導語

　　文化機構也不斷研究機器視覺，利用機器視覺來檢查和分析圖像。這些都在博物館主題內容進行探索及學習。

　　博物館中的AI

　　2015年，人工智能成為主流，2016年，國際各地博物館的文化空間實驗項目增加。人們正探索與機器學習相關的AI的最強大用途，以及它對美術館、圖書館、檔案館和博物館在收集、票務及出勤數據方面的影響。

　　文化機構也不斷研究機器視覺，利用機器視覺來檢查和分析圖像。這在博物館中也一直進行探索及學習，識別內容包含：內容主題、精確的顏色組成、情感分析、文本/字符識別、識別相似性、藝術鑒定等等，在博物館實際運用中，這些技術帶來了有趣的發現、豐富的數據并開辟了收藏的新路徑。

　　機器學習（machine learning）

　　機器學習是一種自動建立分析模型的數據分析方法。使用從數據中迭代學習的算法，機器學習允許計算機發現隱藏的洞見，而無需顯式地編程查找。”(SAS, 2016)

　　對收藏的影響

　　博物館擁有大量數據不足為奇。在過去的十年中，我們已經取得了很大的進步，可以對收集到的數據進行結構化分類，并使公眾能夠訪問和試驗這些數據。雖然分類高度未開發，但是這種有價值的元數據具有強大的功能，并提供了以新的方式分析集合、對象和創建者的方法。但是，它也需要大量的資源、工具、時間和專業知識。

　　理想的GLAM（galleries畫廊、libraries圖書館、archives檔案館和museums博物館）收藏數據會被結構化分類，但考慮到“90%以上的(企業)數據是無結構化的，而是來源于人為、各種分散的主體”(2015年IDC)，我們可以假定博物館收集數據將受益于凈化、甚至全面改革。

　　人工智能能否拯救甚至幫助博物館對藏品做新探索？博物館館藏管理系統合作的人可以“訓練”系統對數據進行有效清理、分類和深度解析。

　　在歐盟文化遺產數字平臺Europeana 2016年發布的搜索策略中，機器學習已是反復出現的主題。曾有三家博物館運用情感分析進行試驗：

舊金山現代藝術博物館：情緒分析(John Higgins, 2015)

卡內基藝術博物館：海灣塔項目

泰特美術館：潛入博物館的社交媒體流(Elena Villaespesa, 2013)

　　對票務和參與量的影響

　　大量收集門票、游客流量數據，利用AI尋找其與社交媒體活動、天氣、廣告支出和其他變量之間的關聯。

　　賓夕法尼亞州立大學(Pennsylvania State University)的研究調查了報告中概述預測參與量的方法。在基于事件的社交網絡中預測事件出席率。博物館可以利用這些信息預測人流量、分配人力資源，從而有效規劃。

　　對會員和籌款制度的影響

　　模式識別可以幫助博物館識別最有可能更新、升級或離開的成員。新的工具可以幫助開發團隊在籌款活動中破譯趨勢，通過社交圖導航使捐助者擴展實現自動化。

　　雖然市場對Gravyty、Affectly等軟件公司還相對陌生，但它們已經在用來幫助非營利組織有效籌集資金了。

　　對電子商務的影響

　　亞馬遜、eBay和Zappos等大型電子商務網站使用推薦功能與個性化引擎的歷史可以追溯到很久以前。通過分析行為，即瀏覽的網頁、產品、搜索的類別，在線零售商可以為訪問者提供更個性化體驗提出有效建議。

　　主要的博物館在線商店，如大都會博物館、現代藝術博物館等，已經在使用推薦引擎。即將出現的是會話商務的大眾概念。優步(Uber)的克里斯•梅西納(Chris Messina)表示:“2016年將是會話商務年。”(墨西拿,2016)

　　機器視覺（machine vision）

　　機器視覺是計算機理解它所看到的東西的能力。“我們正在從有照相機的電腦、拍照的電腦、發展到有眼睛的電腦、能看見東西的電腦。”本尼迪克特·埃文斯，安德森·霍洛維茨說道。

　　2014年，紐約藝術與設計博物館(Museumof Arts and Design)設立審查小組，從藝術家的角度審視“計算機視覺的文化影響”。快進到現在，我們將從博物館的角度來看。

