首页 > 分享 > 陶锋丨人工智能视觉艺术研究

陶锋丨人工智能视觉艺术研究

萌宠菠菠乐园
2024-09-17 07:58

刊于《文艺争鸣》2019年第7期。

本文系未编排稿，成稿请查阅本刊。

2018年10月25日, 人工智能绘画作品首次由佳士得拍卖行拍出, 引发了人们对人工智能艺术的关注和讨论。而在去年, 威尼斯双年展中国馆也出现了现代科技元素——控制皮影运动的机械臂。从1956年第一届人工智能大会(美国, 达特茅斯学院) 提出人工智能概念以来, 人工智能的技术和研究经历过低谷, 终于迎来高峰, 智能机器人不仅在科技、医疗、工业、数学等领域应用广泛, 甚至也涉及了音乐、诗歌、绘画等文化艺术领域。相对于音乐和语言, 图像是最难被符号化、形式化的, 不过, 近些年来由于在图像识别技术的迅猛发展, 使得人工智能创作视觉艺术(例如绘画) 成为可能。

那么, 人工智能真的已经能够创作出艺术品吗?其创作艺术所运用的原理如何, 人工智能如何实现创造性呢?人工智能解决了艺术评价和艺术标准问题吗?我们应该如何去看待这些艺术品呢?

在回答这些问题之前, 我们首先来看看“人工智能”和“人工智能美学”这两个概念。1950年计算机之父图灵(A.Turing) 曾提出这样一个问题:“机器能思考吗?” 1在图灵那里, 只要机器人的行为与人类行为一样, 人们无法辨别, 机器就是智能的, 这就是人工智能专家们一直想攻克的“图灵测试” (Turing Test) 。麦卡锡则认为人工智能是“制造智能机器特别是智能计算机程序的科学和工程。它与使用电脑去理解人类智能的相关任务有关, 但是人工智能并不需要将自己限制于那种生物性的可观察方法之中”。他强调了人工智能对于研究人类智能的重要性。总之, 人工智能就是一种置于计算机等载体之中的人造程序, 用以模拟人类思维和行为, 包括推理、观察、情感、语言等。因此, 人工智能天然地与人类的思维、认知和感知模式相关, 所以, 也与人类哲学和美学紧密联系。

笔者曾经对“人工智能美学” (the Aestheticsof Artificial Intelligence) 做了一个初步的定义:人工智能美学研究的是在人工智能技术发展过程中所出现的与美学有关的一些问题, 其主要内容包括人工智能对人类感性(包括情感) 和艺术的模拟、人工智能艺术的风格与鉴赏、人工智能视野下人类情感和艺术本质问题等, 其方法主要是哲学美学的, 并需要结合诸多跨学科如脑科学、神经科学、生物进化等理论以及人工智能领域最新进展来进行研究。笔者认为, 人工智能中涉及的艺术诸问题, 是人工智能美学研究的重要内容。关于人工智能哲学、人工智能与文艺创作, 国内外专家已经多有论述, 而人工智能美学, 特别是人工智能美学中的艺术本质研究, 却罕有论及。下面, 笔者将以美学为基本方法, 以人工智能视觉艺术特别是绘画为案例, 结合最新的人工智能设计成果, 来探讨人工智能艺术的发展、创作机制以及艺术评价问题。

一、人工智能视觉艺术的发展和概念

很早就有艺术家借助仪器或者机器作画的案例, 如维米尔使用投影暗箱, 安格尔也有可能借助显像描绘器, 英国画家霍克尼(D.Hockney) 认为“从15世纪早期开始, 西方就有许多艺术家开始使用光学器材创造投影, 借此来帮助他们作画”。

