视觉领域下生成艺术的美学探究

视觉领域下生成艺术的美学探究

——以马里奥·克林格曼为例

麻若璇

（中国美术学院 上海设计学院，上海 201203）

摘要：文章对生成艺术的形态进行归纳分析，并与传统艺术对比，探究其在科艺交融背景下的特殊审美价值。艺术家与机器分工合作，能给观者带来新奇的感官体验，为艺术带来新的美学思考。

关键词：生成艺术；计算机美学；数字化；人工智能；艺术编程

中图分类号：J0 文献标识码：A 文章编号：1004-9436（2022）15-0-04

生成艺术（Generative Art）是基于计算机自动或半自动系统而创作的艺术。与大部分传统艺术不同，生成艺术随着科技发展而产生，其创作不仅仅是艺术家直接通过某种途径展示自己的想法和观点，而是设计出带有计算机运行规则的生成系统，让其自主创作艺术作品。这更像是创造一粒带有想法和观点的种子，在一部分规则的干预下，给予其自由成长的空间，最终成为代码艺术家的作品。通过特定的算法程序代码语言，借助计算机程序如同生物一般自由生长的作品形式，被称为“生成艺术”。

生成艺术的起源可以追溯至17世纪的概率论，但在20世纪初才实现创作运用。19世纪中期，由作家、逻辑学家、数学家组成的法国潜能文学工场（OULIPO）引入俄国数学家安德雷·马尔可夫（Andrei Markov）的“马尔可夫链”研究成果并生成艺术。法国潜能工厂试图用马尔可夫链的规则概念生成诗句，在语法规则的约束下，生产出的句子基本通顺。这样的诗句作品是典型的早期生成艺术作品。然后他们热衷于借助不同领域的规则形式进行文学创作，并认为发明规则比生产作品更重要［1］。

1 生成艺术的形式形态研究

1.1 准确无误的数据表达

1.1.1 嚴谨性

机器是严谨且不出错的。在严密的算法规则下，生成的艺术作品有着绝对准确的数据，它记录着每个外力转换而来的数据。所有数据都是有根据的，并非凭空捏造而成。

1.1.2 随机性

机器又是随机的。受控的随机性让它在规则范围内随机生成艺术作品，它的形态千变万化，带给人们陌生感，常用于艺术家对未来的幻想。如北京今日美术馆的“.ZIP 未来的狂想”艺术展的第一个作品《1194D立方》，由艺术家郭锐文通过Processing编程软件编写完成，极细的白色网格线构建出一个空间，其浮动方式令人联想到海洋。以三角形为基础的几何结构显现其中，它们迅速复制，集聚变形，生长成某种生命体般的结构，兼具坚硬和柔软的质感。它们平滑而快速地在墙壁和地面之间游移，如同本就是生活在墙壁中的生物。

1.2 色彩不受限

人们对色彩的选择往往受到自身喜好、常见搭配、色调的限制，但机器并不受限。机器使用三原色光模式，能混合模拟出全世界的色彩。它对色彩的搭配充满了实验性，跳脱了日常生活中习惯使然的色彩搭配逻辑局限。其大胆的色彩搭配往往带给人出乎意料的视觉感受，不同于其他艺术形式的感官体验，这正是艺术家们不断探索的东西。

1.3 绘制的创造力

生成艺术在图像形态上具有丰富的创造力，它不拘泥于常规的抽象或者具象的图形图案。在规则和信息的束缚下，它依然具有独特的创造力，表达着不一样的艺术。机器在图像绘制上大胆而又充满想象力，并且能不断学习完善艺术作品。虽然学习的内容均来源于人的主观输入，但其自身的创造性价值不可忽视。

1.4 可虚可实

生成艺术既可以制作出十分抽象大胆的艺术图像作品，又能通过学习去描绘近似真实的影像图画。其强大的能力可以做到虚拟与真实并存、抽象与具体相依。

2 生成艺术是否具备美学

2.1 生成艺术的美学阐述

美学是认知与感知的结合，它包含了特定时代人对自然和生活经验的见解与感受［2］。如今，生成艺术受到诸多质疑，但在未来，也许随着社会的发展，将会扭转人们的态度。这好比维多利亚时代的英国人将非洲雕塑视为丑陋的，但同样的雕塑在爱德华时代却被视为美丽的。生成艺术产生的作品挑战了传统的美学标准，但它是建立在过往传统艺术和人类审美的基础上不断发展的，符合事物的发展规律。这便说明它将会在一定程度上取代旧事物，并激发出新的美学定义。

