在上一章裡，我們明白了為什麼在就業競爭中，擁有創造力很可能是一個人類仍然會對機器保持優勢的特質。就像風險資本家、軟件工程師馬克·安德森（Marc Andreessen）所認為的那樣，在人工智能不斷「蠶食世界」的過程中，那些需要人類創造力的工作很可能禁得起自動化浪潮的衝擊。
然而，這不是說人工智能沒有創造力。2015年6月，谷歌公佈了Deep Dream項目。這家更關注工程而非美學的公司設立的這一研究項目十分迷人。Deep Dream是一個由人工智能驅動的圖片生成程序，工作時它會利用谷歌耗時15年建立索引的圖片庫。幾乎可以肯定地說，谷歌擁有最多歸檔了的數字化圖片，這些圖片被史無前例地匯聚在一起。2001年，谷歌已經擁有了2.5億張建立了索引且可供用戶搜索的圖片。2005年，這個數字增至10億，截至2010年，該索引數量再次飛躍，達到了100億。時至今日，這個數字應該遠勝以往。
在第二章裡，我們看到谷歌利用深度學習神經網絡，讓機器智能地識別各個圖片的內容。比如，為了識別什麼是椅子，谷歌的程序員向神經網絡展示了數百萬張椅子的圖片。接收了幾百萬張圖片之後，神經網絡已經可以確定什麼是椅子，什麼不是椅子。人們可能會想，看了這麼多的椅子，如果它想的話，閉著眼睛都能畫出一把椅子。
而這正是谷歌的計劃。
谷歌通常使用自己的圖片識別神經網絡將圖片歸類，而不必由人工完成。比如，谷歌相冊允許用戶輸入如「摩天大樓」或「畢業」等搜索關鍵詞，隨後其神經網絡會立即開始查找高大的塊狀建築或學位帽。利用Deep Dream，谷歌團隊設想，通常用於分類和識別圖片的流程也可以用於從無到有地生成圖片。這個設想是這樣的，在從每一個可能的角度查看了幾十萬把不同的椅子之後，谷歌的神經網絡應該不僅能夠識別椅子，而且還能再現一張完美的柏拉圖式椅子：本·斯蒂勒（Ben Stiller）主演的《德裡克·祖蘭德》（Derek Zoolander）中的人物可能會將之稱為「椅子的本質」。與其說這種再現是基於看到的某把具體椅子，不如說谷歌將其所知道的椅子的一切信息提煉後創造了一把新的椅子。
至少當時的設想是這樣的。在Deep Dream項目中，谷歌工程師們實際上利用了生成圖片的神經網絡的一個有趣的怪癖。無人協助時，神經網絡就會變得困惑：它從谷歌的100多億張圖片中發現了不尋常的關係，因而很難計算出物體的邊界。因此，谷歌給柏拉圖式物體（完美的椅子的本質）帶上了一些不同尋常的附件，如從Deep Dream的理想化啞鈴上垂下一條修長豐滿的胳膊，看上去就像粉紅色的長橡膠管。正如谷歌軟件工程師亞歷山大·蒙德維特塞夫（Alexander Mordvintsev）和邁克·泰卡（Mike Tyka）在博客裡寫的那樣：「雖然圖片上有啞鈴，但是似乎沒有肌肉發達的舉重運動員把它們舉起來的話，啞鈴圖片就顯得不完整。在這種情況下，神經網絡無法徹底提取啞鈴的本質，或許它永遠無法展示一個沒有被手臂舉著的啞鈴。」
通常，谷歌會修正「這類訓練事故」。但是對於Deep Dream，谷歌決定從相反的方向開始。其結果是帶來了超現實的圖景，而這似乎更應該感謝薩爾瓦多·達利（Salvador Dal）和H. P. 洛夫克拉芙特（H. P. Lovecraft），而不是谷歌的聯合創始人拉裡·佩奇和謝爾蓋·布林。谷歌團隊讓神經網絡重點關注其發現的所有異常現象。由於接到的指令是極度重視在每張圖片中發現的元素，Deep Dream創造出了奇妙的夢幻之旅。神經網絡收到圖片，並按要求對其分類，隨後再加入細節，就會陷入了一個陌生但迷人的反饋回路。Deep Dream讓雲與鳥相伴，併力圖使圖片更像「真正的鳥」。一張晴空的照片會很快被谷歌理想化的鳥兒所佔據，彷彿世界上最強大的搜索引擎一夜之間決定成為一名塗鴉藝術家。同樣的事會發生在你展示的所有圖片上，彷彿谷歌的神經網絡從虛無中創造了整個夢幻世界：大樹變成了華麗的建築，樹葉變成了昆蟲，而克羅地亞空闊的海洋變成了外星球的城市風光。
Deep Dream可能不會收到今年的特納獎（Turner Prize）提名，但完全可以肯定的是：這就是創造力，谷歌風格！