机器写作时代的科幻小说创作

刘洋

这是一个机器写作迅速发展并逐渐进入多个文本生成领域的时代。在新闻报道、行业报告等实用文体上，机器写作已经展现出巨大的潜力，而随着深度学习等人工智能算法的介入，人们也开始尝试将其用于一些文学文本的写作试验。在我国，文学领域的人工智能写作较多地集中于诗歌这一文类——既有现代诗，也有古体诗。近年来，一些团队开始尝试开发可用于小说写作的智能算法，如创新工场的“AI科幻世界”、彩云科技推出的“彩云小梦”等。

上述两款小说写作工具，都需要和人进行合作。比如“AI科幻世界”，需要由人给出故事背景和登场的人物，再写出几句话作为小说的开头，程序便可以在这句话之后自动生成4段简短的文字，作家可以在其中选择一段，也可以让程序重新生成，直到出现让作家满意的文字为止。选择出合适的段落后，作家可以对其稍作修改，再让程序继续生成新的文字，如此往复，直到完成整篇小说。从这一写作模式来看，显然这些写作算法还缺乏独当一面的能力。

当前的文本生成算法普遍使用了GPT（Generative Pre-Training）模型，与其他的深度学习算法相比，其优势在于不依赖于大量的人工标注信息，仅需要在无监督的模式下进行学习就可以显著提升模型的性能。简单来说，就是让机器自主阅读大量的文本，即所谓的预训练，然后再根据具体的需求，給它一些现成的文本对模型进行微调。通过这种方式训练好的模型，可以写出合乎语法规范的句子，甚至可以模仿某个特定作家的文风。但其缺陷也是显而易见的——缺乏创造性。

在小说创作中，创造性的一个重要体现是情节的构建，即通过叙事过程将一连串合乎逻辑却又出人意料的事件连缀起来。上述文本生成算法，都不具备篇章级别的情节统筹能力。因此，如果想要通过此类算法生成故事性较强的文本，必须将其和某些叙事生成算法进行整合。叙事生成研究虽然开始于20世纪70年代，目前也产生了如Interactive Storytelling、MakeBelieve、Fabulist等各种叙事系统，但每种算法都有其局限性。例如，Interactive Storytelling是一个以角色为中心的叙事生成系统，作者事先设定好故事人物的行为规划，然后通过人物的自主交互产生故事，其产生的故事较为机械，灵活性不足。MakeBelieve是基于常识库的故事生成系统，可以产生逻辑性较好的故事，但内容通常比较平淡，缺乏戏剧性的故事冲突。因此，如何在机器写作中自主建构富有创造性的情节，仍然是该领域面临的重大挑战。

具体到科幻小说的创作上，它又具有一些与传统的现实主义小说不同的特征，从而进一步加大了机器写作在这一文类创作上的难度。例如，创作时，科幻作家经常创造一些新的名词，从赫伯特·乔治·威尔斯（Herbert George Wells）创造的“时间机器”，艾萨克·阿西莫夫（Isaac Asimov）的“心理史学”“时空竖井”，到刘慈欣的“宇宙社会学”“二向箔”，等等。这些词汇，有的是将两个普通词语连接在一起，有的则是完全新造的词汇。这种创造新词汇的能力，是当前所有机器写作算法都不具备的。且不说完全新造的词汇，就是如“时间机器”这样将“时间”和“机器”进行简单连接的构造，机器写作也无能为力。我们假设在威尔斯出版《时间机器》（The Time Machine）之前，用一个时间机器将现在的写作程序和计算机传输到那个时代，让它阅读当时所有小说乃至所有诗歌、散文、新闻报道、学术论文等一切文字所组成的语料，它也无法在写作中创造出“时间机器”这个词汇，因为在之前的语料中，这种连接从未出现过，因此程序会将这种连接标记为错误的、不合规范的。相反，如果我们启用一个没有经过任何学习过程的写作系统，让它随机地调取词汇进行写作，倒还有可能写出“时间机器”这类词汇。换句话说，写作程序的阅读学习过程，不仅没有增加其创造性，反而是一种对创造性逐渐压制的过程。

退一步说，即使我们为算法打一个补丁，让它可以通过拼接普通词汇的方法创造新词，这也是毫无意义的。我们常常嘲笑一个蹩脚的科幻作家，说他们“遇事不决，量子力学”，这是因为他们在作品中动辄在各种词汇前面加上“量子”二字，比如量子音乐、量子麻醉枪等，却对此不作任何额外介绍，甚至连一句描述都没有。显然，这样的新词汇是无法给读者带来惊奇感的，因为它们背后没有系统性的设定作为支撑。同样，如果在机器写作中进行了新词汇的构建，那么，它也应该附带完成一整套的相关设定，这样才能让这些新词汇产生意义。

再者，如果一个作品中引入了若干项设定，这些设定之间还应该彼此协调、相互支撑，这就是所谓的世界建构。可以说，在科幻作品中，世界建构是与情节设计同等重要，甚至更重要的一项整体性架构，是体现科幻作品惊奇感的核心依托。对于作品所涉及的新奇世界的设计，在凸显其惊奇性的同时，也要注重其科学性和逻辑性，同时还要使其与故事情节、人物等要素相贴合。因此，世界建构是大部分科幻作品中作者创造性的集中体现，而这显然也是当前所有机器写作模型包括叙事生成模型所无法完成的。

说了这么多，那是否意味着科幻创作——特别是科幻作品的世界建构，是无法由程序和算法来承担了呢？倒也不用如此悲观，只不过我们需要特别设计一套用于科幻作品世界建构的算法，再将其整合进现有的叙事生成算法和文本生成模型中。就笔者的创作经验来看，在世界建构的某些环节，机器学习的确可以发挥重要作用。

例如，科幻作家在对虚构世界的自然环境进行推想时，常常需要查阅大量的资料，以考察某一设定会对该世界的哪些部分造成显著影响。在《重力使命》（Mission of Gravity）里，哈尔·克莱蒙特（Hal Clement）描写了一个重力极大的星球所具有的生态，科幻电影《阿凡达》（Avatar）则展示了一个富含常温超导矿物的星球所呈现出的奇特景观。这类作品的世界建构极其复杂，因为它需要用到物理、化学、地质学、生物学等各种学科知识。即便作者是某个学科的专家，他也不太可能熟悉所有领域，因此在世界建构时往往需要大量时间进行学习。但如果我们引入机器学习的算法，以各个学科的专业论文为语料库，在经过训练之后，我们就可以得到一个包含了各学科知识的复杂网络。这个网络的节点就是那些重要的科学概念，比如重力、磁场、大气等，它们之间的连线则显示出彼此之间所具有的相互影响。通过这样的网络，我们就可以直观地看到，当某个因素（比如重力）发生改变时，哪些因素会受到直接影响，而它们又会进一步波及哪些因素。当然，这种算法同样需要和科幻作家合作，才可以真正完成世界建构的工作，但有了它的帮助，科幻作家们无疑会轻松不少，而且很容易在机器学习得到的关联网络中迸发出创作灵感来。

总体而言，在很长一段时间内，机器写作还无法在小说（特别是科幻小说）这类文体上替代人类创作。但正如柯洁在与AlphaGo的棋局中学到了不少新的棋路一样，科幻作者们也完全可以和机器携手写作，并且在机器算法所产生的叙事情节和世界设定中，激发出新的创意，创造出前所未有的惊奇场景和绝妙故事。