到了20世纪中期, 随着电子设备如计算机、电视的诞生, 艺术家们试图开始用这些新的工具来创作艺术品, 人们称之为计算机艺术、数据艺术、电子艺术、信息艺术以及新媒体艺术等, 这些艺术概念既有相似之处亦有区别。计算机艺术强调的是艺术的工具和载体是计算机, 而后几种艺术形式不一定要使用到计算机, 也可以是影像装置、电子元器件等。

计算机艺术是人工智能艺术的基础和先声, 从20世纪90年代以来, 随着人工智能一些关键技术的突破, 使得人工智能艺术逐渐脱离了传统的计算机艺术, 有成为一门新的艺术形式的可能, 人工智能艺术更加重视计算机的智能性或者说自主性, 其根本目的是让计算机走上自动化的道路, 通过程序化、网络大数据、深度学习等方式, 创造出人类可以欣赏理解的艺术作品。人工智能艺术的研究有助于完善计算机之前所不具备的创造性、想象力和情感感知能力, 同时, 也是对人类智能的相关部分之原理的探询。下面我们先来回顾一下人工智能艺术发展的历史。

1. 人工智能艺术的基础:计算机艺术

计算机艺术指的是人们以计算机为工具, 创作艺术作品, “是一种计算机的实验性应用, 用来作为视觉艺术、音乐或者诗歌这些传统的艺术实践”。

最早的计算机艺术是一种利用计算机算法生成的简单图像, 可以称之为“算法艺术”, 如1949年亚当斯(C.Adams) 利用一台叫作“旋风” (Whirlwind) 的计算机生成了简单图像——《弹球》(Bouncing Ball, 见图1) 。随后, 计算机科学家们在不断地探索如何用计算机生成艺术作品。

1952年, 拉珀斯基(B.Laposky) 用示波器创作了名为《电子抽象》(Electronic Abstractions, 见图2) 的画作, 他解释道:“‘电子抽象’是抽象的艺术形式, 通过复杂的电波显出痕迹, 显示在示波器的负极射线屏幕上。”他希望借此来使得“科学和艺术”的结合成为可能, 后来他又创作出了有彩色效果的图画。德国人阿尔斯勒本(K.Alsleben)和帕索(C.Passow) 在1960年第一次使用计算机绘图, 1965年多位艺术家实现了用数字计算机作画, 并举办了一些画展, 如纽约举办的“白南准:电子艺术”“电脑绘图世界展”等。后来的工程师和艺术家继续研发出了二维和三维图像。

图1:亚当斯, 《弹球》, 1949年

这种借助计算机来创作的方式, 和“抽象艺术”“光普艺术”等现代艺术形式类似, 艺术家们仍然是在实验如何以一种逻辑的方式去安排形式和色彩。如瑞士构成主义艺术家比尔(M.Bill) 就指出了“算法艺术”的理论来源于康定斯基的构成主义。一些艺术家如诺尔(M.Noll) 通过分析蒙德里安的作品的结构、内克(F.Nake) 将保罗克利的作品分析成数据, 然后用计算机生成图像, 形成了计算机艺术中的“生成美学” (GenerativeAesthetics) 流派(见图3) 。由于早期的计算机水平的限制, 因此只能描绘接近于抽象艺术的基本形状和线条。随着1957年计算机扫描仪的发明, 使得计算机视觉艺术进入到了“图像处理”阶段, 这一阶段的计算机艺术的目的是尽量提高图像显现的还原度和真实性, 使之尽可能地还原真实的图像。

