ただで 数年で、自称AIアーティストによって制作されたアートワークの数は劇的に増加しました。 これらの作品のいくつかはによって販売されています 目まぐるしい価格のための大きなオークションハウス そして彼らの道を見つけました 一流の厳選されたコレクション。 当初は、創造的なプロセスの一部としてコンピュータープログラミングを採用した数人の技術的に知識のあるアーティストが主導していましたが、画像生成テクノロジーがコーディングスキルなしでより効果的かつ使いやすくなったため、AIアートは最近大衆に受け入れられています。
AIアート運動は、意味のある視覚情報を処理できるアルゴリズムの設計に専念する研究分野であるコンピュータービジョンの技術的進歩の裏側に乗っています。 生成モデルと呼ばれるコンピュータービジョンアルゴリズムのサブクラスは、このストーリーの中心的なステージを占めています。 生成モデルは、数百万の画像を含む大規模なデータセットで「トレーニング」し、統計的に顕著な特徴をエンコードすることを学習できる人工ニューラルネットワークです。 トレーニング後、元のデータセットに含まれていない完全に新しい画像を生成できます。多くの場合、目的の結果を明示的に説明するテキストプロンプトによってガイドされます。 最近まで、このアプローチで作成された画像は、多くの真面目な芸術家の注目を集めた紛れもないシュールレアリスムの魅力を持っていましたが、一貫性や詳細にいくらか欠けていました。 しかし、今年初め、テクノロジー企業のOpen AIは、ニックネームが付けられた新しいモデルを発表しました。 DALL・E2—事実上すべてのテキストプロンプトから非常に一貫性のある関連性の高い画像を生成できます。 DALL・E 2は、プロンプトで目的の効果が適切に指定されている限り、特定のスタイルの画像を作成し、有名なアーティストをかなり説得力を持って模倣することもできます。 同様のツールが名前で無料で公開されています クレイヨン (旧称「DALL・Emini」)。
AIアートの時代の到来は、多くの興味深い質問を提起します。その中には、AIアートが 本当にアート、もしそうなら、それは実際にどの程度ですか AI製—特にオリジナルではありません。 これらの質問は、写真の発明によってかつて提起された同様の懸念を反映しています。 カメラのボタンを押すだけで、ペイントのスキルがない人でも、突然シーンのリアルな描写をキャプチャできます。 今日、人は仮想ボタンを押して生成モデルを実行し、事実上あらゆるシーンの画像をあらゆるスタイルで作成できます。 しかし、カメラとアルゴリズムは芸術を生み出しません。 人々はそうします。 AIアートは、創造的な武器のもう1つのツールとしてアルゴリズムを使用する人間のアーティストによって作成されたアートです。 どちらのテクノロジーも、懸念ではなくお祝いを必要とする芸術的創造への参入障壁を低くしましたが、興味深いアートワークの作成に伴うスキル、才能、および意図性の量を過小評価してはなりません。
他の新しいツールと同様に、生成モデルはアート制作のプロセスに大きな変化をもたらします。 特に、AIアートはキュレーションの多面的な概念を拡張し、キュレーションと創造の間の境界線を曖昧にし続けています。
AIを使ってアートを作るには、キュレーターとしての行為を伴う方法が少なくとも3つあります。 最初の、そして最も独創性の低いものは、アウトプットのキュレーションと関係があります。 どの生成アルゴリズムでも無数の画像を生成できますが、通常、これらすべてに芸術的ステータスが付与されるわけではありません。 出力をキュレートするプロセスは写真家にとって非常によく知られており、写真家の中には数百または数千のショットを日常的にキャプチャし、そのうちのいくつかが表示用に慎重に選択される場合があります。 画家や彫刻家とは異なり、写真家やAIアーティストは、そのキュレーションが芸術的プロセスの一部である豊富な(デジタル)オブジェクトを処理する必要があります。 AI研究全般では、特に優れた出力を「チェリーピッキング」するという行為は、モデルの知覚パフォーマンスを誤解を招くように膨らませる方法である、悪い科学的実践と見なされます。 ただし、AIアートに関しては、チェリーピッキングがゲームの名前になる可能性があります。 芸術家の意図と芸術的感性は、芸術作品のステータスに特定のアウトプットを促進するというまさにその行為で表現されるかもしれません。
次に、画像が生成される前にキュレーションが行われる場合もあります。 実際、アートに適用される「キュレーション」とは、一般に、表示する既存の作品を選択するプロセスを指しますが、AI研究におけるキュレーションとは、人工ニューラルネットワークをトレーニングするためのデータセットの作成に入る作業を口語的に指します。 データセットの設計が不十分な場合、ネットワークは目的の機能を表現して適切に実行する方法を学習できないことが多いため、この作業は非常に重要です。 さらに、データセットに偏りがある場合、ネットワークはそのような偏りを再現するか、さらには増幅する傾向があります。これには、たとえば、有害なステレオタイプが含まれます。 ことわざにあるように、「ガベージイン、ガベージアウト」。 この格言は、「ゴミ」が美的(そして主観的)な側面をとることを除いて、AIアートにも当てはまります。