Нейросети в истории искусственного искусства: от механических устройств до ИИ
История взаимоотношений технологии и искусства насчитывает столетия, но лишь в последние десятилетия нейронные сети стали активным соавтором и инструментом творческого процесса. Этот путь не был линейным; он представляет собой эволюцию от простых механических и алгоритмических попыток формализации творчества к созданию сложных, самообучающихся систем, способных генерировать уникальные артефакты. Данная статья исследует ключевые этапы этой эволюции, технические принципы и культурный контекст возникновения искусства, созданного искусственным интеллектом.
Предтечи: механические и алгоритмические системы (до 1940-х гг.)
Концепция машинного творчества предшествовала появлению электронных вычислителей. В XVIII веке создавались устройства, такие как «Механический турок» Вольфганга фон Кемпелена (хотя это был мистификацией с живым оператором), демонстрировавшие саму идею машины, способной на интеллектуальную деятельность, включая игру в шахматы и рисование. Более существенными были музыкальные автоматы, например, шарманки или часы с мелодиями, которые выполняли заранее запрограммированную последовательность действий. Эти системы были детерминированными: их «творчество» жестко задавалось физической конструкцией (кулачками, штифтами) и не подразумевало адаптации или обучения. Они заложили философский фундамент для вопроса: может ли машина быть творцом?
Эра кибернетики и первых компьютерных экспериментов (1950-е – 1960-е гг.)
С появлением первых ЭВМ художники и программисты начали экспериментировать с алгоритмическим искусством. Ключевой фигурой был Майкл Нолл, сотрудник Bell Labs, который в 1960-х создавал компьютерные изображения, имитирующие абстрактный экспрессионизм, и сравнивал их восприятие зрителями с работами Мондриана. В это же время работала группа «Эпикур» в Штутгарте под руководством Фридера Наке и Георга Нееса, создававшая произведения с помощью плунжерных графопостроителей по строгим математическим правилам. Нейронные сети в современном понимании еще не применялись, но был заложен критический принцип: искусство может возникать из выполнения формальных инструкций (алгоритма), где художник определяет процесс, а не конкретный конечный результат.
Развитие искусственных нейронных сетей и их раннее применение (1980-е – 1990-е гг.)
После периода «зимы ИИ» интерес к нейронным сетям возродился с изобретением алгоритма обратного распространения ошибки. Это позволило эффективно обучать многослойные сети. Хотя основное применение находилось в распознавании образов и прогнозировании, начались первые попытки использовать НС в творческих задачах. Одним из пионеров был художник и исследователь Гарольд Коэн, разработавший программу AARON. Начав с символического ИИ (набора правил), Коэн позже интегрировал в AARON элементы машинного обучения. AARON мог создавать оригинальные рисунки, раскрашивать их и представлял собой одну из первых долгоживущих автономных систем-художников. Однако, в отличие от современных GAN, AARON не обучался на больших данных, а воплощал закодированные эстетические принципы своего создателя.
Революция глубокого обучения и порождение контента (2010-е гг. – настоящее время)
Прорыв наступил с развитием глубокого обучения, увеличением вычислительных мощностей и появлением больших наборов данных. Ключевые архитектуры, изменившие искусственный арт:
- Сверточные нейронные сети (CNN): стали основой для анализа и стилизации изображений. Алгоритм Neural Style Transfer (2015) показал возможность отделения и переноса художественного стиля с одного изображения на другое, используя представления, извлеченные CNN.
- Генеративно-состязательные сети (GAN): предложенные Иэном Гудфеллоу в 2014 году, стали краеугольным камнем. Две нейросети (генератор и дискриминатор) соревнуются, в результате генератор учится создавать реалистичные изображения из шума. Это привело к появлению гиперреалистичных лиц несуществующих людей, произведений в стиле старых мастеров (как проект «Портрет Эдмонда де Белами», проданный на Christie’s в 2018) и новым направлениям в цифровом искусстве.
- Трансформеры и диффузионные модели: Модели типа DALL-E, Midjourney, Stable Diffusion, основанные на архитектуре трансформеров и процессах диффузии, совершили новый скачок. Они генерируют высококачественные изображения по текстовым описаниям (prompt), демонстрируя семантическое понимание и комбинаторную креативность.
- Использование данных обучения: Многие модели обучаются на миллиардах изображений из интернета без получения разрешения или предоставления компенсации оригинальным авторам.
- Стилевой плагиат: Способность ИИ точно имитировать стиль живого художника может обесценивать его уникальный почерк и лишать доходов.
- Дезинформация и deepfakes: Технологии могут использоваться для создания реалистичных, но ложных изображений и видео с целью манипуляции.
- Смещение (bias): Модели воспроизводят и усиливают социальные и культурные стереотипы, присутствующие в данных для обучения.