图2:拉珀斯基, 《电子抽象》, 1952年

到了20世纪70年代, 随着计算机制图、色彩还原、计算机显像等技术的发展, 计算机越来越多地被用于设计、建筑等领域中。而人机交互设置如绘图板(sketchpad) 、鼠标的发明, 使得人们用手绘的方式来“绘画”成为了可能, 从此, 计算机视觉艺术进入了“绘画程序”时期。计算机艺术吸引了更多的艺术家参与其中, 如哈林(K.Haring) 、安迪·沃霍尔等, 哈林认为, 计算机艺术所呈现出来的独特的形式美感——如笔触等吸引了他, 他认为, 处于计算机时代的艺术家需要使用一些与传统不一样的绘画手段。沃霍尔也在20世纪80年代中期开始用计算机创作艺术。随着触屏技术的发明以及屏幕色彩分辨率和还原度的进一步提高, 计算机艺术逐渐从复杂的程序设计中解脱出来, 人们可以直接在屏幕上作画, 计算机屏幕成了比画布要更加方便的绘画媒介。当代英国著名艺术家霍克尼就尝试用IPAD等智能工具进行绘画创作, 他认为, 这些智能工具不但改变了人们的绘画方式——比如需要用手指触屏绘画, 还改变了绘画原作和副本的关系, 因为分享出去的每一幅作品都是原作了。

图3:内克, 《克利》, 1968

著名计算机艺术家莫尔纳(V.Molnar) 认为计算机艺术可以实现以下四个目标:首先, 在技术上可以拓宽绘画的形式色彩的可能性, 促进视觉空间的发展。其次, 计算机可以满足艺术家的革新需求, 减轻传统文化形式的负担。第三, 计算机能够鼓励人们以一种新的方式去思维。最后, 她认为计算机能通过测量观众的心理反应去帮助艺术家。计算机艺术的产生被认为是计算机应用的巨大突破, “因为计算机第一次涉足被视为人类独有的领域:创造行为”。但是实际上我们可以看到, 在传统的计算机艺术中, 艺术家仍然是艺术的主体, 计算机不过是一种辅助工具, 帮助艺术家去表现, 其艺术创作的主体仍然是艺术家。

2. 人工智能艺术

人工智能艺术与传统计算机艺术的不同在于, 人们试图使得计算机拥有如人类那样的视觉感知、情感体验以及想象力、创造力等能力。艺术家们已经不是简单地将计算机视为画笔一样的工具, 而是试图创作程序, 让计算机能够一定程度上独立作画了。

图4:哈林, 《无题》, 1983

早在20世纪70年代, 人们就试图让计算机艺术脱离数学和技术, 而进入到传统视觉艺术的背景中去。伦敦大学的斯雷德艺术学院(theSlade School of Art) 建立了“实验与计算机系”, 是最早在教学中将计算机与艺术相结合的地方。毕业于该系的布朗(P.Brown) 发展出了一种形象生成系统, 该系统写出的程序可以创造出简单的图像。而荷兰的“人工艺术学院” (Institute ofArtificial Art) 则致力于将机器、计算机、算法与人组织一起, 共同实现“艺术产品的完全自动化”。学院学者认为, 机器比人而言要更加纯粹、客观和冷静, 可以完全不受任何非艺术性目的如名誉、欲望、金钱等影响, 因此能够创造出完全自动的机器艺术。

美国艺术家科恩(H.Cohen) 一直在发展计算机算法以便将创意过程和绘画程序形式化, 他将这种程序称作AARON。他在1978年设计了一种由计算机控制的机器人, 能根据程序结合随机因素去简单地画画(见图5) 。科恩强调的是计算机的“原生的自己做决定的能力”, 这已经超出了普通计算机艺术而进入到人工智能艺术的范畴了, AARON智能机器人所创作的绘画被诸如旧金山现代艺术博物馆等所收藏。但是科恩仍然认识到了人工智能艺术与真正的人类艺术相比还存在众多不足, 最复杂的计算机程序也无法实现艺术家的真正感觉。

