- AI“技”風來了，CG行業(yè)將會有什么風吹草動呢？
近年，隨著AI技術的不斷普及，各界對于AI的態(tài)度也是各有不同，其中有一部分人持反對意見：AI是否會取代我們的工作，會不會有一大批人將面臨失業(yè)的威脅？
確實，人工智能的快速崛起會替代掉一部分就業(yè)崗位。據(jù)現(xiàn)狀推測：未來結婚率越來越低，人口會逐年下降，生孩子的人越來越少了，人口老齡化加劇，年輕人也只會去干自己喜歡的工作，那些空缺出來的工作崗位，人工智能會補位。與其說AI沖擊了就業(yè)市場，不如說AI的到來時機恰到好處。
由上圖可發(fā)現(xiàn)，人工智能替代的大多是固定模式工作，有人說以后有工作的只有兩種人：“藝術家”和“科學家”。映射到我們這個行業(yè)里所有使用軟件的都是“藝術家”，所有的TD們都是“科學家”，那結論是不是說，CG行業(yè)的人工無可替代？
其實不然，行業(yè)里確實有一些固定模式工作，比如人工智能最容易沖擊的領域：“圖像視頻編輯”，也就是合成領域。
現(xiàn)在大家在網(wǎng)上看到的大量軟件與插件，多多少少都帶了“AI...”的字眼，但是真的智能嗎？比如AI建模，AI剪輯，一鍵roto，一鍵paint，一鍵MP，AI調色...，很多類似的功能，你使用過嗎？真的智能嗎？這還得從人工智能的工作原理說起...
人工智能
人工智能是由模擬人類大腦神經(jīng)元開發(fā)出來的一種表現(xiàn)形式，早期叫做“機器學習”，“神經(jīng)網(wǎng)絡”，現(xiàn)在叫做“深度學習”，上圖表示的是神經(jīng)元的學習過程。
對以上深奧的公式理解不了的同學，可以做一個簡單但是不標準的理解：把一堆神經(jīng)元串在一起就是神經(jīng)網(wǎng)絡。
在深度學習中，通常反復的訓練網(wǎng)絡，讓網(wǎng)絡的錯誤率越來越低，這個步驟叫做“梯度下降”：loss值越小，整個網(wǎng)絡的功能就越好。這就很好理解了，就像平時做“相機反求”，我們反復調整參數(shù)，點數(shù)量，曲線等，為的就是最小化錯誤率值，從而得到最好的反求效果一樣。
深度學習中的“三大馬車”可以簡單的了解下，他們每次的聚會都是可能改變AI的發(fā)展趨勢。
Hinton：
深度學習教父，是反向傳播算法的發(fā)明人之一，2013年加入Google。之后Google推出了深度學習框架Tensorflow，高級的API：Keras等。
LenCun：
卷積神經(jīng)網(wǎng)絡之父，2013年加入Facebook。之后Facebook推出了深度學習框架PyTorch。
Bengio：
一直在蒙特利爾大學任教。說的一句話值得每個人學習：“我留在學術圈為全人類做貢獻，而不是為某一個公司賺錢”。
神經(jīng)網(wǎng)絡訓練的借鑒意義
神經(jīng)網(wǎng)絡的訓練特點對我們有什么啟發(fā)呢：人工都這么努力了，身為人不努力一定會被替代。所以我們可以借鑒相同的模式訓練自己。
分析部分上圖，具有前瞻性的指導意義。
BigData：
是大數(shù)據(jù)的意思，如果你想訓練一個好的網(wǎng)絡，一定要有龐大的數(shù)據(jù)，就算是手里只有小數(shù)據(jù)，可以通過數(shù)據(jù)增強把小數(shù)據(jù)變成大數(shù)據(jù)。
Dropout：
是過擬合，就是因為數(shù)據(jù)少反復訓練的只有一個種類，導致神經(jīng)網(wǎng)絡做一種工作很好，換一個近似的就不行了。
我們在剛入行時，或者在培訓期間會有這種情況：別人講過的鏡頭可以完成，但是只會反復做一類鏡頭，如果遇到別的種類就沒有思路，為什么？因為練的種類少。所以在平時學習期間一定要多做多練。
Initialization：
初始化，在訓練神經(jīng)網(wǎng)絡時，初始化是最重要的一項，從神經(jīng)網(wǎng)絡誕生到現(xiàn)在一直都是很重要的一項?？梢园丫W(wǎng)絡想象為三維模型，一個小球從任意位置釋放，小球滾到模型最低點需要多久？能不能滾到都是個問題。如果說我們釋放小球的位置就是最低點呢，那瞬間就可以滾到。
把這個初始化可以理解為：人的出身，如果說你出身富貴那你可以不用努力，但是大多數(shù)人都是需要工作和努力的，無論是小白培訓期間你的老師，還是在日常的工作中你的同事，他們的技術水平或者生活圈子，就是你的初始化。如果老師水平高，有可能你畢業(yè)就比工作2年的成手技術要好，如果圈子高端那你一定走的更遠，所以找到適合自己的初始化很重要。
應用場景
有了基礎的理論知識，可以開始看實際的應用場景了。
下圖是一個最簡單的5層“卷積神經(jīng)網(wǎng)絡”，專門用來處理圖像，“卷積”的意思可以理解為渲染器的逐行掃描，一行一行的觀看圖片，提取圖像特征。
通過以上介紹大家應該多少對“深度學習”有了一定的了解，接下來舉幾個例子加深大家的理解。
代碼摳像（亮度）-人臉識別-圖像分類-目標檢測-實例分割（roto）-風格轉換（合成）-圖像生成（MP）等...
總結
其實目前的AI技術離我們的CG還很遠，因為制作精度逐年升高，人工智能滿足不了現(xiàn)在CG行業(yè)要求，所以無論是軟件還是插件只是AI輔助，還是需要大量的制作人員，就算是固定模式崗位也暫時不會受到?jīng)_擊。
但我們的行業(yè)標準人工智能做不到嗎？答案是：做得到，而且比人做的好。如果你不能時刻保持學習與進步的心，一定會被淘汰，一個制作公司80%以上的員工絕對沒有學習意識，工作中只有手機與工作，這是人類惰性問題，但是AI可是在24小時無間斷進步著的呀。
AI可以完成CG中的任何一環(huán)，但需要百度，谷歌，阿里級別的科技公司立項研發(fā)，很快就會攻破。理論上“深度學習”能做任何事，但你會發(fā)現(xiàn)他們都在干什么？醫(yī)療、自動駕駛、安防、金融等“暴利”領域發(fā)展，我們已經(jīng)看到了普通駕駛員，收銀員，客服等失去了工作，因為那是AI主攻的方向。但在一線學術界，已經(jīng)放棄了某些行業(yè)的AI研究，所以我們暫時是安全的，為什么我們會如此安全呢？
因為......
你知道答案了嗎？
