AI改寫《權游》結局，和編劇比誰更爛？

作者 | Chintan Trivedi

譯者 | 劉暢

責編 | Jane

出品 | AI科技大本營（id：rgznai100）

前言

《權力的遊戲》結局爛尾？

《權力的遊戲》第八季崩盤，在一片「爛尾結局」的評價聲中落下了帷幕。採訪身邊很多劇迷的觀後感，一位同事給的評價只有一句話：「書是一本好書」。

近日，國外，Medium 平台一位作者也分享了他的感受：

「權力的遊戲」第8季的故事情節，因為其匆忙而不盡如人意的結局，讓數百萬名粉絲（包括作者）十分失望。大部分人都在呼籲重寫該劇的最後一季，而其他人為了讓自己舒心，則想出他們自己版本的結局。大家都在等待GRRM完成他的書，希望他能塑造一個更令人難以置信的角色，但這可能需要很多年。

作為一名技術人，任何問題都會忍不住想一下：技術能不能搞一下？

如果讓 AI 學習 GRRM 的寫作風格，然後寫一個結局如何？

AI 能寫得更好嗎？

隨後，作者便用年初 OpenAI 提出的 GPT-2 文本生成模型實踐操作了一波。模型學習的是《冰與火之歌》（A Song of Ice and Fire）原著，輸出三大反派人物（the Night King, Cersei Lannister and Daenerys Targaryen）的結局。

接下來的內容，我們會先簡單一下 GPT-2，詳細的介紹可以參考我們以前給大家推送的文章；然後介紹一下作者訓練模型的方法；最後根據模型生成結果進行總結與反思。文章沒有涉及非常詳細的技術細節，而是從方法上幫助大家整體把握，後續無論是增加數據集，還是結合自己需求做調整，思路都可以借鑒，對技術細節沒有進行詳細說明。

GPT-2（生成預訓練的遷移模型）

在現有的 AI 語言模型中，GPT-2 是一種達到了 SOTA 效果的文本生成模型。他能生成類似人類語言的連貫性語句，並且可以長期關注某個主題。 相比於其他語言模型，GPT-2 兩個較大改進在於：

大量數據：研究人員抓取了 800 萬個網頁，製作了一個 40GB 的文本語料庫，用於進行無監督的訓練。它涵蓋了各種各樣的主題，這就是為什麼預先訓練的模型非常適合遷移到特定領域，比如這次我們用到的原著 GoT。

大量計算：Transformer 模型結構中使用了 15 億個參數。不過，出於安全考慮，他們發布了僅包含 3.45 億個參數的較小版本。這次的模型也是使用這個版本。

遷移模型

GPT-2 使用的是 Transformer 網路架構，而不是序列建模傳統模型 RNN、LSTM 等網路。不同之處在於 Transformer 使用基於注意力機制的解碼/編碼器，而不是擁有"memory"門和時間步長的循環單元。

編碼器利用位元組對和位置嵌入處理輸入，其中位置嵌入描述的是輸入句子中「嵌入的單詞」和「在何處嵌入」。相同的編碼器將位元組和位置嵌入轉換為矢量編碼，然後將該矢量編碼輸入解碼器，解碼器的任務是將編碼轉換為目標文本序列。 該輸出和來自前一步驟的編碼被饋送到下一個編碼- 解碼步驟，並且重複多次，以產生更好的文本序列。

下面的鏈接文章詳細的解釋了這個模型架構：

https://blog.floydhub.com/the-transformer-in-pytorch/

而 GPT-2 就可以經過訓練，預測給定輸入句子中的下一個單詞。如果模型可以相當準確地預測下一個單詞，那麼模型可能具備理解輸入單詞上下文含義的能力。如果不理解文本，語言模型只能預測符合語法規則的單詞，而生成的文本可能不會符合語義規則。不同於機器翻譯任務中的 seq2seq 模型，GPT-2 僅使用預訓練模型 Transformer 中的解碼器來生成後續文本，在文本生成期間並不需要編碼器。

