機器也能是藝術家嗎？在今年 GPU 科技大會上有一項最美麗的展示內容，或許會讓你改觀。
在 DCGAN（deep convolutional generative adversarial networks，深度卷積生成式對抗網路）的演示內容裡，將數千件有著相似特徵的藝術畫作匯入於一部電腦內（這裡使用維多利亞時代藝術家的海景畫作），接著電腦運用深度學習技術來創作有相同風格的新畫作。如果你是某位已辭世畫家的愛好者，這是一個好消息，不過 DCGAN 的能力可不只限於畫出漂亮的畫作。
絕非只是漂亮的畫作
Facebook 研究員 Soumith Chintala 的研究成果指出，DCGAN 展現出在非監督式學習的能力，許多人認為這是追求真正人工智慧的圓夢之路。
我們用數千件無標籤的影像來訓練深度學習系統，來演示DCGAN自主學習的能力。系統分析這些影像，找出其中的特徵，以便在不清楚這些標籤的情況下掌握風景畫和靜物畫之間的差異。
接著 DCGAN 的發展又向前邁進了一步，按照它理解畫作內不同特徵的程度，創作出它自己的原創畫作。
對於有在關注深度學習這個迅速成長的領域的人來說，這可是一個遠大的夢想。深度學習是人工智慧的一個分支，讓電腦能解決傳統編程方式難以處理的複雜問題。
深度學習的運作方式可從它的名稱略知一二：系統從經驗中學習，宛如人類的學習方式。而GPU 的平行運算架構大幅加快了深度學習的運算速度（請見《透過 GPU 加快人工智慧運算速度：嶄新的運算模型，Accelerating AI with GPUs: A New Computing Model》一文）。
發現前所未知的關係
梵谷的繪畫風格細節
為何非監督式學習意義如此不同？因為要訓練深度學習系統得要投入海量資料才行。
監督式學習使用人類已經加上標籤的資料，而非監督式學習則是使用無標籤的資料。
假設你正在訓練一套深度學習系統來辨識貓咪的影像，使用監督式學習方式時得先在影像加上標籤，告訴系統哪些是貓、哪些又不是。
非監督式學習方式完全沒有標籤這回事。系統必須對資料進行分類，自行找出貓咪的影像。開發人員不用指示該找哪些東西，系統就能在資料裡找出蛛絲馬跡，使得非監督式學習方式擁有強大的發展潛力。
系統不會侷限在資料科學家提供的標籤裡，可以找出前人未曾預設想到的關係。非監督式深度學習系統甚至可以處理以往無法解決的問題。
改變世界
DCGAN 系統在 GTC 大會展現作畫的身手。很快地這套系統就會用來協助我們處理某些極為棘手的問題，從電腦視覺、自然語言處理到醫學診斷。由 GPU 加快運算速度的非監督式深度學習即將改變世界。