Sztuka, kreatywność i potencjał sztucznej inteligencji / Marian Mazzon i Ahmed Elgammal

0
561
W tym projekcie artysty Josepha Ayerle sztuczna inteligencja musiała nauczyć się typowych wzorów w kolorach i pociągnięciach pędzla renesansowego malarza Rafaela. Portret przedstawia twarz aktorki Ornelli Muti, „namalowaną” przez AI w stylu Rafaela.
By Lasemainecomtoise (wikipedia name), in real life the artist Joseph Ayerle – Own work, CC BY-SA 4.0, https://commons.wikimedia.org/w/index.php?curid=94186985

 

Abstrakt

Nasz esej omawia proces AI opracowany w celu tworzenia sztuki (AICAN) oraz kwestie, jakie kreatywność AI podnosi dla zrozumienia sztuki i artystów w XXI wieku. Wspierani przez nasze wykształcenie w dziedzinie informatyki (Elgammal) i historii sztuki (Mazzone), argumentujemy za uznaniem prac AICAN za sztukę, odnosimy prace AICAN do kontekstu sztuki współczesnej i wzywamy do ponownego rozważenia, jak możemy zdefiniować kreatywność człowieka i maszyny. Nasza praca nad rozwojem procesów sztucznej inteligencji dla tworzenia sztuki, analizy stylu i wykrywania wielkoskalowych wzorców stylu w historii sztuki doprowadziła nas do dokładnego rozważenia historii i dynamiki ludzkiego tworzenia sztuki oraz zbadania, jak te wzorce mogą być modelowane i „uczone się” przez maszyny. Opowiadamy się za połączeniem kreatywności maszyn i sztuki szeroko rozumianej jako równoległej, ale nie sprzecznej z ludzkimi artystami oraz ich emocjonalnymi i społecznymi intencjami tworzenia sztuki. Wzywamy raczej do partnerstwa między kreatywnością ludzką i maszynową, widząc w tej współpracy środek do maksymalizacji twórczych sił obu partnerów.

Słowa kluczowe:

sztuczna inteligencja; sztuka; kreatywność; kreatywność obliczeniowa; głębokie uczenie się; uczenie się kontradyktoryjności.

1. AI-Art: GAN, nowa fala sztuki generatywnej

W ciągu ostatnich 50 lat kilku artystów i naukowców badało pisanie programów komputerowych, które mogą generować sztukę. Niektóre programy były pisane do innych celów i są adoptowane do tworzenia sztuki, jak np. generatywne sieci przeciwstawne (GAN). Alternatywnie, mogą być pisane programy, które mają na celu tworzenie kreatywnych wyjść. Sztuka algorytmiczna jest szerokim terminem, który wskazuje na każdą sztukę, która nie może być stworzona bez użycia programowania. Jeśli spojrzymy na definicję sztuki według Merriam-Webster, znajdziemy „świadome użycie umiejętności i twórczej wyobraźni, zwłaszcza w produkcji przedmiotów estetycznych; powstałych w ten sposób dzieł”. W XX wieku to rozumienie sztuki zostało rozszerzone o obiekty, które niekoniecznie są estetyczne w swoim przeznaczeniu (na przykład sztuka konceptualna), a także nie stworzone obiekty fizyczne (sztuka performance). Od czasu wyzwań związanych z praktyką Marcela Duchampa, świat sztuki opierał się również na określeniu intencji artysty, ekspozycji instytucjonalnej i akceptacji publiczności jako krytycznych krokach definiujących, czy coś jest „sztuką”.

Najbardziej znaczącym wczesnym przykładem algorytmicznej pracy artystycznej jest Harold Cohen i jego program AARON (aaronshome.com). Z AI eksperymentowała także amerykańska artystka Lillian Schwartz, pionierka w wykorzystaniu grafiki komputerowej w sztuce (Lillian.com). Jednak w ostatnich latach rozwój GAN-ów zainspirował falę sztuki algorytmicznej, która wykorzystuje sztuczną inteligencję (AI) w nowy sposób do tworzenia sztuki (Schneider i Rea 2018). W przeciwieństwie do tradycyjnej sztuki algorytmicznej, w której artysta musiał napisać szczegółowy kod, który już określał zasady pożądanej estetyki, w tej nowej fali algorytmy są ustawiane przez artystów, aby „nauczyć się” estetyki poprzez oglądanie wielu obrazów za pomocą technologii uczenia maszynowego. Algorytm dopiero wtedy generuje nowe obrazy, które są zgodne z estetyką, której się nauczył.