图6:土佐尚子, 《神经宝贝》, 1993

图5:科恩, 《纸上颜料》, 2004年

随后, 计算机在图像识别技术上实现了突破性的发展, 如姿势识别、动态追踪以及面部识别等, 以及人工智能神经网络技术的发展, 使得人工智能创作艺术有了技术上的支持。如日本艺术家土佐尚子(NaokoTosa) 的装置艺术《神经宝贝》(NeuroBaby) , 就是将观众的声音输入与电脑生成的婴儿表情来实现互动, 探索智能计算机的语言和情感识别功能的可能方向(见图6) 。其他的人工智能艺术品还有巴金斯基(N.Baginsky) 利用神经网络创作的《三个塞壬》(TheThree Sirens) 、萨拉·罗伯特(S.Robert) 的互动装置艺术《早期程序》(EarlyProgramming) 、威尔森(S.Wilson) 的《情感多维空间中的漫游》(Excursions in Emotional Hyperspace) 等, 这些智能艺术的共同特点就是人与机器的互动性。威尔森认为, “人工智能的发展可能允许艺术家创作出拥有类人感性的艺术品, 这些艺术品与观众互动, 它们可以被视作在某些方面是智能的, 并且能从经验中学习”。

21世纪伊始, 人工智能在神经网络和深度学习(DeepLearning) 技术的发展, 使得人工智能艺术在模仿人类创造性和想象力上有了突破性的进展。首先是图宾根大学学者利用神经网络算法, 将现实图片与艺术家风格结合在一起, 生成具有艺术风格的图像。在2016年Google Deep Dream(以下简称为GDD) 利用神经网络技术, 训练机器学习识别图像, 并进一步生成艺术化图像。紧接着, 科学家们创造了GAN程序(生成对抗网络, GenerativeAdversarial Networks) , 通过让计算机学习、模仿艺术史中的经典作品, 来模拟生成类似的作品。但是, 这仍然无法让计算机摆脱复制作品的嫌疑。2017年, 科学家们又进一步地创造了CAN程序(创意对抗网络, CreativeAdversarial Networks) , 这种计算机程序, 在原先GAN的基础上, 通过修改网络的目标, 使其尽可能地偏离已经确立的风格, 同时又尽量保持在艺术品范围之内, 从而创造有创意的图像。这种程序, 使得计算机不再是简单地复制模仿对象, 而是通过模仿人类的创造性活动, 一定程度上能够独立地创造出有风格的艺术品了。而根据对艺术爱好者、专家们进行的双盲测试, 结果显示CAN程序所创作的绘画能够成功地骗过人们, 也就是说它们顺利地通过了图灵测试, 计算机似乎真的在视觉艺术上实现了智能化(见图7) 。

图7:CAN系统生成的高评分作品

让我们简要地总结一下当前人工智能视觉艺术的工作原理和机制。首先, 计算机的算法和程序是基础, 任何人工智能艺术中所需要的绘图和设计、视觉识别、生成程序、鉴别标准等都要能够形式化, 也就是用算法表示出来。其次, 专家库和网络大数据能够提供足够的信息基础, 如大量的经过标注的艺术作品, 使得程序能够去分类、鉴别甚至“学习”。第三, 无论是GDD、GAN还是CAN程序, 都是建立在人工神经网络(ArtificialNeural Networks) 基础上的。所谓人工神经网络, “是一种基于人类大脑的推理模型”, 它通过模仿人类神经元的工作机制, 而实现了机器的自我改进和机器学习。而最重要的一点, 就是最近十几年发展起来的深度学习(DeepLearning) 方法, 深度学习指的是让计算机从经验中学习并根据分层的概念来理解世界。深度学习取得突破性进展之一就是强化学习, 即在无人监督的情况下通过试错来学习执行任务。正是这些关键性技术的革新, 使得AI视觉艺术获得了突破性的进展。

从计算机艺术发展到人工智能艺术的历程我们可以看到, 艺术与科技紧密结合并相互促进。人工智能艺术是计算机发展到高度自动化的产物, 它有其独特的地方, 即希望能够实现机器的智能化、艺术创作的主动性, 而两者的结合, 才是人工智能的最高水平, 也就是我们说的强人工智能(Strong AI) , 因为艺术创作中包含了人类智能中最复杂的几个部分, 如创造性、艺术标准、意向性、审美情感、审美心胸、身心问题等, 而当前的人工智能体不像人类那样是由有机体组成的。所以计算机专家们也避免从主观方面来探讨, 他们主要是从可以量化和形式化的客观数据、经验、效果、观众的反应等方面来设计程序。既然如此, 本文就结合人工智能技术来分析, 看目前的人工智能是否实现了艺术的创造性以及艺术的评判标准。

