与其它行业一样,在音乐行业,AI技术能够实现服务自动化、发现大量数据集中的模式与见解、并提高执行效率。
AI推动音乐产业的迅猛发展
企业正逐步被技术重塑,音乐行业同样不例外。麦肯锡报告显示,到2030年,将有70%的公司至少采用一种AI技术。AI可以用作补充并增强人类的工作能力、业务效率。利用AI带来的见解与支持,我们将能够更高效地做出更好的选择,并借此推动增长与创新。在AI技术的影响之下,创作流程可能也将发生变化。
Scott Cohen是音乐行业的一位意见领袖,他看到了技术对于音乐行业未来前景的潜在影响。他对数字音乐时代下发行厂商的运营构思,最终发展成为The Orchard公司——2015年被索尼以2亿美元收购。在Eurosonic Nooderslag大会的主题演讲当中,他表示“每过十年,都会出现一些给音乐行业带来深远影响的事物。了解到这一点,我们还有理由对科技界的动向漠不关心吗?”
他解释称,目前每天有2万首新曲目被上传至Spotify,AI技术则能够快速对这些曲目进行分类,并根据听众以往的喜好为其提供推荐内容。在Cohen看来,AI与大数据的出现令“音乐风格”变得不再适用;因为AI所生成的播放列表不再基于风格流派,而更关注音乐本身的质量。此外,他还提到,我们当前拥有无限选择空间的模式将被打破,并推荐了一个新的可信推荐模型。区块链等技术能够让人们不再需要通过中间商与音乐作品建立联系。音乐演出行业也应该考虑如何将增强与虚拟现实融入音乐会体验当中。
AI创作音乐
早在1951年,英国计算机科学家阿兰·图灵就已经开始利用几乎塞满整层楼的机器记录计算机生成的音乐。近年来,新西兰研究人员在65年之后重新恢复了这些录音。如今,AI或者利用AI技术创作音乐的尝试仍在继续。AI在创作音乐作品之前,首先会分析来自不同作品的数据。通过强化学习,算法能够学习到哪些特征与模式更能创造出令人愉快或者朗朗上口的音乐旋律。AI模型还能够以独特的方式将各种元素组合起来,从而组合成创新的音乐数字。
科技企业正在投资未来,希望利用AI技术创作或协助音乐家创作音乐。谷歌的Magenta项目是一套开源平台,AI与索尼借此共同编写出的Flow Machines系统已经发行了第一首AI原创作品“Daddy’s Car”。
音乐行业的音乐家以及专业人士也需要尽快掌握技术技能,以充分利用AI工具的力量帮助他们更好地完成工作。
Jukedeck 以及 Amper Music等其它AI服务也在帮助业余音乐家在AI技术的支持下编写自己的音乐作品。
利用AI进行音频控制
音频母带制作过程当中,AI也能够针对任意设备进行聆听体验优化。基于AI技术的母带制作服务(例如LANDR)为音乐家们提供了一种成本远低于人类母带制作服务的替代性方案。截至目前,已经有超过200万音乐家利用它制作出超过1000万首歌曲。虽然音频母带制作仍然涉及一些创意性元素,也有不少人更倾向于选择人类合作者,但AI技术确实帮助更多不具备音频调整技能的艺术家们解决了这个大难题。
AI、音乐营销与发现下一位大明星
听众们将如何发掘出新的艺术家,消费者又该如何判断试听谁的作品?在这方面,AI技术同样能够帮上大忙。根据BuzzAngle Music发布的2018年年终报告,单在这一年当中美国的音频流点击量就高达5346亿次。帮助新艺术家们进行自我营销无疑会带来高昂的成本,而如果无法有效完成营销,大量才华横溢的艺术家都有可能遭到埋没。AI技术能够帮助确定哪些粉丝会喜欢上哪些艺术家的作品。同样,以Spotify的Discovery Weekly为代表的AI支持型功能可以为每位听众提供精选作品铺,帮助粉丝们对音乐资源进行快速分类,以找到能够真正吸引他们的新作品。
人工智能还通过A&R(艺术家与曲目)发现给音乐行业带来巨大助力。以往,梳理音乐作品并寻找有潜力的未签约艺术家一直是项极为困难的工作;在如今这个流媒体音乐泛滥的时代下,问题的严重性又更上一层楼。华纳音乐集团去年就收购了一家科技初创企业,该公司利用算法审查社交、流媒体与巡演数据,用以寻找有前途的人才。苹果公司也收购了一家专门从事音乐分析的初创企业,负责支持其A&R流程。
总而言之,AI技术正在幕后悄悄改变着我们聆听音乐的方式。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。