本文來自：Technology Review，編譯：數據客
Apple Music上線快三個月了，訂閱用戶已經達到了驚人的 1500 萬，如果有一半用戶能在免費試用期結束後付費使用，那麼意味着Apple Music 的規模能達到老牌流媒體音樂服務平台Spotify的三分之一。這是一場人工管理和算法之間的戰爭，人工挑選音樂一直是Apple Music的重要賣點之一，然而用戶是用腳投票的，要不要付費取決於產品是否好用，或許還有「情懷」。
Zane Lowe（英國知名DJ，跳槽到Apple）作為DJ在Apple Music上的亮相讓人眼花繚亂，他的編曲充滿流行朋克和後搖滾電子音樂，通過跟蹤幾十年前著名的搖滾音樂，展現一種前所未有的表現形式，儘管很混亂——也可能正是因為這種混亂——我很喜歡這種表演，這種對藝術家的融合和充滿能量的歌很符合Lowe的瘋狂風格。
你花10美元/月就可以享受到這種蘋果音樂的流媒體服務，一個像Lowe一樣的DJ在Beats 1電台上存在。Lowe讓我認識了很多不熟悉的藝術家，他強調了很多有趣的音樂之間的聯繫，比如AC/DC的astadiu manthem和最近由Hudson Mohawk的蘇格蘭藝術家創作的一段電子混音。貫穿這些歌曲的情感是積極樂觀的，甚至很大膽。
正如電腦還不能創建強大和富有想象力的藝術或散文一樣，他們無法真正欣賞音樂。創造一個引人注目的歌單需要一種洞察力，他們能不能找到相似的音樂元素？這些歌曲的情感共鳴和文化背景如何？人工智能正在取得進展，但機器仍然無可救藥地缺乏想象力。這就是為什麼蘋果公司聘請了數百人擔任DJ，創造歌單，除了算法他們仍然需要提供建議。
蘋果引進人類專家是一個聰明的方式，儘管它開創了數字發行和存儲音樂，但現在發現自己落後於流媒體服務如Pandora、Spotify、Rdio和Tidal。他們都不像蘋果一樣強調人類專家的作用。雖然這些公司使用的算法推薦歌曲近年來有了很大的改進，但他們沒有真正的理解或欣賞音樂。該算法採用統計技術來分析監聽數據，做出一個你可能會喜歡的推薦，但目前還沒有算法可以匹配人的口味。
Pandora：可預見的乏味
Pandora，第一個音樂流媒體服務平台，是算法應用的很好的案例。通過對「音樂基因工程」十年的努力，Pandora使用音樂專家來給歌曲標記特色，如音樂類型，使用樂器的類型、旋律、音調。當你開始使用Pandora，會從樂隊、作曲家或歌曲作為起點，它會創建一個「電台」類似的屬性。選擇Beatles，Pandora會自動推薦Beach Boys的歌。
但遺憾的是Pandora的選擇常常是可預見的，往往只是商業電台上那些傳統和乏味的東西。如果你是以Beatles的歌開始聽的，你就不可能再聽到在這一段時間流行的風格迥異的歌了，例如一個嘻哈歌手的歌。
Spotify：算法與推薦並存
最近算法已經開始生產歌單，可以感到更微妙和定製化。世界上最大的流媒體服務Spotify擁有超過7500萬用戶，使用大量的數據進行個性化的推薦。
克里斯·約翰遜領導Spotify的數據科學團隊，他表示公司會僱傭人來製作歌單，但它也盡可能多的收集用戶傾聽數據，然後對兩者進行比較，這種技術被稱為協同過濾，那就是你可能會喜歡一首和你有相似的品味的人已經發現的歌。Spotify去年收購了一家音樂技術公司EchoNest，收集發布到博客、新聞網站和社會媒體的新音樂信息，這些意見也納入Spotify的建議系統，幫助其變得更加「聰明」。
今年7月，Spotify開始測試一個個性化的播放列表。「我們觀察你的行為，你創建的播放列表，基本上我們知道關於你的一切。每星期一會有新的音樂播放列表推薦給你」，約翰遜表示。