Технические принципы ключевых моделей в искусственном искусстве
| Архитектура/Модель | Год | Принцип работы | Вклад в искусство |
|---|---|---|---|
| Алгоритмическое искусство (например, AARON) | 1970-е и далее | Детерминированные правила, заданные программистом-художником. | Автономное создание оригинальных графических работ, доказательство возможности машинного творчества. |
| Neural Style Transfer | 2015 | Использование предобученной CNN (например, VGG-19) для разделения контента и стиля изображения и их рекомбинации. | Демократизация создания работ в стиле известных художников, инструмент для цифровых художников. |
| GAN (Generative Adversarial Network) | 2014 | Две соревнующиеся нейросети: генератор создает изображения, дискриминатор оценивает их реалистичность. | Генерация фотореалистичных и стилизованных изображений «с нуля», новое медиа для художников (например, Марио Клингеманн). |
| Diffusion Models (например, Stable Diffusion) | 2020-е | Постепенное добавление шума к данным с последующим обучению сети обратному процессу – восстановлению изображения из шума на основе текстового описания. | Высококачественная генерация по текстовому запросу, невиданный ранее уровень контроля и доступности. |
Культурный, этический и авторский контекст
Распространение ИИ-арта породило комплекс вопросов. Проблема авторства стоит остро: является ли автором художник, написавший промпт, разработчики модели, создатели данных для обучения или сама система? Правовые системы пока не дают четкого ответа. Этические дилеммы включают использование для обучения изображений без согласия их авторов, потенциальный плагиат стилей, влияние на рынок труда художников и распространение глубоких подделок (deepfakes). С другой стороны, ИИ стал мощным инструментом-коллаборатором, расширяющим палитру человеческого воображения, позволяющим визуализировать идеи, недоступные традиционными методами.
Заключение
Эволюция от механических автоматов к диффузионным моделям представляет собой путь от жесткого, детерминированного псевдотворчества к стохастическим, обучаемым системам, способным к недетерминированной генерации. Современные нейросети не «понимают» искусство в человеческом смысле, но эффективно выявляют и используют сложные паттерны в данных для создания эстетически значимых объектов. Они стали новым медиумом, требующим от художника навыков куратора, редактора и диалога с системой. История ИИ-арта — это история симбиоза технологического прогресса и меняющегося определения творчества, где инструмент начинает играть все более активную роль в креативном процессе.
Ответы на часто задаваемые вопросы (FAQ)
В чем принципиальное отличие алгоритмического искусства 1960-х и современного ИИ-арта?
Алгоритмическое искусство основывалось на явных, прописанных человеком правилах и математических функциях. Результат, хотя и мог быть вариативным, был предопределен логикой алгоритма. Современный ИИ-арт, основанный на глубоком обучении, использует модели, которые самостоятельно выявляют сложные, неочевидные даже для создателей паттерны из данных (изображений, текстов). Генерация носит вероятностный характер и часто непредсказуема в деталях, что делает процесс более аналогичным стохастическому творчеству.
Может ли нейросеть по-настоящему творить, или она просто комбинирует увиденное?
С философской точки зрения, вопрос остается открытым. Технически, нейросеть действительно оперирует статистическими распределениями, извлеченными из данных обучения, и генерирует новые комбинации признаков. Однако человеческое творчество также основано на рекомбинации опыта, знаний и впечатлений. Ключевое отличие — в наличии сознания, интенции и эмоционального контекста у человека. Нейросеть не имеет намерения выразить что-либо; она оптимизирует функцию потерь. Поэтому ее деятельность корректнее называть «генерированием», а не творчеством в антропоцентричном смысле.
Кто является автором произведения, созданного с помощью ИИ?
Авторство является правовой и этической серой зоной. Существует несколько подходов: автор — человек, инициировавший создание (сформировавший промпт и выбрал результат); автор — команда разработчиков модели; произведение считается созданным в соавторстве человека и ИИ; или же оно не имеет автора-человека и не может быть защищено авторским правом (позиция Бюро по авторским правам США в большинстве случаев на 2023 год). Конкретный ответ зависит от юрисдикции и степени творческого вклада человека.
Какие основные этические проблемы связаны с ИИ в искусстве?
Каково будущее нейросетей в искусстве?
Ожидается дальнейшая интеграция ИИ как инструмента в рабочий процесс художников, дизайнеров и режиссеров. Модели станут более управляемыми и интерпретируемыми. Развитие мультимодальных систем (работающих с текстом, изображением, звуком, 3D-моделями одновременно) откроет новые формы синтетического медиа. Одновременно будут развиваться технические и юридические средства защиты авторских прав, цифровые водяные знаки для контента, сгенерированного ИИ. ИИ-арт, вероятно, станет самостоятельной, признанной художественной дисциплиной с собственной историей, критикой и рынком.
Комментарии