　　對識別主題的影響

　　機器視覺已經發展到足以探測圖像中所描繪的主題和對象。這幅畫、照片、錄像或雕塑描繪了什么？

圖1:卡納萊托的《威尼斯大運河從弗蘭吉尼宮到圣馬爾科拉坎波》，保羅蓋蒂博物館

　　使用谷歌Vision API測試了卡納萊托在威尼斯的大運河，從弗蘭吉尼宮到位于洛杉磯保羅蓋蒂博物館的圣馬爾科拉坎波。結果得到的四個術語(劃艇、劃艇、貢多拉和繪畫)都是對主題和對象的準確描述。

　　對象分類是一種方法，但是值得注意的是，對機器視覺引擎的“訓練”越多，它就變得越精確。

　　哈佛藝術博物館(Harvard Art Museums)、明尼阿波利斯藝術博物館(Minneapolis Arts Museums)、挪威國家博物館(NorwegianNational Museum)等博物館率先嘗試了這種方法，并公開分享了他們的發現。

　　對情緒分析的影響

　　如果圖像出現人臉，機器視覺可以通過分析人臉特征來判斷所描繪的人臉的情緒狀態。

　　為了測試這個過程，我們通過Microsoft Cognitive Services的Emotion API運行了一些肖像。

　　對文本/字符識別的影響

　　從收藏的物品中提取文本的功能存在實現的可能性已經有很多年了，近期，“光學字符識別”工具的出現使得這一功能更加容易達成，通過云API使用速度更快。

　　雖然對于勞倫斯•韋納(Lawrence Weiner)的作品來說，這可能不是絕對必要的（因為他作品中標題和文本通常相同），但這功能最大價值可能是從書面文檔（古文字等）中提取文本，以便于搜索和分類。

　　對精確色彩構成的影響

　　色彩構成是一個元標記，不太可能在大多數博物館的數據庫中找到。通過計算機視覺工具運行一個對象的圖像可以提取和輸出與其顏色簇、分區和直方圖數據相關的數據。庫珀休伊特，史密森尼設計博物館和谷歌藝術與文化已經實施了這一過程，以擴展新的發現方法。

　　對識別相似性影響

　　在作品集中，是否有其他作品在主題、視覺構圖上非常相似？計算機可以看到這些關系并量化它們的異同。

　　例如，這兩幅克萊福德·斯蒂爾（Clyfford Still）復制品略有不同，準確地說是5.58%。

　　克萊弗德博物館(Clyfford Still Museum)的“重復/再造”(Repeat/Recreate)，這本身就是一場精彩的展覽。博物館數字媒體總監莎拉·溫伯德(Sarah Wambold)在一篇文章中也把這個概念的名字取為《雙胞胎》(Wambold,2016)。

　　對藝術鑒定的影響

　　早在2008年，美國公共廣播公司(PBS NOVA)就報道過電腦幫助辨別贗品和原創杰作的案例。這個項目是與梵高博物館合作的，它要求計算機科學家制造工具來分析筆觸和識別贗品。

　　2016年9月，人工智能成為英國泰特美術館展覽和項目的核心主題。2016年IK獎的獲得者運用了機器視覺的各個方面，如主題識別、構圖、面部識別等。

泰特英國IK獎

　　結論

　　人工智能被譽為“未來”。“在尋求商業、科學和教育潛力的各個領域，都有尚未開發的價值有待釋放。”機器學習和視覺工具比以前更容易獲得，博物館有機會在之前過于昂貴或資源稀缺的領域進行創新和優化。

　　至于更廣泛的人工智能應用，我們必須承認，創意機器人已經在創作繪畫、寫劇本和作曲。在未來，AI會寫對象標簽，腳本音頻指南，并協助解釋嗎?我們應該讓機器來做這些嗎?

　　史蒂芬·霍金預言:“在未來100年里，計算機將取代人類成為人工智能的霸主。”當這種情況發生時，我們需要確保計算機有與我們一致的目標。這聽起來可能有些不祥之兆，但我們可以(幾乎)肯定，博物館和文化機構將把人類的最大利益放在心上。這僅僅是個開始。