1   复习：创作力来源——

在2023 年1 月刊连载中，我们曾经说明在领域里，最近几个很红的图像模型，例如DALLE、Imagen 和Midjourney 等， 它们都是基于一种机制：扩散(Diffusion)。经由模型训练，操作(Latent space) 的向量，加上随机输入中合成新的数据，呈现出令人惊奇的创作，推动了AI 组合的创新或创作。这意味着，关于AI 的生成或创作，大多会涉及的操作。

现在先从一个基本问题出发，这个问题是：为什么AI会创作呢？由于当今的AI是基于ML( 机器学习)，它会向人类学习。继续探索下去，它向人类学习什么呢？学习人类的做事和创物的经验直觉。经验直觉的逻辑是不清晰的，无法经由编程来写成代码。那我们该如何把人类的直觉智慧弄进机器(AI) 呢？

答案是：从人类的作品( 如绘画、音乐、文学作品、食谱、游戏、对话、网络文章) 中学习作品的形式、风格、情绪等。这些作品被放到网络上，皆成为大数据(Big Data)。于是，我们就拿这些大数据来给AI 学习，谓之训练(Training)。

AI 从人类作品中学习到人类专家( 创作者) 的招式(Patterns) 和风格(Style)。如同金庸武侠小说中的杨过、小龙女向大侠们学习了许多武功招式。经年累月，杨过和小龙女学而时习之，逐渐地在内心深处沉淀出招式背后的精华神韵，谓之无招秘境。

一样地，AI 经过几十天学习大量作品的创作招式和风格，逐渐地在AI 模型内部的秘境中沉淀出招式背后的精华神韵，这个AI 中的无招秘境，谓之隐藏空间(Latent Space)，又简称隐空间。

武侠中说：无中生有，从无招中生出千变万化，无招胜有招。一样地，AI 也能从其无招秘境中的精华神韵，生出千变万化的新招式，也就是新作品、新内容(Content)。这种新创作新内容，就谓之(AI Generated Content)。

除了上述的AI 创作力来自隐空间之外，隐空间也将会是管理大量繁杂模型的利器。例如，可以预测到了2030年之际，AI 模型将更为百花齐放，繁杂多样，就会导致难以管理，使得管理成本急速升高。

就如同20 世纪八九十年代，经济生产全球化，码头上货物形形色色，繁杂多样，非常难管理，导致管理成本急速升高。于是集装箱(Container) 这个角色就应运而生，大货轮也出来了，陆地上拖车业也大发利市了。同样地，到了2030 年，AI 模型的集装箱角色就很可能会出来。

我认为，AI 的隐空间即将成为AI 的集装箱。而且在未来数年内，凡是力求掌握潜藏空间，致力于开发控制软件系统，来有效管理AI 货柜( 即潜藏空间) 者，将成为AIGC 时代的大赢家。

图1

2   从NN模型深刻理解隐空间

首先从最简易的单层NN(Neural network) 模型出发。这种简单模型只含有一层权重(Weight)，兹以图1 这样的NN 图形为例。

这个模型从X 空间对映到Z 空间。其含有两层(Layer) 神经元：左边的X 神经元是输入(Input) 层，而右边的Z 神经元，是输出(Output) 层。然而只有一层权重，所以通称为：单层NN 模型。接着，就可以继续扩大为两层NN 模型，如图2 所示。

图2

这个NN模型里包含两层权重，所以称为：两层NN模型。这个中间层，又通称为：隐藏(Hidden) 层。它就是构成隐空间的核心机制。

3   观摩：以求职AI为例

大家常常听说求职法则是：钱多、事少、离家近。我们如何把这个简单法则纳入NN 模型里，让它就学会这项法则呢。此时，人们透过T 值来表达他( 她) 心中的规则。

例如有人的求职法则是：“钱多”比“事少”更重要，“事少”比“离家近”更重要。当然，有人比较在意“钱多”，也有人认为“离家近”更重要。人人心中的规则可能各不相同，各自可修改这表格里的数据，表达自己特别的规则，如表1。

表1 三种条件的关联性

从这些数据可以看出来，这位人士心中的偏好是：“钱多”比“事少”更重要，“事少”比“离家近”更重要。只要给NN 模型一些训练，它就能认知到这位人士心中的规则了。虽然它听不懂人类的语言，也不需要写Python语言告诉它；只需要提供数据给它学习就可以了。

这个NN模型里的隐藏层，并没有使用Sigmoid()激活函数。一样地，只要按下这个< 两层一起学习>按钮，ML就会寻找出隐藏层的权重WH和BH，同时也寻找出输出层的权重W和B如表2。

表2 输出权重训练逻辑示意

然后将输入层X空间，对映到隐藏层H空间，再对映到输出层的Z空间。于是得出H和Z预测值。例如，将X=[1, 1, 0] 经由两层权重的计算流程如图3所示。

图3

最后计算出Z 值为：0.99。这就是典型的两层NN模型了。在训练的过程中，每一回合都会修正输出层的权重，也会修正隐藏层的权重。所以这两层权重是同步成长的。

4   多层的NN模型

刚才的范例是两层NN 模型，它只含有一个隐藏层(Hidden Layer)。有些情境下，常常1 个NN 模型里，需要含有更多个隐藏层，这种模型就通称< 多层NN 模型>，或称为< 深度NN 模型>。

例如，可以继续扩大上述的NN 模型，让它含有两隐藏层，兹以NN 图形表示如图4 所示。

图4

在训练及预测过程中，将输入层X空间，对映到隐藏层H₁空间，再对映到隐藏层H₂空间，再对映到输出层的Z空间。在隐藏层H₁和H₂里， 仍然使用X *W+B=Y 公式来表达其对映关系；而在输出层则使用X*W+B=Y 和 Sigmoid(Y) =Z公式来表达其对映关系。并计算出在Z空间里的预测值，如图5。

图5

此外，在许多情境里，常常需要建立更多个隐藏层，例如著名的ResNet 模型就多达数十个隐藏层，也是常见的多层深度NN 模型。而基于这种模型的机器学习，就通称为：深度学习(Deep Learning)。

5   结束语

以上介绍过了隐藏层(Hidden Layer) 的观念，位于这隐藏层的空间，就简称为：H 空间。其正式名称是：隐空间(Latent Space)。例如，在两层NN 模型里，其中的隐藏层(H 空间) 就是：隐空间。兹再复习一下，隐空间相当于金庸小说里武林大侠的< 无招> 境界。唯有高度掌握< 无招> 才能解释千变万化的招术。君不见，在AIGC领域里，AE、GAN和Diffusion等新潮技术，都是潜藏空间威力的表现。

（本文来源于《电子产品世界》杂志2023年3月期）