訓練模型

數據：作者從《冰與火之歌》的 5 本書中摘錄，組合文本數據用於訓練。

模型：預訓練 GPT-2 模型包含 345M 參數。

時間：該模型在 Google Colab 的 K80 GPU 上訓練了大約12個小時。

在訓練過程中，作者意外發現，預訓練模型很擅長撰寫《權利的遊戲》里的角色特徵，可能與在初始訓練期已經接觸過這些內容有關。想讓模型撰寫的內容更貼近 GRRM 的風格，需要繼續利用 GoT 數據集。

結果與分析

先在原劇結局中，找出一些令大家感到失望的情節，然後再嘗試用訓練好的 GPT-2 模型生成結果，詳細結果大家可以看下面的視頻介紹，後面會對一些文本輸出做部分介紹。

以下是視頻格式的輸出，後面是相同的文本輸出。

https://youtu.be/_vSov4sldsQ

下面分析一下選取的 3 個場景

失望場景 1：重寫Night King 虎頭蛇尾的結局

根據 GPT-2，Hodor還活著並趕來救營 Bran，這真是一個轉折點！ 或者可能是 Hodor的靈魂進入了 Bran 的身體。不過之後，也不知道這個模型想說些什麼。。。

Lightbringer 是殺死 Night King的劍。如果 Night King 的冰劍原來是 Lightbringer 並且最終會殺死他，那會有多酷？！

就算編劇忘了，不過 GPT-2 還記得關於 Azor Ahai 的預言，還圍繞 Lightbringer 做了不少展開。

這裡有個地方很有意思，不是因為故事寫得精彩，而是因為模型居然知道 the dragon 實際上是「Other」（也就是書中的 White Walker）。將所有這些細節正確地放在一個段落中，真的太奇妙了。神奇的是，這個模型已經完全了解有關人物的這些細節！

失望場景 2：Cersei Lannister 在沒有任何計劃或適當的戰鬥的情況下倒下

嗯，好吧，這個生成的劇本完全是垃圾。 但作者還是保留了它，然後再試了一次！

這次稍微好一些！ 雖然模型輸出的某些細節錯了，特別是關於 Mad King，但」Jaime試圖在那一刻給予 Cersei 力量的想法「還挺不錯的。 也許在這個時候使用某種野路子會給她的故事情節帶來一些正義感。 兩個瘋狂的女王，激烈戰鬥，毀壞城市的剩餘部分。 這也不失為一個更好的結局，表明為什麼 Iron Throne 的戰爭是不好的。

失望場景 3：Daenerys 急速轉彎的結局

總是吃喝的好時光？我聽說 King"s Landing 有一家很好的咖啡店，Dany 可以嘗試（如果它還沒有被燒掉）

這段真是挺垃圾的，讓我們再試一次。

這段也沒有多大意義。兩次下來，似乎模型堅持 Dany 想要將 King"s Landing 的人們從暴君手中解放出來。

總結

雖然嘗試為這些故事情節生成更多的樣本，但沒有哪個能在故事背景下講得通。儘管生成的故事文本不夠好，不過也能看出來模型清晰地描述了角色特徵和技能。，並且在模型輸出結果中也體現了彼此之間的關聯。此外，作者認為 OpenAI 提出的 GPT-2 研究工作，也體現了近來 NLP 領域取得的一些進展。

同時，我們和作者一樣，都很好奇在最大的 GPT-2 模型上訓練會取得怎樣的結果？畢竟模型訓練數據也不是十分充分，感興趣的小夥伴們可以把原著所有的文本數據加入到最大的 GPT-2 模型訓練中，看看是有更多驚喜還是驚嚇？

而無論是編劇的結局，還是 AI 改寫的結局，其實大家心目中的 Perfect Ending 還是要等 GRRM 趕快寫完他的書。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！