我的每一篇AI相关的文章后面，都会有朋友问，自己能不能做AI相关的工作，自己的工作会不会被取代，应该学点什么，现在应该怎么培养自己的孩子，以不被计算机取代……

我其实做过一些回答，今天我用创新工场几位大学生一个月的成长案例，回答大家的问题。

每个人的潜力都很大。只要，保持学习。

先请大家听一首歌：

怎么样，好听吗？

你能相信，这首歌曲的作词、演唱歌手都是机器人吗。

作词机器人是“歆雅”，由DeeCamp训练营多风格人工智能歌词创作组开发。

你只要给她一首曲子，随意定个主题，她就能立刻创作出一首特定风格的歌词，或是忧伤或是欢快，或是低沉，或是高亢，歌词走心，会讲故事。跟歌曲的曲风匹配，而且歌词断句、押韵都有保障。单凭这一点，就要好过市面上大量的口水歌。

上面这首歌，就是根据“可惜不是你”的曲子，谱成的歌词，后面又机器合成，演唱成一首完整的歌曲。

同样一首《告白气球》，方文山的原词是“塞纳河畔，左岸的咖啡”，歆雅的歌词是“塞纳河畔，是不是我们”；一个唱“拥有你就拥有全世界”，一个唱“我寂寞的承诺只要你”。PK一下，看谁写的更有意境。

拥有十年Google工作经验的资深工程师王咏刚，昨天点评这款产品说：

“我以前也做过类似的歌词、诗歌生成工具，大家也见过小冰和其他的创作机器人。所以我们技术人员都清楚，机器人生成诗歌的质量并不十分稳定，好诗究竟占多大比例，只有研发人员自己知道。但这个小组仅仅用6周时间开发出的机器人，生成好歌词的比例非常高，令我印象深刻。”

5名大学生，研发6周

我知道你们有很多问题要问我，怎么做到的？技术有多难？作词的人员是不是要被抢饭碗啦？

马上给你们解答。

这个项目的专业解释叫做：基于GAN+AutoEncoder的歌词生成。设计思路是，让用户选定一首曲子，开奖，并给出一句话作为线索，AI以这句话为“灵感”创作歌词，最终生成一篇风格、主题、韵脚都和给定线索相符的歌词。比起从固定的风格、主题集中选择或者给出确定的关键词的做法，这样生成的歌词拥有更多的灵活性。

要解释的是，这个项目并不是从0开始的，而是在一个公开论文的算法基础上进行的。工程院的导师给了同学们基本的方向指导，给大家配备了足够的硬件设备，小朋友们就开始工作了，先通过网络爬虫，建立歌词语料库。

然后使用对抗生成网络配合自编码器做歌词生成。对抗生成网络拥有生成样本质量高、抗模糊性强等特点，面对其在文本上无法直接应用的问题，小组选择自编码器对文本进行编码，并且通过训练生成器根据上文编码生成下文编码、训练判别器判断一对编码对是否来自真实数据集的方式，使模型有机会将风格、主题、结构、韵律等来自上文的线索纳入学习范围。

“歆雅”在6周的时间里，学习了30多万份歌词文件和20多万份歌曲文件。

据说，过程中闹了不少段子。他们早期开发的机器人编出来的歌词，一会普通话，一会闽南语，一会又不知道跨界到什么语言去了。他们发现原来给机器学习的歌词太杂了，然后机器人的语言系统就混乱了。后来同学们强化算法，筛除其他语言，让机器先学好普通话。

经过反复提升算法，6个月后，就是你们现在看到的这个产品了。

从我的角度看，这个产品还非常初期，有很多可以完善和提高的地方。但想到这只是5个大学生，用了6周做出来的产品，你就不能不赞叹，并且为他们鼓掌了。

AI真的没有想象那么难

而且这六个大学生并非你想象的那么高冷极客，里面还有一位大一的学生，参加这个项目之前，还不懂计算机技术，更别提什么深度学习，神经网络了。

其他4位同学虽然学习了计算机，也用过一些工具，但对深度学习也不甚了解。创新工场AI工程院的“导师”，提出了5个学习方向，根据同学们的兴趣爱好分组，每组配备两名“导师”，答疑解惑，指导方向。然后就开始边学习，边工程研发了。

所以，AI真的没有想象那么难，也没有那么可怕。