人工智能模拟人类思维过程的可能性，不仅局限于被动性任务（比如目标识别）和大多数反应性任务（比如驾驶汽车），还包括创造性活动。在不远的未来，对于我们所消费的大部分文化内容，其创造过程将得到人工智能的大量帮助。2016年夏天，实验性短片Sunspring发布，它的剧本是由LSTM算法写出来的。最近你可能听过神经网络生成的实验性音乐。的确，到目前为止，我们见到的人工智能艺术作品的质量还很低。人工智能还远远无法媲美人类编剧、画家和作曲家。但是，替代人类始终都不是我们要谈论的重点，人工智能并不是要替代我们人类的智能，而是要为我们的生活和工作带来更多智能，即另一种类型的智能。在许多领域，特别是创新领域，人类可以使用人工智能作为增强自身能力的工具，实现比人工智能还要强大的智能。
艺术创作的很大一部分涉及简单的模式识别和专业技能。这正是许多人认为没有吸引力，甚至可有可无的那部分。不过，这也正是人工智能的用武之地。我们的感知模式、语言和艺术作品都具有统计结构。学习这种结构正是深度学习算法所擅长的。机器学习模型能够学习图像、音乐和故事的统计潜在空间，然后从这个空间中进行采样，创造出与模型在训练数据中所见到的艺术作品具有相似特征的新作品。当然，这种采样本身很难说是一种艺术创作行为，它只是一种数学运算。算法并没有关于人类生活、人类情感或人生经验的知识，相反，它从一种与我们的经验完全不同的经验中进行学习。作为人类观众，只有我们的解释才能对模型生成的内容赋予意义。但在技艺高超的艺术家手中，算法生成可以变得很有意义，并且很美。潜在空间采样会变成一支画笔，提高艺术家的能力，增强创造力，并且拓展我们的想象空间。更重要的是，它不需要专业技能和练习，从而让艺术创作变得更加简单。它创造了一种纯粹表达的新媒介，将艺术与技巧分离。
文本生成
本节将介绍如何利用RNN来生成序列数据。我们将以文本生成为例，但同样的技术也可以推广到任意类型的序列数据，你既可以将其应用于音符序列来生成新音乐，也可以应用于笔画数据时间序列（比如艺术家在iPad上绘画时记录的笔画数据）来一笔一笔地生成绘画，诸如此类。序列数据生成绝不仅限于艺术内容生成。它已经成功应用于语音合成和聊天机器人的对话生成。谷歌在2016年发布了Smart Reply（智能回复）功能，它能够对电子邮件或短信自动