“喂养”的过程被称为“音乐数据标注”。陈世哲介绍，小冰创作新的作品之后，上音的团队会对小冰创作的旋律、编曲进行评估和反馈;此外，上音的师生也按照规则标注了一些音乐数据，从数据上帮助小冰提升音乐创作能力。

　　相比学写诗只迭代了一万多次，小冰这次学音乐创作的迭代达到了十万次的量级，但小冰的学习速度惊人。陈世哲说，从接触小冰团队到最后小冰毕业，不过半年左右时间。

　　学音乐“瑕疵”最难

　　小冰音乐创作模型的升级过程中，最大的“坑”是小冰团队对于“瑕疵”的理解。

　　李笛说：“如果我们把‘瑕疵’等同于不符合乐理常识，那就错了，有一些‘瑕疵’恰恰是音乐灵动的那一面。所以现在小冰的歌曲，她灵动的部分是多的;早期的作品，好像很中规中矩，但是不行。”

　　于阳认为，灵动感的产生，很难说哪次迭代后突然“开窍”，其实是种“量变到质变”的过程。而对于“瑕疵”的理解，实质上是涉及“审美的方式”这种哲学层面的问题。

　　千百年来，随着人类社会的发展，我们已经形成了一套非常科学完备的审美习惯，而既有的审美方式是很难被打破的。小冰的音乐作品也同理，哪怕是瑕疵，也要在既有传统规则的审美框架里。

　　怎么去判断哪些“瑕疵”是好的?李笛表示，如果一个“瑕疵”在成功的作品中反复地出现，而又被接受，那说明它是好的;但如果是一个被人类创作者抛弃了的不常见的“瑕疵”，那它很有可能是错的。“这个太主观了，不像下围棋(有明确的输赢规则)。”

　　陈世哲提到，就目前的技术来看，AI的创作仍然有欠缺。但因为AI不是按人类的思路来出牌的，反而有时候写的曲子对人类音乐家也带来很有意思的启发。

　　小冰曾有一首作品令陈世哲惊艳利用很少的声部，就表达出了很灵动的场景。在音乐界有一个不成文的规定，学作曲时，之所以学很多经典，就是为了规避前人。陈世哲说，而机器则可以在学习完前人的作品后，甚至把一些没有出现过的组合排列出来，“这也是未来我们觉得很有价值的研究方向。”

　　擅长流行古风

　　数据是人工智能的“血液”，数据的质量直接影响到人工智能的训练结果。小冰团队花费大量时间和精力来提高数据质量，这也使得训练的数据在所有数据中占据很大的比例。