二、人工智能艺术中的创造性和艺术评价1. 创造性

有学者们认为, 创造性对于人类进步是必要的, “创造性是驱动文明前进的关键因素”。艺术是人类创造思维的体现, 而创造思维又是人类智能最为复杂、最难以被计算机所形式化的能力。那么艺术中的创造性到底是一种什么样的能力呢?它可不可以被形式化呢?人工智能可否拥有一定程度上的创造力呢?

钱学森认为人类思维包括“抽象(逻辑) 思维、形象(直感思维) 和灵感(顿悟) 思维”, 其中的灵感思维就与创造性密不可分。哲学家康德在《判断力批判》中提出了“天才”的概念——“主体在自由地运用其认识能力时, 所具有典范意义上的原创性之天赋”, 天才是不可被模仿的, 天才的作品应该唤起其他人的原创性情感。从康德的分析中我们看到, 艺术最重要的能力就是这种典范意义上的原创性, 其实也就是我们所说的创造性内容之一。但是康德将这种能力给神秘化了, 认为“天才”是天生的艺术才能, 而不是通过后天能够获得的。脑科学家、心理学家则有不同的解释, 脑科学家利用fMRI (功能核磁共振现象) 技术探测创造性活动应该与脑部某些部位的活动激烈程度有关。而心理学家则认为, 创造性活动与情感、认知、训练以及环境密不可分。有些心理学家将创造性区分为“突出型” (eminent) 创造性和“普通型” (everyday) 创造性。突出型创造性指的是对人产生较大冲击的创造性, 而普通型则是解决日常问题以及适应改变的能力。

计算机专家们则认为可以通过设计程序、深度学习来使得智能计算机获得一定程度的创造性。图灵早在1950年就对所谓的计算机只能服从规则、不能创造进行了反驳, 他说, 那些所谓的原创, 不也是植根于人们所受的“教育”吗?或者是一些著名的普遍规则的影响的结果?

著名人工智能哲学家博登(M.Boden) 认为创造性是可以被界定和形式化的, 可以用算法来表示创造性。她将创造性分为“非可能性(Improbabilist) ”的创造性与“非现实性” (Impossibilist) 的创造性两种。前者是各种观念的重新组合, 而后者则是创造出之前未曾出现过的新观念。博登认为“非可能性”之创造性包括联想、类比和归纳三种。随着人工智能联结主义的发展, 人工智能对于联想、类比和归纳的模式化已经基本实现。“非现实性”之创造性与“概念空间” (conceptualspaces) 的描绘、探索和转变有关, 而概念空间是科学和艺术中的思考方式。人们在突破传统限制、考虑到传统的对立面以及变换变量时, 可能会实现概念空间的转变。例如, 毕加索的立体主义就是在对传统焦点透视的否定中创立的。而随着机器学习技术的发展, 一些智能模型已经能够转变其自身的概念模型, 如莱纳特(D.Lenat) 自动数学机等。博登认为, 科恩设计的AARON程序, 能够实现一些仿生的单臂操作, 其生成程序中加入了如审美平衡之类的评价标准, 它可以通过思考它所做的行为来决定其下一步要做什么, 这已经具有某种程度上的创造性了, 不过AARON仍然不能反思其作品, 以及调整并提高其作品。