Rysunek 1 wyjaśnia proces twórczy związany z tworzeniem tego rodzaju grafiki AI. Artysta wybiera kolekcję obrazów, aby zasilić algorytm (pre-kuracja), na przykład tradycyjne portrety artystyczne. Obrazy te są następnie wprowadzane do generatywnego algorytmu sztucznej inteligencji, który próbuje naśladować te dane wejściowe. Najczęściej stosowanym narzędziem do tego celu są generatywne sieci przeciwstawne (GAN), wprowadzone przez Goodfellowa w 2014 r. ( Goodfellow et al. 2014 ), które odniosły sukces w wielu zastosowaniach w społeczności AI. To rozwój sieci GAN prawdopodobnie zapoczątkował tę nową falę sztuki sztucznej inteligencji. Na ostatnim etapie artysta przegląda wiele obrazów wyjściowych, aby stworzyć ostateczną kolekcję (post-kuracja).
Rysunek 1. Schemat blokowy przedstawiający rolę artysty przy użyciu generatywnego modelu AI w tworzeniu sztuki. Diagram stworzony przez autora A. Elgammala.
W tego rodzaju zabiegach sztuczna inteligencja jest wykorzystywana jako narzędzie w tworzeniu sztuki. Proces twórczy odbywa się przede wszystkim przez artystę w działaniach przed- i postkuratorskich oraz w dopracowywaniu algorytmu. Za pomocą tego potoku powstało wiele wspaniałych dzieł sztuki. Algorytm generatywny zawsze tworzy obrazy, które zaskakują widza, a nawet artystę, który kieruje tym procesem.
Rysunek 2 jest przykładem tego, co wyprodukowałby typowy GAN wytrenowany na obrazach portretowych. Dlaczego możemy lubić lub nienawidzić te obrazy i czy powinniśmy je nazywać sztuką? Spróbujemy odpowiedzieć na te pytania z punktu widzenia percepcji i psychologii. Psycholog eksperymentalny Daniel E. Berlyne (1924-1976) przez kilkadziesiąt lat badał podstawy psychologii estetyki i wskazał, że nowość, zaskakiwanie, złożoność, niejednoznaczność i zagadkowość są najistotniejszymi właściwościami bodźca mającymi znaczenie dla badania zjawisk estetycznych (Berlyne 1971). Chociaż istnieje kilka alternatywnych, nowszych definicji niż definicja Berlyne’a, używamy jej w naszym wyjaśnieniu ze względu na jej prostotę, ponieważ wyjaśnienie nie zaprzecza innym teoriom. Rzeczywiście, powstałe obrazy ze wszystkimi deformacjami twarzy są dla nas nowatorskie, zaskakujące i zastanawiające. W rzeczywistości mogą one przypominać nam słynne zdeformowane portrety Francisa Bacona, takie jak Three Studies for a Portrait of Henrietta Moraes (1963). Jednak to porównanie uwypukla zasadniczą różnicę, jaką jest intencja. Intencją Bacona było zdeformowanie twarzy na jego portrecie, ale deformacja, którą widzimy w sztuce AI nie jest intencją artysty ani maszyny. Po prostu maszyna nie potrafi całkowicie naśladować ludzkiej twarzy i w efekcie generuje zaskakujące deformacje. Dlatego to, co oglądamy, to przypadki niepowodzeń maszyny, które mogą być dla nas atrakcyjne percepcyjnie ze względu na ich nowość jako bodźców wizualnych w porównaniu z naturalistycznymi twarzami. Jednak te „przypadki awarii” mają pozytywny wpływ wizualny na nas jako odbiorców sztuki; ale w tych przykładach intencja artysty jest nieobecna.
Rysunek 2. Przykłady obrazów wygenerowanych przez trenowanie generatywnej sieci przeciwstawnej (GAN) z portretami z ostatnich 500 lat sztuki zachodniej. Zniekształcone twarze to próby naśladowania tych danych wejściowych przez algorytm. Obrazy wygenerowane w Art & Artificial Intelligence Laboratory, Rutgers.
Jak dotąd większość krytyków sztuki była sceptyczna i zwykle oceniała tylko powstałe obrazy, ignorując proces twórczy, który je generuje. Mogą mieć rację, że obrazy utworzone przy użyciu tego typu potoku AI nie są tak interesujące. W końcu ten proces po prostu imituje wstępnie przygotowane dane wejściowe z lekkim zwrotem akcji. Jeśli jednak spojrzymy na proces twórczy całościowo, a nie tylko na powstające obrazy, ta czynność wyraźnie mieści się w kategorii sztuki konceptualnej, ponieważ artysta ma możliwość działania w roli dokonującej wyboru kuratora i poprawiania. Bardziej wyrafinowane prace koncepcyjne nadejdą w przyszłości, ponieważ coraz więcej artystów będzie badać narzędzia AI i uczyć się, jak lepiej manipulować procesem twórczym AI.

