解码创造力：生成艺术与人工智能

魏东

作为20世纪的重要艺术形式之一，数字生成艺术延续了现代艺术所追求的目标和原则，充分利用计算机所提供的一切，创作出充满计算视觉审美特征的作品。生成艺术拓展了人类创造力的界限，改变了艺术创作方式、过程与结果。人工智能艺术作为生成艺术的一个子集，通过艺术家、设计师建造自主机器，向算法提供数据，利用机器学习生成新的视觉作品。随着机器创造力不断增强，人的创造力重新获得评估。

生成艺术：艺术与算法

按照维基百科中的定义，生成艺术指全部或部分使用自主系统进行创作的艺术，这种自治系统通常是非人类系统，系统可以独立决定艺术特征，有别于艺术家直接做出决定。广义的生成艺术和艺术本身一样古老，可以分为数字生成艺术和非数字生成艺术，非数字生成艺术并不一定需要电脑。早在距今7.7万年前，来自布隆博斯洞穴的一个赭红色石块上刻着清晰的网格图案，反映了人类抽象几何思维和艺术。它看起来并不复杂，简单并高度有序，具备了生成艺术复杂性的基本范式。在20世纪现代艺术中，算法、几何、随机、抽象贯穿于各个艺术流派中，如达达主义艺术家马塞尔·杜尚（Marcel Duehamp）、让·阿尔普（Jean Arp），将随机作为创作动因。新造型主义、至上主义以及欧普艺术等反具象美学，将算法和几何形用于艺术创作实践中。特别是小野洋子（Yoko Ono）的指令艺术和索尔·莱维特（Sol LeWitt）的概念艺术，更是将艺术家对规则的制定和具体艺术执行分割开来，为早期生成艺术创作勾勒出雏形。今天生成艺术所面临的各种问题在艺术史中都可以找到雏形和答案。他们都没有使用计算机，但是却包含了生成艺术的所有关键问题。如果说他们的艺术探索展现出生成艺术中完全人的创造力，那么计算机科学家则让计算机成为生成艺术的加速器，是“算法”让人的创造力和计算机的创造力协作共进。

第一批以计算机编程作为创作手段的科学家成为算法学家或生成艺术家。从那时起，“生成艺术”和“计算机艺术”这两个术语就被同时使用，并且或多或少地可以互换。格奥尔格·尼斯（Georg Nees）、维拉·莫尔纳尔（Vera Molnár）等人在他们的艺术实践中使用计算机编程，并从同时代的现代艺术家思想和作品中汲取灵感，将秩序和随机性结合，发挥计算机重复执行的特点，促进形成生成艺术的计算视觉美学。然而刚开始数字生成艺术却受到主流艺术界的偏见，被看作是计算机艺术的一个分支。是穆里尔·库珀（Muriel Cooper）和约翰·前田（John Maeda）所在的MIT媒体实验室成为生成艺术孵化器，确立了计算美学。2011年，约翰·前田的学生本·弗莱（Ben Fry）和凯西·雷斯（Casey Reas）开发了适合艺术家和设计师的编程语言processing，带来开源运动以及网络社区，生成艺术呈现爆发式生长态势。

尽管人工智能生成的流体有机图像（the fluid organic imagery）看起来与抽象几何图形不同，但是人工智能艺术是生成艺术的一个子集，人工智能艺术作品很多是由GAN（生成对抗网络）创作的，如海伦娜·萨林（Helena Sarin）。与之前通过计算机指令、参数控制形态不同，人工智能通过大量的图例训练生成最终结果。从最终结果来看，人工智能艺术呈现出机器特征的数字超现实主义，2020年左右，生成式人工智能模型学会了模仿特定艺术家的艺术风格，可以接受自然语言输入，包括大型语言模型（LLM）聊天机器人如ChatGPT，以及Stable Diffusion、Midjourney等文生图人工智能艺术系统，这使得人工智能艺术越来越可用。在广告设计、插画以及其他创意类应用领域正在产生越来越大的影响力。

创造力：过程、方法与审美

生成艺术与人工智能通过开发机器的自主系统释放出艺术家的无穷创造力，产生新的计算视觉审美。在深入介入到计算机编码和数据处理的情况下，人和机器的创造力问题变得更加重要。

生成艺术专注于艺术创作的过程，过程的创造性体现在艺术家角色的转变与机器的复杂自主系统带来的改变。生成艺术的机器自主系统给艺术家带来惊喜，传统艺术家所展现出来的创造力属于自己，绝非画笔。然而，无论是生成艺术还是AI艺术，尽管艺术家在创作过程中仍然扮演重要角色，但是艺术家利用自然中的概念和算法，如涌现、集群等，使用计算机编码创造了另一个世界，这个世界是由内而外自然生长的结果，而不是由外到内塑造的人造世界。

