外表的偏好可能隨時間改變（例如留八字鬍或戴單片眼鏡），但無論如何頂級的社交身價不僅能吸引到另一半、甚至有助於升遷，或是更容易結交握有權勢的精英。儘管「長相」可以帶來多方面的社交影響，但這些偏好背後的機制仍深不可測。我們很少先對一個人的外表進行「有意識且邏輯的判斷」，通常都是先體驗到感覺才去猜原因，但人工智慧或許能幫忙解決這個問題。

　　人類長久以來都想知道答案，數世紀的數學家，哲學家和藝術家不斷嘗試定義何謂「美」，例如用黃金比例量化美，直至今日媒體依然常用黃金比例來評斷一個人是否接近「完美」。不過近幾十年來，臉的整體對稱性（如五官間距）逐漸取代了黃金比例，成為一個人長相是否完美的主流理論。

　　但赫爾辛基大學電腦資訊科學副教授圖卡・魯薩洛（Tuukka Ruotsalo）的研究表明，這些理論顯然並不總是正確，他說：「每個人對一個人是否有吸引力都有不同見解，如果研究模型只觀察圖片，那它永遠不可能真正理解什麼有吸引力而什麼沒有。我們的研究主要觀察不同個體對於各種照片的反應，然後將結果傳回人工智慧。」

　　為了真正理解我們為何覺得一個人長得特別有吸引力，而有些人卻完全吸引不了自己，就必須研究引發這種生物反應的神經元，但說起來簡單實際做卻很難，魯薩洛舉了一個例子：「假如我想創造一幅我認為很美的畫面，還是很難講出心中所想的那樣，因為外表有太多不同特徵與面向。」魯薩洛和同事在論文提到，這項研究首次把大腦反應作為生成神經網路的互​​動回饋，他說：「我們正在做的是控制一個非常未知且複雜的領域。」

　　就像大腦靠神經元放電運作，機器學習模型的「大腦」也靠名為「神經網路」的東西運作，它是一種連結網路，透過演算法幫助人工智慧處理新的輸入，並找出模式從中學習。

　　這項研究的人機界面與機器學習模型分為三個主要部分：首先，參與者在實驗中接觸到新的刺激（例如人臉）時，科學家透過腦電圖記錄參與者的神經數據；其次，藉由名為「生成對抗網路」（GAN）的機器學習網路，從一組訓練數據（通常是名人圖庫）中學習，然後推測模式以產生新的圖片；最後將大腦的神經數據與訓練過的神經網路結合打造出「生成式人機界面」（GBCI），也就是使用大腦信號來產生新圖片的界面。

　　簡而言之，所有步驟都是為了創造出一張獨一無二而且有吸引力的長相：研究團隊向30名戴著電極帽的參與者展示240張名人圖片，當參與者每次看到覺得有吸引力的長相時，從旁觀察的科學家就會紀錄他們的大腦神經活動。但由於腦電圖的數據太過模稜兩可，無法從中得到任何變數（例如一個人是否認為某種唇形有吸引力）數據，只能像交友軟體那樣對圖片進行「喜歡或不喜歡」的選擇。

　　因此，將大腦神經數據與訓練過的生成對抗網路結合為生成式人機界面，運用這些數據將每位參與者認為有吸引力的長相結合，從而創造出一張全新且符合偏好的獨特長相。當研究團隊將新的圖片呈現給參與者觀看時，結果發現多數參與者認為新圖片的長相最具吸引力，準確率達80％。

　　那生成式人機界面何時會影響未來？何時會應用在交友軟體呢？魯薩洛和第一作者米歇爾・史帕佩（Michiel Spapé）指出，這項研究還在初期階段，很難精準預測這個技術最終將如何或以何種形式被應用。研究團隊表明，在此之前還有很多其他實驗要進行，必須更多的參與者數據和機器學習數據。魯薩洛指出，這項技術的新奇性與潛在影響力在於，它或許可以解開人類難以捉摸的主觀判斷或想法。

原文出處：inverse