即使Deepfake引起了唱片公司的恐慌，以及一系列新的人工智能技术引起了人们的极大兴趣，我们仍处于学习现代机器学习时代将如何影响艺术和流行文化的开端。 最新的举措肯定会让一些工作室的高管兴奋不已，研究人员利用 33 名负责听 24 首歌曲的人的神经活动，结合统计建模和机器学习，几乎完美地预测了哪些会成为热门歌曲，哪些会无人问津。
“通过将机器学习应用于神经生理学数据，我们几乎可以完美地识别出热门歌曲，”克莱蒙特研究生大学教授、该研究的资深作者保罗扎克说。 “33 个人的神经活动可以预测数百万人是否听过新歌，这真是太神奇了，以前从未出现过接近这种精度的方式。”
年龄在 18 至 57 岁之间的参与者都装有节奏和 PPG 心脏传感器，并播放了流媒体服务的工作人员选择的 24 首最近发行的歌曲。 如果歌曲的播放量超过 700000 次，则判定为“热门”。 一系列流派构成了 13 首热门歌曲和 11 首失败歌曲的选择，其中包括 Tones and I 2019 年排名第一的热门 Dance Monkey 等歌曲。
在听觉实验之后，参与者完成了关于这些歌曲的调查，其中包括歌曲是否令人反感、他们以前是否听过以及他们是否可能将其推荐给朋友等方面。
然而，关键是对歌曲的神经物理反应。 从 33 名参与者那里捕获这一小组数据，允许“神经预测”来预测整个人群对命中和失败的反应，而无需先测试一千只耳朵。
“我们收集的大脑信号反映了与情绪和能量水平相关的大脑网络活动，”扎克说。
研究人员发现，当通过线性统计模型处理数据时，其预测命中的成功率为 69%，但当机器学习应用于数据集时，准确率飙升至97.2%。 事实上，当 AI 模型评估仅一分钟的歌曲收听数据时，准确率仍为 82%。
“如果将来可穿戴神经科学技术，就像我们在这项研究中使用的那样，变得司空见惯，那么就可以根据观众的神经生理学向他们发送合适的娱乐节目，”Zak 说。 “与其提供数百种选择，不如只给他们两三个，让他们更容易、更快地选择自己喜欢的音乐。”
研究人员在他们的工作中肯定有一个以客户为导向的旋转，这表明它可以被流媒体公司用来“轻松识别可能成为热门歌曲的新歌曲[以更有效地添加到人们的播放列表]，使流媒体服务的工作更容易并同时取悦听众。”
虽然这项研究在歌曲选择和观众选择的范围上存在局限性，但不难想象未来音乐、电视和电影将无法通过演示阶段，特别是如果机器学习模型可以预测成功的话仅消耗一分钟的媒体后，准确度优于 80%。
然而，估计每天有 100000 首新歌上传到网上，看起来音乐爱好者的选择不会很快受到限制。毫不奇怪，扎克补充说，“这种方法很可能也可以用于预测许多其他类型的娱乐活动，包括电影和电视节目。”
该研究发表在《人工智能前沿》杂志上。