2. Pobudzanie kreatywności maszyny: kreatywność, a nie tylko generatywność

W Rutgers’ Art & AI Lab stworzyliśmy AICAN, niemal autonomicznego artystę. Naszym celem było zbadanie artystycznego procesu twórczego i ewolucji sztuki z percepcyjnego i poznawczego punktu widzenia. Zbudowany przez nas model opiera się na teorii z psychologii zaproponowanej przez Colina Martindale’a ( Martindale 1990 ). Proces ten symuluje sposób, w jaki artyści trawią wcześniejsze dzieła sztuki, aż w pewnym momencie wyłamują się z ustalonych stylów i tworzą nowe style. Proces ten jest realizowany poprzez „twórczą sieć przeciwników (CAN)” ( Elgammal 2017).), proponowany przez nas wariant GAN, który wykorzystuje „niejednoznaczność stylistyczną” w celu osiągnięcia nowości. Maszyna jest trenowana między dwiema przeciwstawnymi siłami — jedna zmusza maszynę do podążania za estetyką pokazywanej sztuki (minimalizacja odchyleń od dystrybucji dzieł sztuki), podczas gdy druga siła karze maszynę, jeśli naśladuje już ustalony styl (maksymalizacja niejednoznaczności stylu). Te dwie przeciwstawne siły zapewniają, że generowana sztuka będzie nowatorska, ale jednocześnie nie odbiega zbytnio od akceptowalnych standardów estetycznych. W teorii Martindale’a nazywa się to zasadą „najmniejszego wysiłku” i jest niezbędne w generowaniu sztuki, ponieważ zbyt wiele nowości skutkowałoby odrzuceniem przez widzów.
Rysunek 3 ilustruje schemat blokowy sieci CAN, w której generator odbiera dwa sygnały, jeden mierzący odchylenia od dystrybucji sztuki, a drugi mierzący niejednoznaczność stylu. Generator stara się zminimalizować pierwszy, aby podążać za estetyką, a zmaksymalizować drugi, aby odbiegać od ustalonych stylów.
Rysunek 3. Schemat blokowy sieci kreatywnych przeciwników. Generator eksploruje przestrzeń twórczą, próbując generować obrazy, które maksymalizują niejednoznaczność stylu, jednocześnie minimalizując odchylenia od dystrybucji grafiki. Schemat autorstwa A. Elgammala.
W przeciwieństwie do omówionej wcześniej generatywnej sztuki sztucznej inteligencji, proces ten jest z natury kreatywny. Nie ma kuracji w zbiorze danych; zamiast tego podaliśmy algorytmowi 80 000 obrazów reprezentujących 5 wieków zachodniej historii sztuki, symulując proces, w jaki artysta trawi historię sztuki, bez specjalnego wyboru gatunków lub stylów. Proces generatywny wykorzystujący CAN poszukuje innowacji. Twórczość cały czas nas zaskakuje rozmachem sztuki, jaką generuje AICAN. Rycina 4 przedstawia różnorodność dzieł sztuki wygenerowanych przez AICAN.
Rysunek 4. Przykłady obrazów wygenerowanych przez AICAN po treningu z obrazami ze wszystkich stylów i gatunków z ostatnich 500 lat sztuki zachodniej. Zdjęcia dzięki uprzejmości Art & Artificial Intelligence Laboratory, Rutgers.
Opracowaliśmy wizualny test Turinga, aby zarejestrować, jak ludzie zareagują na wygenerowane obrazy i czy będą w stanie odróżnić sztukę stworzoną przez AICAN od sztuki stworzonej przez człowieka. Aby test był aktualny i wysokiej jakości, połączyliśmy obrazy z AICAN z pracami z Art Basel 2016 (flagowe targi sztuki współczesnej). Jako punkt odniesienia wykorzystaliśmy również zestaw obrazów mistrzów abstrakcyjnego ekspresjonizmu. Nasze testy wykazały, że badani ludzie nie byli w stanie stwierdzić, czy dzieło zostało wykonane przez człowieka, czy przez maszynę. W 75% przypadków uczestnicy naszego badania myśleli, że obrazy wygenerowane przez AICAN zostały stworzone przez człowieka-artystę. W przypadku podstawowego abstrakcyjnego zestawu ekspresjonistycznego 85% badanych uważało, że sztuka jest dziełem ludzkich artystów. Nasi badani nawet opisywali obrazy wygenerowane przez AICAN używając słów takich jak „intencjonalny”, „posiadający strukturę wizualną”, „inspirujący” i „komunikatywny” na tych samych poziomach co sztuka stworzona przez człowieka.
Począwszy od października 2017 roku, zaczęliśmy wystawiać prace AICAN w miejscach we Frankfurcie, Los Angles, Nowym Jorku i San Francisco, z innym zestawem obrazów dla każdego pokazu (Rysunek 5). Ostatnio, w grudniu 2018 roku, AICAN był wystawiany w ramach SCOPE Miami Beach Art Fair. Na tych wystawach odbiór prac był w przeważającej mierze pozytywny ze strony widzów, którzy nie mieli wcześniejszej wiedzy, że pokazywana sztuka została wygenerowana przy użyciu AI. Ludzie autentycznie lubili prace i angażowali się w różne rozmowy na temat procesu. Raz po raz słyszeliśmy jedno pytanie: Kto jest artystą? Zakładamy, że osoba (osoby) tworzące proces projektuje ramy koncepcyjne i algorytmiczne, ale algorytm jest w pełni twórczy, jeśli chodzi o elementy i zasady sztuki, którą tworzy. Dla każdego obrazu, który generuje, maszyna wybiera styl, temat, formy i kompozycję, w tym tekstury i kolory.
Ryc. 5. Fotografie z wystawy AICAN, która odbyła się w Los Angeles w październiku 2017 r. Fotografie autorstwa A. Elgammala.

