This Climate Does Not Exist — 利用人工智能可视化气候变化影响的工具

2021年11月25日, 17:00

针对全球自然灾害数量急剧增加的状况，Mila（魁北克人工智能研究所）的人工智能研究团队开发了一个网站，让人们可以看到气候变化对地球上任意地址可能产生的影响。

如果这个地方遭遇严重洪水、森林大火或烟雾笼罩，它会是什么样子？该网站This Climate Does Not Exist利用一类称为生成对抗网络（GAN）的机器学习算法，在谷歌街景中为该地点生成逼真的气候变化影响滤镜。

这一体验让用户更清楚地认识到，如果全球对气候变化的应对仍然无效，可能出现的情景。该项目是两年工作的成果。在约书亚·本吉奥的领导下，超过30名专家和员工参与其中，包括公司的首席研究员萨沙·卢乔尼、维克托·施密特和亚历克斯·埃尔南德斯-加西亚。项目得以实现，离不开众多合作伙伴的资金和技术支持。

This Climate Does Not Exist是一项基于人工智能和同理心的体验，让用户设想当前气候危机对环境的影响。GAN是一类机器学习框架，使计算机能够生成和转换图像。

研究人员将项目命名为“这种气候不存在”，旨在强调气候变化正在全球范围内造成可怕的后果，即使这些后果尚未出现在你的后院。这也呼应了一种趋势：利用人工智能生成不真实事物的图像，例如人物、猫、蝴蝶，甚至腿。

“我们选择这个名字，是为了说明：尽管呈现气候危机后果的AI生成图像并不真实，但它们有助于提高认识并推动行动”，项目创建者表示。他们并非气候科学家，但尽力从气候行动网络等合作伙伴那里收集了可靠的资料来源。

计算机科学家对气候变化及其环境影响非常关注。他们决定利用人工智能让世界变得更好。气候变化是人类面临的严重挑战。要防止其灾难性后果，需要政策和人们行为的双重改变。

然而，许多认知偏差使人们难以采取行动，因为气候变化是一种抽象现象，人们很难将其视为对自身的直接威胁。这导致心理上的疏离，而这种感知距离既可能体现在时间上（气候变化的后果位于未来），也可能体现在空间上（其许多影响发生在远离我们的地方）。

研究表明，向人们展示气候变化后果的图像（被淹没的城市、被大火毁坏的森林以及笼罩在烟雾中的城市），可能有助于缩小这种心理距离，尤其是当这些地方对观众来说很熟悉时。

“我们认为，利用人工智能生成个性化的气候影响图像，将特别有助于克服行动障碍，并提高人们对这一重要问题的认识。我们希望这个项目能让观众重新审视自己的认知偏差，并采取行动，无论是个人还是作为全球社会的一员，以阻止气候变化”，科学家们表示。

生成对抗网络（GAN）于2014年在蒙特利尔发明，使人工智能能够生成图像、文本乃至音乐等新内容。最初，GAN学会了从一组示例（例如各种人的图像）中生成人的图像。随后，它们得到改进，能够将一组图像转换为另一组图像。这一过程首先在CycleGAN架构中实现，该架构可以将马变成斑马、苹果变成橙子，将冬季景观变成夏季景观。

生成对抗网络或GAN是由两个神经网络组成的人工智能模型：生成器和判别器。这两个网络相互竞争。生成器的目标是通过创建尽可能逼真的图像（例如被淹没的街道）来欺骗判别器，而判别器则试图区分生成器创建的图像与真实的被淹场景图像。这一过程促使生成器逐步提高所生成图像的质量，并越来越频繁地欺骗判别器。

在训练过程结束时，生成器生成的图像应当与真实图像无法区分。这被称为“收敛”。在实践中，要实现这种相似性很困难，因为图像具有大量特征和属性，因此生成器必须学习非常复杂的数学函数才能生成逼真的图像。正因如此，研究人员花了数月时间来开发和训练GAN。

具体而言，他们的方法将生成场景的任务拆分为几个部分。第一部分专注于学习一种通用的“表示”，即一组压缩图像信息的数字。第二部分利用这些信息，从同一表示中生成不同的事件。这形成了一条高效的处理流程，科学家无需多次处理输入图像即可生成不同事件的可视化效果。相反，他们复用这一中间的“编码”阶段，即图像内容的编码。

在可视化烟雾时，系统利用中间表示生成深度图，预测每个像素与摄像机的距离，从而能够正确缩放烟雾，使较远的物体比近处的物体更模糊。