美学与其他任何一门特殊学科都是由某个特征而被定义为一个整体。在现象学美学中，审美价值并不归属于某个客体的现实一面，而归属于该客体的现象的一面。因此，可以把生成艺术的美学研究当作一种审美对象来分析。

当人们将生成艺术简单视为一串代码或一片像素的时候，生成艺术便同一团颜料、一处墨渍一样，从审美角度来看并没有什么特殊意味。但是，当它作为观赏对象和一种新的艺术创作形式时，在审美上是有特殊意味的。

莫里茨·盖格尔（Moritz Geiger）强调：“重要的只是外表，而不是实在。”［3］生成艺术同其他审美对象一样，是一种外貌现象。观众可以在生成艺术表现出来的侧面特征中获得审美价值，而不会追问其创作途径。生成艺术如同传统艺术一般，通过人的思考并借助一定的途径完成视觉、听觉或其他感官体验的创作，生成艺术也如同传统艺术一样具备美学意义。

2.2 生成艺术与传统艺术的区别

生成艺术的创作类似于传统绘画的过程，但强调了创作规则和运作法则，看似自由的生长，实则无法逃离人类制定的规矩和科技的束缚。它既是科技发展的杰作，又是艺术家思想的凝聚。马里奥·克林格曼（Mario Klingemann）说：“在人类的感知和理解中，一些图像似乎比其他图像具有更高的地位，我们经常称这些图像为艺术。”在这个名叫“艺术”的信仰体系中，作品如同演员基于话本的上下文背景和叙事而扮演的角色，艺术家则是谱写话本的神，他们质疑传统艺术世界的逻辑和规则，不想被同化、被束缚。

对观者而言，传统艺术比生成艺术更符合人类的认知和逻辑。艺术家可以主观操控工具和材料，并基于自己的经验和创作习惯来表达情感和传递信息，对艺术作品具体的呈现细节拥有极强的控制能力。艺术风格不仅会受到艺术家个人绘画习惯和审美的影响，也会受到创作材料、绘画工具、经济条件、所属画派等外力的影响。

相较于传统艺术，生成艺术的风格与艺术家本身的关系不大，它更可能受到编程软件和语言的限制，如Processing擅长制作抽象化的动态交互作品。风格也可能受到计算机学习范围的影响，如现在争议很大的AI绘画软件Disco Diffusion便可以加上具体的画家或作品，为其风格的生成提供参考。总之，艺术家对生成艺术具体风格的掌控是有限的，不够熟练的艺术家所生成的作品可能和其预计的效果大相径庭。

2.3 生成艺术的独特美学价值

2.3.1 计算机的复杂性

从人类对艺术的评判角度看，复杂性被认为是艺术作品的价值体现及艺术家的水平展现，复杂度也被认为是衡量美的决定因素［4］。生成艺术可以在大数据下总结人类艺术审美规律并进行模仿和组合。它不仅能模仿人类从事绘画创作的技巧和构图，也能计算生成复杂且有一定规模的作品。因此艺术家可以省去大量的工作时间，给观者创造极好的感官体验。

2.3.2 感性与理性的平衡

人们普遍认为艺术是感性的精神产物，而计算机是理性的逻辑捍卫者。生成艺术似乎在感性与理性之间找到了平衡点，它通过研究数值展现复杂视觉下的秩序美。太复杂的形式可能降低作品的可读性，太秩序化的形式也可能让观者快速失去兴趣。

欧文·比德曼（Irving Biederman）的几何离子理论（Geons）提出人类对空间物体的理解取决于其基本几何成分的可辨识度，所以一个物体越难被剖析其主要元素，人们就越能感受到它的复杂性，这也经常被用作衡量视觉复杂度的标准复杂性［5］。生成艺术可让艺术家随时调整其作品的输出效果，以平衡观者的视觉体验。有些生成艺术还增加了互动传感器等装置，以帮助观者参与作品视觉的调整，与艺术家交流，并共同完成作品的生成活动。

2.3.3 可阅读性

伊曼努尔·康德（Immanuel Kant）提到，美丽和崇高在本身的愉悦点上是一致的，且不是预设理性的判断或逻辑上确定的判断，而是一种反思判断［6］。艺术作品的审美价值不一定是由内容或主题决定的，它与观者对作品的反应有关，与作品的生成概念无关。枯燥乏味的研究数据通过生成艺术可视化后，增加了可阅读性，降低了读取难度，这也可以激发非专业人士的兴趣，让他们通过视觉感受到数据背后的特点和信息的意义。

3 生成艺术能否替代人类艺术

生成艺术是人类艺术的一种特殊类别，但作为一种新式的艺术创作工具，可以在人类制定的规则下，突破人类思维逻辑的限制，带来新的艺术体验。生成艺术并不是独立发展的，它不仅依赖艺术家的思想，也依赖科学技术的发展。