3. AI w sztuce i historii sztuki

Badanie CAN wywołało szereg obaw dotyczących sztucznej inteligencji jako zagrożenia lub rywala dla sztuki tworzonej przez ludzi. Tak, studium jest zainteresowane procesem tworzenia sztuki i bardziej abstrakcyjnym problemem, czym jest i co robi kreatywność. Jednak sztuczna inteligencja koncentruje się na rozwijaniu procesu maszynowego i kreatywności maszyn, a nie tylko naśladowaniu i próbowaniu wytwarzania dzieł stworzonych przez maszyny uchodzących za dzieła stworzone przez człowieka.Nasza praca koncentruje się na zrozumieniu procesu kreatywności w taki sposób, aby można było znaleźć sposób modelowania tego procesu w celu wygenerowania twórczego rezultatu. Jednym ze sposobów, aby to zrobić, i tym, co wybrano w tym badaniu, jest modelowanie procesu nauczania sztuki, a następnie stymulowanie AICAN do syntezy informacji o stylu, a następnie stworzenia czegoś nowego. Aby to zrobić, maszyna została przeszkolona na wielu tysiącach obrazów stworzonych przez człowieka w procesie równoległym do doświadczenia ludzkich artystów polegającego na patrzeniu na prace innych artystów i uczeniu się na przykładzie. Następnie zaprojektowano system AICAN, aby zachęcać do dokonywania wyborów odbiegających od kopiowania/powtarzania tego, co już widzieliśmy (funkcja GAN), do zachęcania do nowych kombinacji i nowych wyborów opartych na znajomości stylów artystycznych (funkcja CAN). Jeśli proces tworzenia zostanie pomyślnie wymodelowany, może powstać sztuka.
Jednym z barometrów tego, czy sztuka została pomyślnie stworzona w wybranym procesie, jest to, czy ludzie doceniają ją jako sztukę i niekoniecznie uznają ją za wywodzącą się ze sztucznej inteligencji. Zadaniem AICAN było stworzenie prac, które nie byłyby zgodne ze znanymi psychodelicznymi wzorami większości obrazów generowanych przez GAN, jako test jego funkcji kreatywności. Włączenie przez nas ankiet wśród widzów w celu oceny reakcji ludzi nie miało na celu udowodnienia, że ​​artefakty AICAN były lepsze niż wytwory ludzkie, ale raczej sprawdzenie, czy dzieła AICAN były estetycznie rozpoznawalne jako sztuka i czy ludzcy widzowie lubili dzieła stworzone przez sztuczną inteligencję. Wydawało się najbardziej trafne, aby widzowie oceniali obrazy AICAN w grupie z innymi współczesnymi obrazami, a nie historycznymi, stąd wybór ich z Art Basel. Celem było sprawdzenie, czy AICAN jest w stanie wyprodukować dzieło, które można zakwalifikować lub zaliczyć do sztuki oraz czy wykazuje ono cechy, które sprawiają, że patrzenie na nie jest pożądane lub przyjemne. Innymi słowy, czy artefakty AICAN mogą być rozpoznawane przez istoty ludzkie jako obiekty estetyczne wysokiej jakości? Ponieważ wykorzystaliśmy teorię potencjału pobudzenia Berlyne’a, reakcja ludzi na obrazy była niezbędnym sprawdzianem do oceny poziomu jakości kreatywności AICAN.
Zawsze może być wielu artystów i miłośników sztuki, którzy opierają się idei sztucznej inteligencji w sztuce z powodu technofobii. Dla nich w sztuce po prostu nie ma miejsca na maszynę. Ponadto wielu nie rozumie, czym właściwie jest sztuczna inteligencja, jak działa i do czego można ją zmusić, a czego nie. W pracy pojawia się również element strachu, co skutkuje wyimaginowaną przyszłością, w której sztuczna inteligencja przejmie kontrolę nad tworzeniem dzieł sztuki i stworzy masy bezdusznych abstrakcyjnych obrazów. Jednak, jak omawiamy w tym artykule, sztuczna inteligencja jest naprawdę bardzo ograniczona i specyficzna pod względem tego, co może zrobić w zakresie tworzenia sztuki, i nigdy nie było naszym celem zastąpienie roli człowieka-artysty. Po prostu i głęboko nie ma takiej potrzeby. Ciekawym problemem w uczeniu maszynowym jest modelowanie procesu tworzenia obrazu i badanie, co może oznaczać kreatywność w ramach obliczeń, ale są to kwestie odrębne i niezależne od tego, jak człowiek tworzy sztukę, i nie wykluczają się wzajemnie w W każdym razie. Najlepszym rezultatem, jaki możemy sobie wyobrazić, jest owocna współpraca między artystą a kreatywnym systemem sztucznej inteligencji. Jesteśmy jednak na bardzo wczesnym etapie opracowywania algorytmów dla takich systemów sztucznej inteligencji.
