研究人员对30名测试者的脑电波进行脑电图扫描监测(EEG)，然后向他们展示20万张名人真实照片以不同方式拼接而成的“假脸”。
测试者不需要做任何事情，也不需要在他们喜欢的照片上直接点击，因为研究团队可以通过脑电图读数来确定他们的“无意识偏好”。
在没有任何语音或者文字指令的情况下，AI计算机系统能否识别出我们认为有吸引力的肖像面部特征吗？研究人员对30名测试者的脑电波进行脑电图扫描监测（EEG），然后向他们展示20万张名人真实照片以不同方式拼接而成的“假脸”。
测试者不需要做任何事情，也不需要在他们喜欢的照片上直接点击，因为研究团队可以通过脑电图读数来确定他们的“无意识偏好”。然后他们将数据输入AI系统，该系统能够从脑电波数据中洞察测量者的“审美观”倾向，并为测试者量身推荐你心目中的“西施”容貌。
芬兰赫尔辛基大学研究人员想知道，在没有任何语音或者文字指令的情况下，AI计算机系统能否识别出我们认为有吸引力的面部特征。
未来这项AI技术可用于确定测试者的个人喜好，或者了解人们可能不会公开谈论的无意识态度，包括种族、宗教和政治观点等。目前这个AI系统可以理解什么样的面孔最具吸引力的主观意识。
在之前的研究中，科学家曾设计了能够识别和控制简单肖像特征的模型，例如：头发颜色和情绪变化，目前确定“吸引力”将是一个更具挑战性的研究课题。
在早期对人类五官特征的有限研究中，人们对金发女郎和微笑美女的审美观基本一致，但这仅是表面细节。相比之下，分析测试者认为哪些面容更有吸引力，是一个颇具挑战性的课题，因为这与文化和心理因素有关，这些因素可能在我们的个人倾向喜好中发挥着无意识作用。
的确，我们很难解释为什么某些人在部分人心中极具魅力，对其他人则印象平平，这或许验证了我们常说的一句谚语--“情人眼里出西施”。最初，研究人员生成对抗式神经网络（GAN）智能系统，可以制作数百幅人工肖像，这些图像一次一幅地展示给30名测试者，随后让测试者记录哪些肖像颇有吸引力，期间脑电图描记法（EEG）记录了他们的大脑反应。
这有点儿像约会软件，在这项最新研究中，测试者除了看照片什么也不用做，只是测量了他们对肖像的即时大脑反应，这是一个非语言过程，之后研究人员使用机器学习技术分析脑电图数据，并生成一个神经网络。
像这样的脑-机接口能够解释为什么一些肖像会对测试者产生吸引力，通过解读他们的视图分析，即人工智能模型解读大脑反应，以及通过结合特定人群所认为的相貌吸引力，能够生成完全新容貌图像的神经网络模型。
之后他们将数据输入人工智能，人工智能会从脑电波中学习偏好，并为志愿者量身打造全新的图像。
为了测试他们建模的有效性，他们为每位测试者制作了新的容貌图像，预测这些肖像是否会吸引测试者，在对他们进行“双盲测试”中，结果显示最新建模图像与测试者的个人偏好匹配，准确度超过80%。双盲测试也被称为“二重盲检法”，是指在试验过程中，测验者与被测验者都不知道被测者所属的组别（实验组或对照组），分析者在分析资料时，通常也不知道正在分析的资料属于哪一组。
这项研究表明，我们能够通过连接人工神经网络和大脑反应来生成符合个人倾向喜好的图像，成功评估相貌吸引力意义重大，因为这是对外界刺激的一种深刻心理特性。到目前为止，计算机视觉基于目标模式的分类图像非常成功，但通过引入大脑对混合情况的反应，我们证明了依据心理属性（例如个人口味），检测某人的审美标准，以及生成“西施图像”是可能实现的。
这项最新技术可能将无意识态度，暴露给那些无法有声、有意识表达信息的目标测试者，最终，通过人工智能解决方案和脑-机接口交互技术，该项研究可能提高计算机学习能力，并且越来越多地理解人们的主观意识偏好，从而造福社会。
如果像审美偏好这样的个人主观因素也能被洞察分析，我们或许还能研究感知和决策等其他认知能力，我们可能会调整认知策略或者内隐偏见，从而更好地理解个体差异性。目前，这项最新研究报告发表在近期出版的《电气与电子工程师协会情感计算汇刊》上。
人工智能系统主要依据于人工神经网络(ANNs)，后者试图模拟人类大脑的工作方式来实现学习功能，同时，它可以被训练来识别信息模式——包括语音、文本数据或者视觉图像，它是近年来人工智能发展的基础。
对抗式网络如何运行？
科学家通过让两种算法相互对抗来生成对抗式网络，从而试图创建人类真实的主观意识偏好选择。
这些“想象出来的”数字创作，可以是图像、视频、声音和其他内容形式，主要基于输入系统的相关数据，人工智能机器系统依据所学创造新的内容，而另一个人工智能系统则对这些数字创作进行批评，指出其中的缺陷和不准确之处。
最终，该过程可使人工智能系统学习更多的新信息，而不需要人类的任何输入内容。
人工智能如何通过神经网络进行学习？
人工智能系统主要依据于人工神经网络（ANNs），后者试图模拟人类大脑的工作方式来实现学习功能，同时，它可以被训练来识别信息模式——包括语音、文本数据或者视觉图像，它是近年来人工智能发展的基础。
传统人工智能通过输入大量信息来“教授”有关特定目标的算法，实际应用包括谷歌的语言翻译服务、Facebook的面部识别软件和Snapchat的实时图像滤镜。
输入这些数据的过程可能非常耗时，并且仅限于一种类型的知识，一种被称为对抗性神经网络的新型人工神经网络可使两个人工智能系统相互竞争，使它们相互学习。该方法旨在加速学习进程，并优化人工智能输出“数字创作”。（叶倾城）