最初我收到的幾個播放列表包括一些我立刻就會喜歡上的歌曲，這很有用但是沒那麼讓人興奮。對於此類自動化的推薦算法有一個固定的限制，它們不能推薦一首新歌，因為沒有數據顯示有多少其他聽眾喜歡這首歌。同算法相比，一個人聽幾分鐘就能告訴你他們對一個新東西有多喜歡。
但最近人工智能的發展開始改善這種狀況。去年，Spotify開始測試一種分析歌曲本身而不是與之相關的元數據的算法，這涉及到所謂的深度學習，大致仿照大腦中的神經元，通過「聽」數以百萬計的歌曲，認識到音頻信號的頻率特性（隨着時間變化對應於你聽到的聲音和聲音的方式），這些算法可以將一首新歌進行很好的分類。
即使這不是對於音樂真正的理解和判斷的證據，Spotify的深度學習仍然要使用數百萬的歌曲進行學習，可能還會被一個大膽的新風格所困擾。更重要的是，這種算法不能用一種創新的方式來編排歌曲，也不能區分原唱和我模仿的聲音。Johnson承認這個限制，而且表示人的經驗仍然是Spotify的算法在可預見的未來中一個關鍵的組成部分。
聽覺圖靈測試
蘋果的Beats 1電台則提供了一個截然不同的體驗。The Alligator Hour，由音樂家和製作人Joshua Homme製作的廣播節目，會推薦一些不起眼的原創歌曲，也會在一些歌曲配對之間找到一種貌似荒謬的聯繫。
是什麼讓人有這種能力？深度學習或其他人工智能系統會開發出自己的品味，能夠對一首歌的特徵來分類確定它是否夠好嗎？電腦可以像人一樣自然地擁有才能、創造力或者創意來確定這種無形的質量嗎？當我問Johnson算法是否能在某一天從一首歌來發現一個藝術家，他說：「這就是我們想做的事。」
這種想法很大膽，但是也很難以捉摸。音樂欣賞和創造與在成堆的數據中發現的統計模式無關。「在創造力中，一些不尋常或者怪異的東西有什麼區別呢？這是很難的一個問題。」多倫多大學研究人類創造力的的心理學教授Eyal Reingold說。「讓一個機器來證明創造力，不僅是要創造出一些不尋常的東西，還要判斷是否有用，至少在某些文化背景下有用。」
的確，創造性的本質讓一些心理學家和電腦科學家認為這可能是一種測量機器智能的有用的方式。在2001年發表的一篇論文中，來自倫斯勒理工學院的兩位學者，與IBM的研究員大衛·費魯奇（發明了Watson），認為創造力測試可能是一個更好的方法來判斷電腦是否已實現人類智能。他們指出阿蘭·圖靈在1950年做出的測試，鼓勵程序員們弄虛作假而不是來創造一些真正的智能化。他們的理由是，無論是繪畫、音樂或在其他領域，創造力作為智能的基礎更難去偽造。他們發明了新的測試叫做Lovelace Test（為了紀念AdaLovelace，這個世界上第一個程序員，她在1843年公布了世界上第一套算法）。
顯然Johnson的算法沒有通過Lovelace Test，生活的挑戰總是存在。事實上，Michael Casey（達特茅斯學院的音樂和電腦科學教授）計劃明年初進行幾個圖靈測試，也許之後還會有一些Lovelace測試，包含電腦DJ、舞者，來判斷他們剛聽到的這首歌是由人還是機器來提示的。Casey希望在這有限的範圍內，一台機器將展示一些類似於音樂的創造力。
不過他似乎沒什麼信心：「我們一直在努力應用到音樂中的不管是什麼類型的算法，無論是試圖模仿巴赫或莫扎特，或者嘗試推薦的音樂，在目前看來還沒有一點樣子。」他有點沮喪，「可能在幾秒鐘的時間它會欺騙你，但是它沒有一個總體規劃。而且我認為自動DJ可能也是如此。」
如果我們想讓機器想出和蘋果Beats 1一樣獨特和原創節目，我們可能還需要更多的創造性思考和設計。
數據客（微信號：idacker）
如果Apple Music成功，代表着算法推薦歌曲的失敗嗎？