Porównanie z fotografią jest przydatne, ponieważ obie formy technologii po raz pierwszy spotkały się z oporem w świecie sztuki, opartym na wykorzystaniu maszyny w procesie tworzenia sztuki. To porównanie było szeroko dyskutowane, w tym w tym numerze Arts ( Hertzmann 2018 ) ( Agüera y Arcas 2017), więc nie będziemy go tutaj szczegółowo omawiać. Obiecującym znakiem dla sztuki sztucznej inteligencji jest to, że ostatecznie niektóre fotografie zostały w pełni zaakceptowane jako sztuka. Kluczową drogą do jego akceptacji był dialog, który rozwinął się między dwoma mediami: fotografowie pracowali nad włączeniem niektórych formalnych i estetycznych cech malarstwa, podczas gdy malarze uważnie przyglądali się fotografii iw odpowiedzi zmieniali obraz. Malarze inspirowali się płaskością kompozycji, uchwyceniem ruchu i sumarycznymi krawędziami wizjera fotograficznego. Fotografowie zmienili swoje podejście do oświetlenia, ostrości i tematyki, zainspirowani estetycznymi kryteriami malarstwa. W ten sposób powstała pętla sprzężenia zwrotnego między praktykami malarskimi i fotograficznymi. W obu przypadkach twórcy zaczęli widzieć inaczejna podstawie swoich doświadczeń z innym medium. Być może może się to zdarzyć między sztuczną inteligencją a malarstwem. Obecnie większość systemów sztucznej inteligencji jest szkolona na tysiącach obrazów wykonanych przez artystów z Europy Zachodniej i Ameryki w ciągu ostatnich kilkuset lat. Z kolei SI tworzą obrazy przemawiające językiem malarstwa (dobór kolorów, elementy form, układ form na powierzchni 2D) i umieszczają ich elementy na oczach widzów w sposób podobny do tego, jak patrzymy na obrazy. Mamy już współczesnych praktyków, takich jak Jason Salavon czy Petra Cortright, których praktyka pokazuje żywą wymianę między procesami malowania i przetwarzania. Fotografia groziła wyparciem niektórych funkcji malarstwa, zwłaszcza tam, gdzie pożądany był wysoki stopień naturalizmu, na przykład w portretach lub przedstawieniach topograficznych. W rezultacie fotografia w dużej mierze zastąpiła na przykład malowane portrety i większość form obrazów topograficznych. Wyobrażamy sobie, że sztuka tworzona przez sztuczną inteligencję mogłaby z powodzeniem zastąpić niektóre obrazy produkowane masowo, takie jak sztuka dekoracyjna lub sceny turystyczne, w których pożądane jest powtórzenie kilku przyjemnych cech. Konsumenci byliby siłą napędową tego rynku, wybierając obrazy generowane maszynowo lub preferując te stworzone przez człowieka.
Innym rozsądnym punktem porównania jest replikacyjny proces produkcji obrazu wykorzystywany zarówno przez aparat, jak i komputer. Podobnie jak aparat, komputer zapewnia użytkownikowi szereg powtarzalnych i reprodukcyjnych środków do generowania wielu obrazów. Jak zauważył Walter Benjamin na początku XX wieku ( Benjamin [1936] 1969), wpływ masowej produkcji i reprodukcji obrazów zmienił sposób, w jaki myślimy o oryginalności i legalności reprodukcji dzieł sztuki oraz nasze doświadczenie oglądania sztuki. Doświadczenie większości ludzi związane ze sztuką należy obecnie do sfery reprodukcji i przypisujemy znaczenie doświadczeniu reprodukcji. Chociaż pojedyncze, oryginalne dzieło sztuki jest nadal paradygmatem funkcjonującym w malarstwie, jest on znacznie mniej stosowany w grafice czy fotografii i całkowicie nieobecny w sztuce komputerowej. Komputery mogą tworzyć znacznie więcej i bardziej zróżnicowanych wersji obrazu poprzez parametryzację, narzędzia losowania i inne procesy generatywne niż fotografia niecyfrowa lub odbitki, ale teoretyczna zasada mnogości nadal ma zastosowanie.
Istnieje jednak jedna głęboka różnica między kreatywnością opartą na komputerach AI a innymi technologiami tworzenia obrazów opartymi na maszynach. Fotografia i podobne media, takie jak film i wideo, opierają się na odniesieniu do czegoś poza maszyną, do czegoś w świecie przyrody. Są to technologie umożliwiające uchwycenie elementów świata zewnętrznego jako naturalnego światła na płycie lub kliszy, utrwalonych w procesie chemicznym w celu zamrożenia wzorów świetlnych w czasie i przestrzeni. Obrazy obliczeniowe nie mają takiego odniesienia w naturze ani do niczego poza sobą. Jest to głęboka różnica, której naszym zdaniem należy poświęcić więcej uwagi. Brak odniesienia w naturze ma historyczne implikacje dla tego, jak rozumiemy coś jako sztukę. Niemal cała sztuka ludzka została zainspirowana czymś widzianym w świecie przyrody. Tam oczywiście może być wiele kroków między inspiracją a powstałym dziełem, tak że wizualne odniesienie może zostać zmienione, wyabstrahowane lub nawet usunięte w ostatecznej wersji. Jednak proces ten był zawsze najpierw inicjowany przez artystę patrzącego na coś na świecie, a fotografia, film i wideo zachowały ten pierwszy etap procesu tworzenia sztuki poprzez kodowanie światła. Komputer