艺术家、导演、科学家的成功秘诀

成功的艺术家、广受好评的电影导演和获得诺贝尔奖的科学家尽管从事不同的职业，但似乎有一些共同点——他们都有过以“热潮"为标志的职业生涯——他们的工作取得了显着的成功优于他们的典型表现.

但是为什么会发生这种情况，是否有公式可以解释?为了了解为什么某些创意人才会在他们的职业生涯中出现连胜而不是其他人，西北大学的科学家们应用了人工智能机器学习的预测能力.

“在本文中，我们为来自各种不同来源的创意产品构建了大规模数据集，包括艺术家的艺术作品图像、导演的电影情节和演员阵容、科学家的出版物和引文信息，以及他们的分别对拍卖价格、IMDb 评级和论文引用的影响衡量，"研究人员写道.

为了确定成功的衡量标准，该研究使用了来自 2,100 多名艺术家、4,300 名导演和 20,000 名科学家的数据.

“我们从深度学习和网络科学中开发了计算工具，并为这些创意产品学习了高维表示，使我们能够在热潮开始前后的潜在创意空间中追踪个人的职业轨迹，"研究人员写道.

为了创建艺术品的高维表示，研究人员使用卷积神经网络算法进行图像识别，特别是预训练的 VGGNet 算法，结合全连接神经网络对数据集中的艺术风格标签进行分类.

“我们将我们的深度神经网络应用于数据集中每位艺术家的职业输出，然后使用主成分分析进行降维以生成每件艺术品的 200 维嵌入，"研究人员写道.

然后，该团队使用电影的情节和演员信息开发了电影的高维表现形式.科学家们在情节描述中训练词嵌入，以从词的共现中学习电影的 100 维文本表示.他们使用 DeepWalk，一种图形神经网络 (GNN)，为每部电影获得一个 100 维的铸造向量.通过将情节和演员的向量联系起来，研究人员创建了一个 200 维的嵌入空间来表示电影.

“尽管有无数因素可能影响一部电影的艺术和经济成功，从剧本到表演，我们发现学习的高维表示可以成功预测电影类型，准确度为 0.948，"研究人员报告.

对于科学家的分析，研究人员使用人工智能从研究人员发表的论文中引用的论文中找到各种研究主题的模式，使用来自科学网络和谷歌学术的科学家的发表记录.

“探索和开发之间的权衡——以及它与创造力和学习的关系——已经在一系列广泛的学科中进行了广泛的讨论，从计算机科学到心理学，到神经科学，到计算社会科学，再到战略管理和组织理论，"研究人员写道.

科学家们研究了在热潮爆发之前和期间产生的工作的多样性，并将其与职业生涯中随机时期产生的工作的多样性进行了比较.研究人员在艺术家、科学家和电影导演中发现了一个热潮模式:他们的作品在热潮期之前往往比随机选择的时期更加多样化.

“连胜期间的剥削行为似乎与几个著名的例子一致，包括画家杰克逊波洛克的“滴水期"(1946-1950)、导演彼得杰克逊的“指环王三部曲"，以及科学家约翰芬的职业生涯，他在职业生涯的后期才崭露头角，但他在此期间在电喷雾电离方面的工作最终为他赢得了 2002 年的诺贝尔化学奖，"研究人员写道. “这些例子提出了一个有趣的问题:剥削行为本身可以预测职业热潮吗?"

根据研究人员的说法，“最终被利用的主题不太可能是最近探索的主题、引用最高的主题或之前探索的主题中最受欢迎的主题"，这意味着“不仅仅是通过探索追逐发现，个体似乎通过思考不同的可能性来寻找新的机会，然后通过开发收获有希望的方向."

研究人员得出结论，“在职业热潮的出现背后存在可识别的规律，这些规律似乎普遍适用于广泛的创意领域"，并且“个人职业生涯的一个重大转折点似乎与这两种探索都没有最密切的联系也不是孤立的开发行为，而是具有特定的探索顺序，然后是开发."

研究人员使用人工智能来识别大型数据集中的模式，发现了一种新的理解，这可能会影响未来如何识别和培养创意领域的人才.

Copyright © 2021 Cami Rosso 版权所有.