EA 从随机生成的蓝图中创建一个 3D 对象，看起来像一个小团块。它将其创建的作品交给深度神经网络进行观察，神经网络将其与庞大的图像数据库进行比较，并向 EA 提供反馈。例如：“这个东西看起来只有 0.001% 像一个蘑菇。” 虽然不是 A+，但这是一个起点。
然后 EA 对蓝图进行微小变异，并将其送回 NNR。如果神经网络说它离目标越来越远，AE 就会放弃它并创建一个新的。最终，它会做出渐进式改进（看起来有 0.002% 像蘑菇），并根据稍有改进的产物进行新的变异。
问：有点像实际的创意过程。但在这个例子中，AE 进行了 250 万次迭代。我不知道你怎么样，但到那时我早就放弃陶瓷课了。
问：更像进化……这正是算法的灵感来源。
Joel Lehman。哥本哈根 IT 大学助理教授。与怀俄明大学的演化人工智能实验室合作。Lehman 是首席研究员，也是这个想法的提出者。
深度神经网络在图像分类方面已经非常出色。面部识别软件或语音识别 [访问标记信息。并非真正的创意过程。] 5-10 年前，在照片中识别物体是一个非常困难的问题。这基本上已经解决了，而且这是因为深度学习。[任何图像识别任务。] 它的能力已经超越了人类。非常成功。[关键词：imagenet。标记图像的庞大数据集。]
“我看到了它的优点，并想知道是否可以利用它来帮助计算创意，让计算机更有创造力，创造新的产物，而深度学习范式并不擅长这一点。”
演化算法更适合创意。如果你看看自然进化，它是一个极其富有创造力的过程，创造了各种各样的生命，如果仔细想想，这是多么多样化和疯狂。这个无指导的过程创造了人类水平的智能，以及细菌、熊和藤壶等各种以 B 开头的生物。
结合这两种世界的优点，展示一些可以做到的独特事情。
我们将一个最先进的深度学习网络（同义词：神经网络？）与一个试图创作雕塑的演化算法连接起来。EA 在你给它的反馈类型方面限制更少。它可以做一些超越标记范畴的事情。
2 个主要成分：1）DNN：有人训练了它，我们直接使用了现成的。在系统中作为工具使用。系统负责提供关于特定雕塑好坏的反馈。它有多像一个实际的物体。它接收图像，然后说它是否识别出该物体是什么，以及识别的置信度有多高。
2）EA 它有这种人工 DNA。它会将这种 DNA 映射成一个 3D 对象。就像可以映射成 3D 对象的人工 DNA。这是一种编码。你可以用这种人工 DNA 来编码一个 3D 对象。这就像一个创建对象的蓝图。
EA 首先生成一个随机蓝图。没有任何真正的结构。从头开始。EA 从随机的人工 DNA 实例开始，这些 DNA 本质上是创建随机 3D 对象的蓝图。这些只是没有特征的团块，是这个过程谦卑的起点。EA 会获取一个蓝图，创建一个对象，这个对象可能只是一个团块，然后它会从不同角度拍摄这个对象的多个照片。这些是它输入神经网络的图像。这就像演化算法接收一些塑造黏土的指令，用黏土塑造一个物体，然后展示这个物体的快照。然后 DNN 会说它认为这个物体看起来像什么。一开始它可能会说它什么也不像。但也许它看起来比网球更像蘑菇。算法可以利用这一点反馈说，这是我目前为止看到的最好的蘑菇。我会尝试调整一下这个设计
