[caption id="attachment_41302" align="aligncenter" width="1320"] 这就是我创建的游戏截图。左边的是runn，右边的是sornting。[/caption]

人工智能和机器学习绝对是强大的技术。然而，对于那些没有太多相关背景知识的人（大概是所有人了）来说，有些行业术语通常是抽象的和模糊的。

去年，我开始在中国科学院的音乐和人工智能实验室研究音乐机器学习。虽然取得了令人兴奋的进展，但研究重点主要集中在模型开发部分，而不是生成结果的呈现。

我发现我的很多艺术家和音乐家的朋友，都有意愿想去更多地了解这些技术。然而，面对生涩的知识，他们仍然很难迈出第一步。

机器学习的游戏化

我想揭开用机器学习创作音乐的抽象概念的神秘面纱。玩游戏是向人们介绍新技术的一种更有趣、更吸引人的方式。我认为游戏化与适当的设计可以使音乐机器学习更容易理解。

在我调查之前是否有相关作品的时候，我发现了一个叫做Semantris的项目。它是由谷歌人工智能开发的，以展示他们的自然语言处理(NLP)算法。

[caption id="attachment_41303" align="aligncenter" width="640"] Semantris[/caption]

这是一个由这项技术支持的单词联想游戏。当你输入一个单词或短语时，游戏会对屏幕上的所有单词进行排序，并根据它们对你输入内容的反应程度对它们进行评分。

——谷歌人工智能

我被他出色的表现所鼓舞，并开始为音乐机器学习算法开发我的程序。

Source Code | Demo

一些机器学习算法可以学习如何用较低的维数再现数据集中的数据。使用相同的映射，算法可以以某种方式猜测两个现有数据之间的样本是什么样子的，这就是“插值”。我在音乐机器学习中使用游戏化的第一个项目是Sornting。这是一个基于音乐机器学习算法的益智游戏，可以插入不同的歌曲。玩家必须计算出两种不同旋律之间插值的原始顺序，随着游戏的进行难度也会增加。

[caption id="attachment_41305" align="aligncenter" width="849"] 基于机器学习算法的人脸插值（来源）[/caption]

我不想证明插值的结果是完美的。用户在玩游戏和仔细听旋律的时候会发现一些奇怪的插值效果。它不仅可以帮助用户了解模型，而且可以帮助用户发现模型的弱点。

[video width="862" height="720" mp4="http://imgcdn.atyun.com/2019/06/机器学习游戏.mp4"][/video]

Sornting

另一方面，游戏也可以作为研究人员的分析工具。例如，如果更多的玩家能够找到答案，这可能意味着插值对人类来说更有音乐意义，反之亦然。同时，对于一些认为自己有很好的听力技巧的音乐家来说，这个游戏也是一个挑战。

. source code: https://github.com/vibertthio/runn
. demo: https://vibertthio.com/runn/

Source Code | Demo

[caption id="attachment_41310" align="aligncenter" width="712"] runn[/caption]

然而，对于大多数人来说，仍然会有一个障碍来阻止他们享受Sornting。他们必须知道一些插值并对听音乐有信心。这让我思考了一个问题:如何让每个人都想听机器生成的音乐?当我和我的一个朋友克里斯·多纳休(Chris Donahue)讨论时，他告诉我，音乐的分数与横屏游戏相似。我想这可能是一种把新音乐介绍给能玩横屏游戏的人的方式，几乎所有人都能玩横屏游戏。我把这个想法分享给了台湾人工智能实验室的同事们，他们也给了我很多有用的反馈。

第二个项目是RUNN。它是“运行”(横屏游戏)加上RNN(循环神经网络)。RNN用于生成序列数据，如语言和音乐。用户可以使用生成的输出播放，而无需事先了解任何关于音乐机器学习的知识。每个人都可以玩游戏，享受生成的音乐。此外，他们可以通过控制他们的化身来保持良好的氛围(背景节拍)。所有级别都是使用MusicRNN模型实时生成的。

. source code: https://github.com/vibertthio/runn
. demo: https://vibertthio.com/runn/

结论

这两个项目并不局限于特定的机器学习模型。此外，有许多形式的游戏可能都抱有类似的目的。我想让每个人都能用音乐来表达自己。游戏化的理念只是一种接近视觉的实验方法。如果你对未来的音乐技术和可能性有任何想法，可以留言告诉我。