在生成艺术中，艺术家的任务是在想法的基础上使用计算机编码制定规则和算法，交给计算机执行，而计算机不知疲倦，具有超强算力，充满逻辑和偶然。在某些情况下，艺术家认为生成系统代表了他们的艺术理念，基于計算机指令和机器学习的生成系统贡献了一部分创造力。艺术家需要在计算机编码和艺术之间找到平衡。而在更多情况下，自主系统则扮演了一部分创造者的角色。艺术家的重要工作变成了审美判断，选择、策划或创建训练集。尽管人工智能创作的艺术是生成艺术，但是与之前遵循手工编码基于算法的生成艺术不同，使用模型所需要的数据集训练生成对抗网络（GAN）或卷积神经网络（CNN），生成出流体有机图像并形成AI审美概念。生成对抗网络可以通过分析示例图像的数据集学习特定的美学。人工智能艺术的创造力体现在艺术家和人工智能系统之间的合作过程，但自主程度可能相差很大，而且结果在很大程度上取决于人工智能学习的数据的质量。

编码和数据是数字生成艺术的两个内在驱动力。使用计算机编码作为创意媒介的目的之一是避免使用定制程序软件所带来的限制，数字生成艺术可以通过数据和算法进行艺术创作，来更好地帮助我们理解自然的复杂性，为数字生成艺术作品赋予意义，也可以帮助理解我们人类自己的思维和机器思维的复杂性。数字生成艺术家用计算机编程语言与机器对话，深入介入机器创造中，形成透明盒子。而人工智能用机器学习训练数据集的方法，让计算机编码隐藏在背后。从计算机程序软件到编码艺术再到人工智能艺术创作行为变成从黑盒子到透明盒子再到黑盒子的过程。这一过程中艺术家的创造角色或被加强，或被减弱，不可置疑的是，对计算机编码的深入掌握是新一代生成艺术家必须掌握的技术，唯有如此，才会为数字生成艺术家带来更加广阔的创作天地。

需要注意的是，虽然复杂系统是我们当前关注的焦点，并在许多方面代表了生成艺术的未来，但复杂系统并不比简单系统更好，无论过去还是现在，每种系统在艺术实践中都有体现，有序与无序、简单与复杂，都为了满足系统和生成艺术的描述。

数字生成藝术具有计算视觉美学、数字超现实主义风格。生成艺术不仅创造贴近自然的虚拟图像，而且具有真正模仿自然本身创造系统的能力。可以从简单规则中显现出高度复杂性，“让人感觉更像是从土壤中生长出来的，而不是来自算法，”就像贾里德·塔贝尔（Jared Tarbell）的数字生成艺术作品，虽然它通过计算机代码创建并由像素组成，但看起来与模拟艺术一样呈现出有机形态。生长意味着由内到外塑造形态，而不是不同部分的组合。英国哲学家艾伦·沃茨（Alan Watts）认为，“从道家哲学的角度来看，自然形态不是制造出来的，而是生长出来的。制造出来的东西，如房屋、家具和机器，都是由各个部件组合而成的，或者像雕塑一样，是由外向内塑造的。”生长的概念体现出生成艺术的精髓。生成艺术不是提供无穷无尽的复制品，而是提供无穷无尽的独一无二的复制品。基于深度学习的生成式人工智能可以轻松批量生产独特的对象，这方面与生成艺术形式并无不同。

人工智能艺术生成的是一种流动有机图像，无论是扭曲的图像还是看起来贴近现实的图像，呈现出一种独特的机器美学，计算视觉图像和流动有机图像之间并没有不同，只不过基于编程的数字生成艺术更贴近对自然中算法和概念理解，而AI艺术更贴近机器学习样本的理解。就像Midjourney这类AIGC工具的大型图片来源ImageNet网站被假设是有效和详尽的真实样本世界一样，生成式人工智能的“现实主义”风格被假设成为现实世界中的一种媒介，让真实与虚幻变得模糊。但是，从计算机编程转变为使用提示词或按键生成图像，这一过程既是一种新的体验又可能会发展成一种很令人乏味的行为。

生成艺术伴随着人类创造而出现，特别是20世纪60年代以来，数字生成艺术中不断发展的机器自主系统所体现出来的控制权拓展了人类创造力的界限，改变了艺术创作方式。而艺术创作有助于人们理解生成艺术和人工智能的创造力以及人和机器之间的协作之美。生成艺术将是未来数字艺术创新的动力，不仅是美学创新的驱动力，还是批判性创新的驱动力。

（作者系中国传媒大学广告学院副教授）