這是莎士比亞十四行詩中的一節。這是Deep-speare人工智能程序“創作”的十四行詩。暫且不說Deep-speare“作品”的質量如何，至少在節奏、押韻以及語法方面，這一小節十四行詩的表現都非常不錯，足以迷惑不少人。這也正是一些研究團隊發現，大多數讀者無法區分人工智能生成的詩歌和人類創作詩歌的原因。

Deep-speare 團隊包括三名機器學習研究人員和一名文學學者組成，他們用了大約2700 首十四行詩，約36.7 萬個單詞來訓練這個人工智能“詩人”，讓它學會自己“創作” 。

簡單來說就是，Deep-speare 通過深度學習來對訓練數據庫中的詩歌進行篩選，一次又一次地嘗試創造出與樣本匹配的詩句。

儘管以前在一些類似項目中，研究人員會提前給人工智能輸送押韻、節奏等方面的知識，但Deep-speare 獨立地學習了十四行詩寫作相關的三大要素：節奏、韻式和自然的語言（即單詞正確流暢地組合在一起)。

具體來說，Deep-speare 的系統由三個部分組成：一個節奏模型，一個韻式模型，以及一個確保語法正確的自然語言模型，其中，自然語言模型是最主要的部分。

首先，語言模型會對語料庫（語料庫的內容基於維基百科詞條、Reddit 話題，以及一些專門為構建的數據庫）中單詞進行篩选和預測，判斷哪些單詞是適合組合在一起成為句子的。經過適當的訓練後，語言模型會賦予流利的句子高評分，賦予無意義的句子低評分。

語言模型的質量則可以通過觀察下一個單詞（從右往左）的關聯性強度來提現。比如“San-Francisco”經常同時出現，“coffee”常常與“refresh”或“life-giving”等單詞的關聯性更強，而不和“powerful”或“light”等詞有關。如果語言模型能夠正確處理這些信息，那麼，就可以認為這個模型已經在很大程度上捕獲了語言的複雜性。

一旦語言模型訓練有素之後，從零開始生成一個句子就不再是難事，重複這一步驟就能實現創作十四行詩的基礎。

除了單詞和句子，Deep Speare 還要學習節奏，即觀察每一行中的字母和標點符號，並確定哪些字符對應哪些音節，哪些音節接受重音。例如，單詞“summer”應該被理解為兩個音節，重音情況也有所不同——重讀的“sum”和不重讀的“mer”。

當Deep-speare 寫十四行詩時，語言模型會生成候選詩行，韻律模型再從中挑選出符合節奏的詩行，然後重複這一過程。

當然，還有韻式模型。這個模型只關注每一行詩的最後一個單詞，盡可能地實現單詞押韻。比如，“day”和“may”，“temperate”和“date”。

在檢查詩歌輸出時，研究團隊發現， Deep-speare 生成的詩歌短語與訓練數據並沒有太多重疊。也就是說，它並沒有對訓練數據進行記憶，然後直接從中復制，而是創作了具有原創意義的詩歌。然而，這並不能說明詩歌在文學方面的質量。

為此，研究團隊找來了兩批評委，讓評委分辨人類和機器創作的十四行詩。

第一批是亞馬遜Mechanical Turk 僱傭的眾包工人，他們只會基本的英語，但沒有詩歌方面的專業知識。最終的結果是，工人們以50% 的準確率猜出人類詩歌和機器詩歌。不過，這一數據可能虛高，因為工人們可能在網上對詩歌節選進行了搜索，人類詩歌會出現搜索結果反饋，而機器詩歌不會出現。

第二個評委是多倫多大學的文學助理教授Adam Hammond。這一次，評判的方式是對人機合寫的十四行詩的韻律、節奏、可讀性和情感影響等四大屬性進行評分。結果，Adam Hammond 對Deep-speare 的節奏和韻式給予了極高的評價，甚至超越人類（因為詩人常常為了達到某種效果而特意不遵循規律）；在可讀性和情感方面，Deep-speare則略遜一籌，文學專家一眼就能看出來哪些出自莎士比亞之手，哪些來自AI 詩人。

當前，研究團隊正在努力提高人工智能詩人在可讀性和情感影響方面的表現。

另一方面，人類詩人在創作前並不會端坐在桌前思考，“嗯，我的第一個詞應該是什麼?”然後，在做出這個艱難的決定之後，再絞盡腦汁想第二個詞。相反，詩人頭腦中會有一個預想的主題，然後尋找詞語來表達這個想法。

研究團隊已經朝這個方向邁出了一步，通過賦予Deep-speare 能力來生成基於特定主題的詩歌，比如愛或失去。而且，堅持一個主題可以增加四行詩的連貫性，模型可選擇的詞彙也將受到主題的限制。

毫無疑問，這是一個雄心勃勃的項目。