nie podąża za tym pierwotnym wzorcem. Nie wymaga absolutnie niczego od świata przyrody; zamiast tego jego „mózg” i „oczy” (jego wewnętrzny aparat do kodowania wszelkiego rodzaju obrazów) składają się wyłącznie z receptorów danych liczbowych. Istnieją dwa wstępne punkty do rozwinięcia w tym miejscu: pierwszy odnosi się do zagadnień współczesnej sztuki, drugi do odróżnienia od ludzkiej twórczości. wyabstrahowane lub nawet usunięte w ostatecznej wersji. Jednak proces ten był zawsze najpierw inicjowany przez artystę patrzącego na coś na świecie, a fotografia, film i wideo zachowały ten pierwszy etap procesu tworzenia sztuki poprzez kodowanie światła. Komputer nie podąża za tym pierwotnym wzorcem. Nie wymaga absolutnie niczego od świata przyrody; zamiast tego jego „mózg” i „oczy” (jego wewnętrzny aparat do kodowania wszelkiego rodzaju obrazów) składają się wyłącznie z receptorów danych liczbowych. Istnieją dwa wstępne punkty do rozwinięcia w tym miejscu: pierwszy odnosi się do zagadnień współczesnej sztuki, drugi do odróżnienia od ludzkiej twórczości. wyabstrahowane lub nawet usunięte w ostatecznej wersji. Jednak proces ten był zawsze najpierw inicjowany przez artystę patrzącego na coś na świecie, a fotografia, film i wideo zachowały ten pierwszy etap procesu tworzenia sztuki poprzez kodowanie światła. Komputer nie podąża za tym pierwotnym wzorcem. Nie wymaga absolutnie niczego od świata przyrody; zamiast tego jego „mózg” i „oczy” (jego wewnętrzny aparat do kodowania wszelkiego rodzaju obrazów) składają się wyłącznie z receptorów danych liczbowych. Istnieją dwa wstępne punkty do rozwinięcia w tym miejscu: pierwszy odnosi się do zagadnień współczesnej sztuki, drugi do odróżnienia od ludzkiej twórczości. a wideo zachowało ten pierwszy etap procesu tworzenia sztuki poprzez kodowanie światła. Komputer nie podąża za tym pierwotnym wzorcem. Nie wymaga absolutnie niczego od świata przyrody; zamiast tego jego „mózg” i „oczy” (jego wewnętrzny aparat do kodowania wszelkiego rodzaju obrazów) składają się wyłącznie z receptorów danych liczbowych. Istnieją dwa wstępne punkty do rozwinięcia w tym miejscu: pierwszy odnosi się do zagadnień współczesnej sztuki, drugi do odróżnienia od ludzkiej twórczości. a wideo zachowało ten pierwszy etap procesu tworzenia sztuki poprzez kodowanie światła. Komputer nie podąża za tym pierwotnym wzorcem. Nie wymaga absolutnie niczego od świata przyrody; zamiast tego jego „mózg” i „oczy” (jego wewnętrzny aparat do kodowania wszelkiego rodzaju obrazów) składają się wyłącznie z receptorów danych liczbowych. Istnieją dwa wstępne punkty do rozwinięcia w tym miejscu: pierwszy odnosi się do zagadnień współczesnej sztuki, drugi do odróżnienia od ludzkiej twórczości.
Po pierwsze, brak odniesienia w świecie przyrody i wynikająca z tego swoboda i zakres tworzenia lub nie tworzenia jakiegokolwiek obiektu w wyniku inspiracji artystycznej łączy sztuczną inteligencję i wszystkie metody obliczeniowe ze sztuką konceptualną. Podobnie jak w przypadku fotografii, porównania ze sztuką konceptualną były często dokonywane w przypadku sztucznej inteligencji i ogólnie metod obliczeniowych. W sztuce konceptualnej akt tworzenia dzieła sztuki umiejscowiony jest w umyśle artysty, a jego urzeczywistnienie w dowolnej materialnej formie (formach) na świecie jest, jak Sol Lewitt (Lewitt 1967 )) słynnie oświadczył: „pobieżna sprawa. Pomysł staje się maszyną, która tworzy sztukę”. W ten sposób tworzenie obiektu artystycznego staje się po prostu opcjonalne. I choć współcześni artyści w zasadzie nie przestali tworzyć przedmiotów, zasada, że ​​tworzenie przedmiotów jest fakultatywne i zmienne w stosunku do koncepcji sztuki, pozostaje nadal aktualna. Uważamy, że jest to sedno użyteczności porównania ze sztuką konceptualną: idea lub koncepcja jest niezwiązana z naturą, jest przede wszystkim zlokalizowana w synapsach mózgu, a po drugie oddzielona od nakazów świata materialnego. Większość systemów sztucznej inteligencji wykorzystuje jakąś formę sieci neuronowej, która jest wzorowana na neuronowej złożoności ludzkiego mózgu. Dlatego sztuczna inteligencja i sztuka konceptualna zbiegają się w umiejscowieniu aktu artystycznego w systemowej sieci mózgu, a nie w fizycznym wyniku. Fizyczny akt artysty, nakładanie farby lub rzeźbienie w marmurze, staje się opcjonalny. To usuwa konieczność ludzkiego ciała (artysty) do tworzenia rzeczy i pozwala wyobrazić sobie, że może istnieć więcej niż jeden rodzaj artysty, w tym inny niż człowiek.