综合以上说法, 我们可以将创造性区分为两种, 一种是“新奇性” (novelty) , 一种是“原创性” (originality) 。新奇性就是“从有生有”, 如前述的“普通型”创造性以及博登所说的“非可能性”创造性, 而原创性则是康德所说的天才、“突出型”创造性、“非现实性创造性”, 是“从无生有”, 而这才是艺术家追求的具有典范意义的原创性。

我们再来看看CAN即“创意对抗网络”中所涉及的创造性部分。首先, 我们要知道, CAN和GAN的发展都是人工神经网络和深度学习技术发展的结果。两者都是对大量艺术史作品进行学习之后才具有生成艺术图像的能力。CAN与GAN最大的不同在于, GAN只能模仿某类风格, 而CAN“通过偏离学习的风格来提升生成艺术的唤醒潜能(arousal potential) 而成为创造性的”。GAN系统有两种对抗性程序:生成器和鉴别器。计算机通过生成器来学习生成新的图像, 鉴别器则负责判断哪些是与计算机所设置的艺术训练组中相符合的艺术图像, 哪些不是。这种情况下, 是不可能产生新的、有创意的图像的。而CAN的创新性在于, 它在鉴别器中设置了两种标准, 一个是“是不是艺术”, 另一个是“所生成的艺术属于什么风格类型”, 这两种标准被设置成对抗性的, 即既要生成属于艺术范畴的图像, 又要设置不同于既定风格的即艺术风格模糊的图像。(见图8)

图8:CAN程序示意图

图1 0:康定斯基作品

图9:CAN高分作品, 在观众喜好上排名第一, 近似人类作品和意图性上排名第二

图1 1:Luis Roldan, 《无题》2 0 1 6, Miami Beach

我们可以看到, CAN程序在创新性上面, 使用了学习偏差(即最大限度地偏离既定风格) 以及鉴别艺术标准(最小限度地偏离艺术范围) 。也就是说, 创新是在既定范围内对原有规则的突破和偏离。CAN程序设计者们认为, 之所以艺术需要创新, 是因为艺术本身具有“外界刺激模式的属性”, 而人们对于外界刺激会产生习惯性, “中等的唤醒潜能刺激”有助于唤醒人们的审美意识, 太少的刺激会让人无聊, 太多则会使人厌恶。因此, 设计者的任务是“试图增加风格的模糊性以及偏离风格标准, 同时, 又避免太过以至于不能作为艺术被接受”。15CAN程序设计者做了5次双盲实验, 分别邀请艺术爱好者和艺术史学生, 来比较抽象表现主义绘画、巴塞尔艺术展作品、CAN绘画、GAN绘画作品。结果表明, 大部分的人认为CAN绘画是艺术品, 而且有着一定的意图性、视觉结构、可交流性等艺术特性。

下面, 我们来简单比较一下CAN生产的高分艺术品与表现主义、巴塞尔艺术展艺术作品,

在笔者看来, CAN的作品相比起其他两幅艺术家作品而言, 颜色上似乎不太和谐, 可能是由于过多依赖于计算, 使得色彩比较浑浊平庸。而构图和形状上也比较失衡, 不像康定斯基作品考虑到了形状和声音以及色彩的关系, 而洛尔丹的作品则相对地稳定。笔者认为, 虽然CAN的作品看起来似乎更加新奇, 但是绝非上乘之作, 无论是色彩、形状、构图还是笔触, 都没有实现审美上的和谐和平衡, 因此也就没有艺术逻辑可言。

