11月12日動靜，據(jù)國外媒體報道，也許你今天還在為應該聽什么歌而發(fā)愁，但是不久的將來互聯(lián)網(wǎng)音樂產業(yè)將采用更提高前輩的方式來為你解決這個題目。谷歌、百度和Spotify還沒有徹底向外界展現(xiàn)該辦法的全貌，但他們都盡力在用一種叫做“深度學習（deep learning）”的人工智能體系為用戶供給非常好的音樂播放列表。

“深度學習”是人工智能的的一個訓練體系分支，稱為“人工神經網(wǎng)絡”。目前，所有這些公司都禮聘了“深度學習”專家。包括谷歌、baidu在內的公司把“深度學習”工具用于各種意圖-廣告、語音辨認、圖像辨認乃至是數(shù)據(jù)中心優(yōu)化。有一家創(chuàng)業(yè)公司甚至打算用“深度學習”識別醫(yī)學圖像的模式。

現(xiàn)在，這些公司正在轉向音樂產業(yè)。根據(jù)音樂流媒體服務的神經網(wǎng)絡，無需音樂家的點撥，就可以識別音樂的和弦形式。然后推薦符適用戶喜好的歌曲、專輯或藝術家。把這些雜亂的體系投入實踐使用不是一朝一夕的工作�？墒牵�一旦該技能變得老練，“深度學習”可能讓用戶未來對于音樂流媒體服務無法割舍。

音樂流媒體神經網(wǎng)絡發(fā)源

人們開始關注音樂流媒體神經網(wǎng)絡發(fā)源于比利時根特大學去年的學術論文。該大學的電子和信息系統(tǒng)有些發(fā)表了名為《存續(xù)核算》的論文。該論文說明晰運用卷積神經網(wǎng)絡（細胞神經網(wǎng)絡）挑選歌曲特點的辦法。而不是像工程師曾經那樣使用神經網(wǎng)絡來觀察圖畫的特征。

該論文發(fā)現(xiàn)，他們的方法可以“產生公道的建議”。更重要的是，他們的實驗表明，該系統(tǒng)“明顯優(yōu)于傳統(tǒng)的做法”。微軟的研究職員最近甚至引用該論文作為“深度學習”領域的概述。該論文也引起了Spotify的留意。論文作者Dieleman表明，“他們約請咱們去Spotify的單位談了談相關內容，我想我們的論文長短常有匡助的。”

業(yè)界廣為接受

“深度學習”首先從Spotify的系統(tǒng)中脫穎而出。目前，Spotify采用較為傳統(tǒng)的數(shù)據(jù)分析方法，對特定的音樂在互聯(lián)網(wǎng)上的文本內容進行剖析，以及對歌曲自身進行聲學剖析。聲學剖析根據(jù)歌曲的某些特質，好比節(jié)奏、音量和按鍵。該體系需求很多特定范疇的信息輸入。但比利時人所發(fā)明的“深度學習”辦法，則徹底不同。

“深度學習”分析的是聲響波形，并假定我們不知道歌曲的內容。然后機器就可以主動分分出全部成果。它是一個非常通用的模型，有很大的潛力。該系統(tǒng)沒有采樣Spotify的數(shù)據(jù)，只是依據(jù)歌曲的相似性供給播放列表。當前該體系并不是Spotify所運用的選歌方法的完滿替換。但該公司以為這是值得進一步研究的東西。

同時，“深度學習”已經在谷歌派上了各種各樣的用場，而且其職工必定正在查詢該理論在音樂流媒體方面的應用也許。google一名專心于音樂技術的科學家道格·�？艘詾�，“令人激動的‘深度學習’代表了一個完整的革命，絕對的革命。”

不外麻煩的是，“深度學習”也許在檢查歌曲相似性方面做的極好，但優(yōu)化挑選結果也許意味著多種數(shù)據(jù)的檢查，這并不輕易。所以“深度學習”可能并不是一個音樂分析軟件的簡易替代。它可能是另一種東西，或許不只可以用于確定播放列表，它的潛力不止這些。道格·�？吮砻�“我所看到的是，‘深度學習’使咱們可以非常好地輿解音樂，使我們能夠真正更好地了解音樂是什么。谷歌可以利用它打造更好的產品，一個更好的流媒體服務。”

未來無窮可能

最重要的是，“深度學習”可能匡助人們發(fā)現(xiàn)新的音樂。這些音樂也許當前不受期待，但用戶聽過以后卻也許會喜愛。但從底子上說，關于那些介紹給聽眾新音樂的剖析體系，未來仍舊是一個挑戰(zhàn)。良多流媒體播放服務固然已經積累了豐碩的音樂數(shù)據(jù)。但不幸的是，老是有新的音樂，因此流媒體音樂服務仍是要一種通用的分析方法。

另外，“深度學習”不只是為音樂興趣者預備。對于藝術家，“深度學習”也可以匡助他們。不基于銷量名氣，而只關心音樂本身的分析方法，可以更好的匡助那些獨立音樂人以及新人歌手及時的被聽眾發(fā)現(xiàn)。