4. AI Art: zacieranie granic między artystą a narzędziem

Wielu artystów i historyków sztuki sprzeciwia się postrzeganiu prac stworzonych za pomocą sztucznej inteligencji jako sztuki, ponieważ ich definicja sztuki opiera się na postaci współczesnego artysty jako jedynego miejsca tworzenia sztuki i kreatywności. Dlatego postać artysty jest niezbędna dla ich definicji sztuki. Ale rozumienie sztuki jako narzędzia osobistej ekspresji indywidualnego artysty jest koncepcją stosunkowo nową i kulturowo specyficzną. Przez wiele stuleci, w wielu kulturach i systemach wierzeń, sztuka była tworzona z różnych powodów i w różnych warunkach. Sztuka jest częściej tworzona przez grupy ludzi niż przez pojedynczego artystę (np. średniowieczne katedry lub warsztaty cechowe), sztuka jest często tworzona zgodnie ze specyfikacjami mecenasów i darczyńców, dużych i małych, na zamówienie, finansowana przez różnorodne grupy, organizacje obywatelskie lub instytucji religijnych, i stworzony do działania w niezwykłym zakresie sytuacji. Pojęcie dzieła sztuki będącego spójnym wyrazem psychiki jednostki, stanu emocjonalnego czy ekspresyjnego punktu widzenia narodziło się w epoce romantyzmu i stało się normą panującą w XIX i XX wieku w Europie Zachodniej i jej koloniach. Chociaż pozostaje to powszechną motywacją dla wielu współczesnych artystów, nie oznacza to, że jest to jedyna i poprawna definicja sztuki. I z pewnością nie jest to rola, którą jakikolwiek system AI będzie w stanie kiedykolwiek spełnić. Oczywiste jest, że uczenie maszynowe i sztuczna inteligencja nie mogą odtworzyć doświadczeń życiowych człowieka; dlatego sztuczna inteligencja nie jest w stanie tworzyć sztuki w taki sam sposób, jak robią to ludzie. Na szczęście nie sugerujemy, że może to mieć miejsce w naszej pracy. Ludzie i sztuczna inteligencja nie mają tych samych źródeł inspiracji ani intencji tworzenia sztuki. Powody z jakich maszyna tworzy sztukę, są z natury rzeczy inne; jej motywacją jest rozwiązanie  zadania stworzenia dzieła sztuki, a intencją jest wypełnienie tego zadania. Prosimy jednak wszystkich o rozważenie tego, że inny proces tworzenia nie dyskwalifikuje wyników tego procesu jako żywotnego dzieła sztuki. Zamiast tego rozważmy to bez konieczność istnienia indywidualnego ekspresyjnego artysty w naszej definicji sztuki, w ten sposób nasze rozumienie konceptualizacji sztuki i tworzenia dzieł sztuki będzie znacznie rozszerzone.
Sztuczna inteligencja to zestaw algorytmów zaprojektowanych do działania równolegle z działaniami ludzkiej inteligencji, takimi jak podejmowanie decyzji, rozpoznawanie obrazów, tłumaczenie/rozumienie języka lub kreatywność. W innym miejscu tego wydania Arts, Hertzmann ( Hertzmann 2018) wskazuje, że algorytmy sztuki są narzędziami, a nie artystami. Jak już argumentowaliśmy, zgodzilibyśmy się, że algorytmy w sztucznej inteligencji nie są artystami, tak jak artyści-ludzie. Ale sztuczna inteligencja (w tym przypadku algorytm generujący sztukę) to coś więcej niż narzędzie, jak pędzel z farbą olejną, który jest nieożywionym i niezmiennym przedmiotem. Z pewnością artyści uczą się z czasem i doświadczeniem, jak lepiej wykorzystywać swoje narzędzia, a ich narzędzia odgrywają rolę w fizycznych działaniach, za pomocą których wykonują pracę w farbie. Jednak pędzel nie ma zdolności do zmiany, nie podejmuje decyzji na podstawie przeszłych doświadczeń malarskich i nie jest wyszkolony do uczenia się na podstawie danych. Algorytmy zawierają wszystkie te możliwości. Być może możemy konceptualizować algorytmy sztucznej inteligencji jako coś więcej niż tylko narzędzia i bliższe medium. Słowo medium w świecie sztuki oznacza znacznie więcej niż narzędzie, medium obejmuje nie tylko używane narzędzia (pędzel, farba olejna, terpentyna, płótno itp.), ale także zakres możliwości i ograniczeń tkwiących w warunkach tworzenia w ten obszar sztuki. Tak więc medium malarstwa obejmuje również historię stylów malarskich, fizyczne i konceptualne ograniczenia powierzchni 2-D, granice tego, co można uznać za obraz, język krytyczny, który został opracowany w celu opisywania i krytykowania obrazów, i tak dalej. Trzeba przyznać, że jesteśmy w bardzo wczesnym etapie medium sztucznej inteligencji w tworzeniu sztuki, ale to medium może obejmować narzędzia takie jak kod, matematyka, sprzęt i oprogramowanie, opcje drukowania itp. aplikacja, oraz teoria krytyczna potrzebna do wykrycia i oceny kreatywności obliczeniowej i intencji artystycznej w znacznie szerszej dziedzinie informatyki. W tej chwili problemem jest stosunkowo niewielka liczba osób zdolnych do twórczej pracy w tej dziedzinie lub oceny roli maszyny w wykonywaniu procesów twórczych. Zmieni się to z czasem, gdy artyści, informatycy i historycy/krytycy staną się bardziej kompetentni. Dla artystów, którzy są zainteresowani możliwościami (i ograniczeniami) sztucznej inteligencji w kreatywności i sztuce, wykorzystywanie sztucznej inteligencji jako kreatywnego partnera już teraz ma miejsce i będzie miało miejsce w przyszłości. W partnerstwie obie strony wnoszą zestawy umiejętności do procesu tworzenia. Jak zauważa Hertzmann w swoim artykule, a Cohen odkrył w swojej pracy z programem AARON, ludzcy artyści wnoszą zdolność do wysokiej jakości pracy, intencję artystyczną, kreatywność i wzrost/zmianę w czasie. Sztuka to interakcja społeczna. Właściwie uważamy, że możemy argumentować, że sztuczna inteligencja robi sporo z tego i z pewnością wszystko to można osiągnąć w kreatywnym partnerstwie między artystą i jego systemem sztucznej inteligencji.