之所以会出现这种评判上的偏差, 笔者认为, 这是因为首先, 创造性不只是一种“新奇”或者说差异, 创造性更重要的在于其“典范”意义, 艺术家追求的是“原创性”, 也就是说它涉及的是艺术中更为本质的问题和思维范式的革新, 而且革新的手段也是具有启示性的。例如印象主义要解决的色彩的直观性问题, 现代派绘画考虑的是绘画的平面真实性问题。智能体很难从已知的艺术史作品中预测出艺术本质问题的走向, 因此也就谈不到解决问题的革新手段了。计算机对数据的分析和归纳并不能上升为问题意识和思想, 这是人工智能创新性的根本难题。目前的人工智能是程序化地重组、拼凑原有图像, 即使能产生新奇的作品, 也不能算是成功的, 更谈不上原创性。另外, 无论是CAN、GAN, 还是别的艺术程序设计, 都要设置一个评判标准, 如CAN程序中设置的艺术鉴别、风格鉴别, 以及测试中以艺术爱好者的打分为标准, 这些标准是如何确定的, 果真能够去判断人工智能作品是不是真的艺术品以及其创造性吗?这就涉及了艺术评价问题。艺术是否有标准?艺术标准是不是固定不变的?人工智能是否可以做出艺术评价, 设置艺术标准?下面我们就来简单地探讨一下艺术评价问题。

2. 艺术评价

确定性是计算机和人工智能程序的根基, 从最早的图灵计算机到现在的深度学习程序, 都是建立在真假二值逻辑基础上的。有专家认为审美和艺术活动可以被形式化, 其前提应该是艺术品成为“审美评价的首要对象”。但是与此同时, 人工智能专家也承认, 艺术评价是非常主观的, 所以计算机可能无法用人类的术语去“评价其自己的创造性工作”。

人工智能想要创造艺术品, 首先必须有一个确定的评价体系和标准, 这包括以下几个方面:首先, 在为程序选择学习的艺术样本时需要有评价标准。例如CAN学习的是表现主义, 那么就要选择并标注那些表现主义中的经典作品, 而这种选择和标注, 只能是人来完成的。其次, 在程序通过学习提取特征并初步生成作品之后, 系统还需要鉴别器来鉴别是不是艺术品。但是, 如何判断一件新的作品是不是艺术品, 却面临着创新和标准之间的矛盾。CAN系统认为如果过度地唤醒观众的审美意识, 会造成观众的厌恶, 例如GDD程序的作品, 就是过度唤醒了, 所以造成了评论界的否定评价。我们将GDD作品与许多现代派作品来比, 前者似乎要温和许多, 也就是说, 当初野兽派、表现主义、立体主义等流派的作品按照CAN的评价标准来说, 是过度唤醒了, 应该被排除在艺术品体系之外了。最后, 程序最终生成的作品, 还需要观众来评价。笔者曾经参与过清华未来实验室高峰博士的“道子”人工智能国画程序的评价阶段工作, 深知人类评价对于人工智能艺术的重要性。

艺术评价涉及标准, 美丑曾经是艺术的基本标准。康德在《判断力批判》中提出了对艺术可以进行“鉴赏判断” (审美判断) , 判断的标志是审美快感或者不快感, 判断的结果是美或者丑。这种艺术上的二元判断发展到现代艺术却失效了, 现代派艺术的不和谐给人带了丑的震惊体验, 却更加深刻地揭示了艺术和世界的本质。艺术中的明确规则和外在标准都在不断地被打破, 所以哲学家阿多诺说, “与艺术有关的事情都并非自明的了, 既非艺术本身, 也非艺术与总体的关系, 甚至连艺术存在的权利也非自明的了。”

艺术作为一个不断发展的生命体, 其标准也是在不断变化的。阿多诺提出了判定真艺术和文化商品的一个标准是“真实内涵”[德]WahrheitGestalt) , 这种真实内涵不同于计算机的真假二值逻辑, 而是既有真假又有具体内涵的艺术标准。艺术的语言是真实的, 意味着它真实地模拟了事物的语言, 真实地形式化了自身的语言逻辑, 而艺术的语言逻辑是内在的、历史的。按照阿多诺的说法, 艺术标准就是一种建立在人类摹仿理性和本真语言上的动态标准, 它既有社会维度又有历史维度, 是时代精神的体现。因此, 现代艺术很难用简单的二元判断来评价。

