Answers:
据我所知，这还没有完成。
我看到了几个问题。神经网络本质上是一个分类器，将输入与输出进行匹配。输入和输出通常都是数值，尽管它们可以与概念或单词匹配。
要训练NN，您需要提供适当编码的输入以及相应的输出。NN学习两者之间的关联，然后可以相应地对看不见的输入进行分类。最近已使用它来转换特定样式等的图像。
输入和输出将用于生成剧本吗？您可以使用以前的脚本作为输入，但是输出是什么？可能是某种叙述性的“动作”。因此，您可以训练NN来识别剧本中的叙事元素。
但是，您仍然不会创建任何东西，而只是识别东西。您将需要其他输入。我想您可以在“辛普森一家”上训练NN，获取叙述结构，然后将其与“ Friends”情节一起呈现，看看会发生什么。不过，这不会是剧本的新作。
另一种方法可能起作用：向其提供叙述性动作（一种故事框架），然后发布脚本。但这将需要大量（人工）后期编辑才能完全有用。
我认为在这里使用NN是错误的工具。甚至在AI的早期，就已经完成了生成故事和剧本的工作。但这全都基于符号AI，而不是目前流行的ML类型。看看James Ryan的网站；他最近撰写了有关故事（和剧本）生成的历史方法的概述。
只有满足某些先决条件，才能生成故事。这就是说，不可能直接训练神经网络，它将生成一个图。之前比较容易的步骤只是解析现有故事。为此，使用语义模型来存储有关故事的知识。此类模型使用本体，链接数据和行动语言（例如GOLOG）进行编码。
在语义模型之上，发生了一个具体的故事。这意味着，在本体中定义为情节中有两个人，具体故事用名称和属性填充。神经网络能够做的是解析这些匹配。这意味着将示例故事映射到示例本体，并且神经网络可以通过从示例数据中学习来预测此决策。
游戏中自动生成故事的一个著名示例是Facade，它不是提供神经网络，而是提供语义模型。可以在用户与Facade的交互上训练神经网络，并能够预测用户和绘图下一步将做什么。
影响问题解析的经济学
容易将问题误读为实践问题而不是可行性问题。
AI是否有可能接受过文学故事/结构方面的培训？
有人训练过关于文学故事/结构的人工智能系统来生成它们吗？
影响问题短语学的经济学
也容易将更广泛的AI研究与狭窄的机器学习领域相混淆，这仅仅是因为后者是当前经济活动的重点。这个问题使用了术语fad，但是机器学习的持续时间可能会比技术fad更长。
AI是否有可能接受过文学故事/结构方面的培训？
人工智能研究是否可能导致自动生成文学故事结构？
著作权方法的社会经济趋势
电影制作，包括编剧，是一门艺术。我们知道，流行艺术源于新的非常规方法。
角色，情感，信念的转变，个人目的的本体论问题以及与他人，家庭，国家，世界或凌驾于人类之上的某些原理之间复杂的相互关系的发展不是机器学习问题。
在这里提出的问题背后，可行性问题，而不是算法或收敛性问题，是人工智能对大自然的核心挑战。
计算机可以产生人类思维所产生的东西吗？
在考虑这个问题时，很明显讲故事的人的训练不是将张量作为输入，而将张量作为输出的操作。当前的机器学习热潮尚未开发出能够产生文学专家认为非常有见地的故事的智能代理系统。可以肯定的是。
学术出版物的趋势似乎强烈重申了明斯基（Minsky）领导下的MIT AI实验室的主张，即任何可行性问题都将让位给一些新的方法论或重新制定，直到所有方法论都被证明可行并且所有方法都在LISP中实现（现在在Python中）或Java包装C并控制某些硬件加速群集）。无论这种趋势是我们之前在AI中看到的更多的是过度乐观，还是只是时间问题，我们都会看到。
我们还将看到，情节点生成器取代了编剧，最终整个演播室系统（包括明星和他们参加的聚会的生成）以及伪造自己的生活以产生明星身份的杂志都可以被简单地模拟。这不会是技术进步完全消除的第一个成熟且有利可图的工作领域。
在许多人看来，也可能会出现反吹，要么是在文化上，如1970年代流行音乐的复杂性增加后重返水桶和单调，要么是更极端的事情，例如单轰炸机的大量出现。我们还必须拭目以待。
似乎可以肯定的是，研究将继续前进，技术甚至将继续改变文学和讲故事的世界。艾伦·图灵（Alan Turing）的“模仿游戏”的新扩展将出现：“受试者可以分辨出哪些电影具有人类编剧能力，哪些电影是人工写的？”
“是那些真正的人类明星，还是他们是在那些故事中扮演那些角色扮演的明星？”
2018年在罗斯·古德温（Ross Goodwin）创作的第一本AI小说《1 the Road》中非同凡响。所有的原材料都是由他的程序产生的。
理想情况下，是的。理想情况下，因为网络应该以整本书的单词为基础（大约10万个单词不等）。借助虚假的处理能力，您应该能够像上千本书一样训练NN。也许可以用量子计算机进行训练。
对于较小的故事，我认为主要问题是要知道故事应以什么“形状”生成。因为如果仅输出一些单词，那么网络应该要做的第一件事就是说话，这意味着该模型应该从预训练的NLP模型发展而来，并且（据我所知）我们对此仍然存在一些问题。
所以……我真的认为，要做这种事情，我们应该改变使神经网络学习的方法。人类存在的事实证明，遗传算法将100％有效。但是我们显然没有3+十亿年的经验可以从头开始发展“大脑”，这就是为什么我们使用训练算法：我们强迫他们从某种东西中学习。
但是回到问题：人类通过思考选择什么结果来做很多工作。为了使网民在不模仿人类的情况下产生结果，可以很容易地随机选择该结果的某些方面。例如，随机选择的结果可能是“结果：丹尼斯去世，莫蒂杀死了阿姆，悲伤的场景，幸福的场景，结局”。这意味着NN或任何ML模型实际上不会为故事带来任何结果。实际上，它的作用是连接有关该故事的一些生成的“检查点”。实际上，您可能训练了一个模型来生成检查点，但这只是新手的一个随机想法，因此我不知道如何实际实现这一点。
我是意大利顺便说一句，对不起我的英语:)
答案是肯定的，可以训练AI编写甚至整个故事。我只是想马上告诉您，人工智能已经做了比制作故事还要困难的事情。我在解释的末尾谈论的是那件事。
我的解释中的所有链接都指向我发现的外部资源，您可以检查一下。没有做进一步的事情，这就是我认为AI可以生成故事大纲的主要原因：
对于方式，我认为训练数据并不重要。因此，为了能够像这样训练AI，我们需要很多示例。这是可能的，因为电影的剧本是公开的，任何人都可以下载。因此，人工智能可以轻松地从大量的剧本中学习。以下是一些可以获取电影剧本的网站示例：https : //stephenfollows.com/resource/sites-to-find-movie-scripts/，https : //www.simplyscripts.com/movie-screenplays.html。
之后，我们只需要格式化数据，就可以将其提供给我们的AI。以我的观点，因为谷歌已经做了类似的事情，所以完全有可能制作出一个能写出好故事的优秀AI。我认为，由Google创建的聊天机器人Meena证明了AI不仅可以学习模式识别，还可以学习更多方法。
据我所知，还没有像您描述的任何系统。但是，在新奥尔良大学叙事智能实验室网站上可以找到一些有趣的叙事智能方法：https : //nil.cs.uno.edu/
希望这些可以对指导叙述产生问题的深度学习方法有所帮助。