                                                          Marian Mazzon i Ahmed Elgammal

 

Sztuka, kreatywność i potencjał sztucznej inteligencji

przez

1 Wydział Historii Sztuki i Architektury, College of Charleston, Charleston, SC 29424, USA
2 Wydział Informatyki, Rutgers University, New Brunswick, NJ 08901-8554, USA
* Autorzy, do których należy kierować korespondencję.

Sztuka 2019 , 8 (1), 26; https://doi.org/10.3390/arts8010026Otrzymano: 2 stycznia 2019 r / Zaktualizowano: 12 lutego 2019 r / Przyjęto: 14 lutego 2019 r / Opublikowano: 21 lutego 2019 r(Ten artykuł należy do wydania specjalnego Maszyna jako artysta (na XXI wiek) )

Autorskie Wkłady

Konceptualizacja, MM i AE; metodyka AE i MM; konserwacja danych AE; oprogramowanie AE; walidacja AE; pisanie – przygotowanie autorskiego projektu MM (streszczenie, wstęp, rozdz. 3 i rozdz. 4 ) i AE ( rozdz. 1 i rozdz. 2 ); pisanie — recenzowanie i redagowanie, MM

Finansowanie

Badania te nie otrzymały żadnego zewnętrznego finansowania.

Konflikt interesów

Autorzy deklarują brak konfliktu interesów.

Bibliografia

  1. Agüera y Arcas, Blaise. 2017. Sztuka w dobie inteligencji maszynowej. Sztuki 6: 18. [ Google Scholar ] [ CrossRef ]
  2. Beniamin, Walter. 1969. Dzieło sztuki w dobie reprodukcji mechanicznej. W iluminacjach . Pod redakcją Hannah Arendt. Nowy Jork: Schocken, s. 217–51. Pierwsza publikacja 1936. [ Google Scholar ]
  3. Berlyne, Daniel E. 1971. Estetyka i psychobiologia . Nowy Jork: Appleton-Century-Crofts of Meredith Corporation, s. 336. [ Google Scholar ]
  4. Elgammal, Ahmed, Bingchen Liu, Mohamed Elhoseiny i Marian Mazzone. 2017. CAN: Twórcze sieci adversarial, generujące „sztukę” poprzez poznawanie stylów i odchodzenie od norm stylistycznych. arXiv , arXiv:1706.07068. [ Google Scholar ]
  5. Goodfellow, Ian, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville i Yoshua Bengio. 2014. Generatywne sieci przeciwników. W postępach w systemach przetwarzania informacji neuronowych . Cambridge: MIT Press, s. 2672–80. [ Google Scholar ]
  6. Hertzmann, Aaron. 2018. Czy komputery mogą tworzyć sztukę? Arts 7: 18. [ Google Scholar ] [ CrossRef ]
  7. Lewitt, Sol. 1967. Paragrafy o sztuce konceptualnej. Artforum 5: 79–84. [ Google Scholar ]
  8. Martindale, Colin. 1990. Mechaniczna muza: przewidywalność zmian artystycznych . Nowy Jork: podstawowe książki. [ Google Scholar ]
  9. Schneider, Tim i Naomi Rea. 2018. Czy sztuczna inteligencja dała nam kolejny wielki ruch w sztuce? Eksperci twierdzą, że zwolnij, dziedzina jest w powijakach. aktualności Artnet . 25 września. Dostępne online: https://news.artnet.com/art-world/ai-art-comes-to-market-is-it-worth-the-hype-1352011 (dostęp: 3 lutego 2019).
Link do artykułu: https://www.mdpi.com/2076-0752/8/1/26