但是, 我们也不是说艺术全无标准, 例如阿恩海姆认为视觉艺术应该符合格式塔心理学, 这是一种“普遍的真理内涵”, 使得艺术在任何时间和地点与任何人都有关联。完形心理学中提到的平衡、简化、完形等视觉心理形式, 确实能够成为评判视觉艺术作品内部结构的标准。CAN系统也将评价标准分为“相似性”“新奇性”“模糊性”“复杂性”等, 通过评价者分数的加权来判断作品的好坏。

无论是CAN还是GDD程序, 其基本原理是寻找和计算对象(现实事物、艺术经典作品) 形象上的一般规律, 然后根据这种规律加以再现、重组和变形, 再根据已有的艺术风格加以调整和评价。虽然CAN使用了风格模糊(偏差) 的方法, 但是其所谓的艺术评价标准还是来自之前的艺术风格, 并没有能力去根据艺术整体的发展规律去突破标准、重新调整标准, 而这种主动性却是艺术家所追求的。这需要一种艺术的总体思维和问题意识, 人工智能至少在目前是不可能从经验上升到这种整体的思维和意识的。另外, 艺术最重要的是蕴含着生命和情感, 正如康德所说的, 审美判断是与一种“生命感”有着直接的联系的具有主观性的判断, 这恐怕是人工智能永远无法实现的。

综上, 我们可以看到, 或许人工智能程序已经能够创作出以假乱真的艺术作品, 甚至通过“图灵测试”, 但这并不意味着人工智能已经拥有了如人一样的创造性以及艺术判断能力和标准。目前看来, 还不能说是人工智能自己创造了艺术品。

三、人工智能视觉艺术的问题和展望

人工智能视觉艺术还涉及很多问题。首先是意向性问题, 如果说智能体没有意识到自己正在创作艺术, 那么它的作品真的能称作艺术吗?它的作品与一只经过训练的猩猩的涂鸦甚至与一朵开放的鲜花又有什么区别呢?按照黑格尔的区分, 人工智能作品应该归于自然美, 而非属于艺术美范畴。其次是审美情感问题。当前关于人工智能的情感多是采用情感计算方式(aesthetic computing) , 即通过分析艺术品和观众的反应数据来设置情感程序, 智能体并非真的拥有情感。再次就是审美心胸问题, 其实也就是人类的精神超越问题。由于人工智能的机器属性, 它毕竟没有身体和心灵, 所以无法触碰到艺术最核心的部分, 艺术作为人类精神产品, 其最终目的是实现人的身心和谐、心灵超越以及人与人、人与自然的和谐相处。人类通过艺术, 是为了实现审美心胸的拓展和最终自由, 如果一切都由计算机代劳了, 那么人类如何实现精神自由呢?如果这些问题无法解决, 那就不能说人工智能真的创造了艺术, 实现了最高级智能。

而未来, 人工智能艺术将向两方面发展, 一方面是继续摹仿人类艺术的风格和内容, 也就是从视觉感知、创造性、艺术评价和标准等方面进行研究, 创造出近似人类艺术的作品。这种技术发展具有很强的实用前景, 它可以直接应用到机器的视觉和语音识别、情感服务与交流上面。也可以代替人类进行一些艺术的初级活动, 创造一些风格多样但是却缺乏足够创造性的艺术商品, 以满足人民的日常审美需求。另一方面, 人工智能艺术更重要的应该是摹仿人类艺术的形式和精神, 即人工智能真正像人类那样具有创造性和审美判断能力, 能自己制定艺术标准, 最终能够意识到自己在创作自由的艺术, 从而创造出属于自己的艺术。而如果能实现这一点, 那么人类也就同时会揭开人类创造性、审美能力和意向性之谜了。

不过, 需要指出的是, 人类创造人工智能的最终目的, 不是要让人工智能取代人类, 而是为了更好地研究人类自身的秘密, 为了让人工智能帮助人类实现自由。

责任编辑：