机器学习的产物常被认为是自主行为，这只是机器的响应超出人类预期时产生的幻觉，它仍然被一定的人工参数限制［7］。基于机器学习的人工智能的创造力也是通过对数据的积累换取经验［8］。因此，基于计算机自动或半自动而创作的生成艺术，都离不开人的引导。如果人类没有对编程代码产生艺术领域的新理解，这场引起风暴争议的艺术变革是不可能发生的［9］。

在创意艺术领域，艺术家们开始意识到软件程序不只是简单的工具，而是创作艺术作品的材料。新的艺术与科技交融的学科不断涌出，设计师也通过计算机解决设计问题，并试图通过机器模拟输出调整视觉效果。自艺术家拿起数字化工具创作的那一刻起，科技与人类艺术便紧密联系在了一起。

设计师早已习惯用混搭的方式完成设计，而这样的设计正在帮助人类提高生活质量和工作效率。因此，生成艺术是人与机器合作的产物，也是人类艺术在科技发展下的新形式。科技的不断发展，其对艺术的影响不断加深，科艺交融的新局面将引起越来越多人的重视。

4 以马里奥·克林格曼作品为例进行分析

4.1 克林格曼与GAN

马里奥·克林格曼是一位以编程为创作方式的代码艺术家，而且对信息学、数学、物理学、生物学、语言学等有一定的了解。作为人工智能艺术领域的先驱，他研究的是机器学习与人工智能为视觉艺术提供了更多的可行性［10］。

克林格曼主要研究图像摄影的生成，目标是追求一种视觉与技术所结合的艺术探索。其作品的主要内容为机器生成的静态或动态肖像，使用机器学习创造视觉意象的过程被他称为Neurography，即神经摄影。他的艺术实践随着人工智能和深度学习的突破而有所发展，常用工具为生成式对抗网络GAN（Generative Adversarial Networks），这是艺术家常使用的深度学习模型，模型分为两个部分：生成器（Generative Model）和判别器（Discriminative Model）。

其中，生成器负责收集数据、学习图像、初步创作，并提供给判别器，判别器负责分析收集的资料，并对生成器提交的创作进行查验签收。这样的工作方式衍生出颇具个性的另类美学，这也是克林格曼的长期目标，即让机器不断发展其艺术风格［11］。因为人类提供的学习资料有倾向性，GAN可以与人类的传统审美习惯相适应，但没有创造独特的审美能力。

4.2 克林格曼的艺术作品

克林格曼认为人工智能可以成为人类从不同角度观察世界的强大工具，他制定了非常严格的科学算法规则和独特的组合搭配。他的肖像作品分为三种类型：人脸生成画、神经网络影像、计算机学习后的创作。

他的人脸生成画基于英伟达的Pix2PixHD算法，機器学习几千幅名画后产生一个人脸生成器。机器的精确计算方式让生成的作品同大师们的手绘油画并没有较大区别，但他的人脸生成画更具美颜写实效果。由于机器的严谨性，生成画在一些虚实的处理上更符合科学理论（见图1）。

神经网络影像更像是一台坏掉的照相机拍摄的作品。作品有两种主要形式：一种是将真实人脸裁切重组，生成新画面，由于使用类似照镜子的互动呈现方式，因此克林格曼称其为“无情的镜子”（见图2）；另一种是将一些不是人脸的照片拼合组成一幅似人脸又不是人脸的肖像画，克林格曼称它为神经衰变（见图3）。

机器学习创作的作品绝对抽象，与大部分生成艺术的呈现差不多，给予机器更大的自由创作艺术作品。这是克林格曼对机器模型的创作学习训练，是他解决像素、稳定性、帧速等问题的方式，也是他了解机器生成、运行的途径，他经常训练机器尝试设计不同的创作环节和方式，以便生成更另类、更具实验性的作品。

4.3 克林格曼的呈现方式

4.3.1 不同的算法方式

在固有的语言算法程序上，克林格曼借助的范围很广，HMTL5、JavaScript、SVG、PHP、Java、C++、R、Air、Actionscript都是他的常选项。他会根据不同的表达需求选择不同的算法运作。

4.3.2 不同的媒介方式

神经摄影是克林格曼描述他复杂的机器学习算法GAN神经网络的工作过程。他通过训练神经摄影，大胆使用光栅电子显微镜、机器部件照片，还在Instagram上创建无相机摄影。一旦建立起来，他的系统就能自动生成4000张艺术作品，而克林格曼将其理解为经纪人、教师、策展人或编辑。他将系统取名为Botto，并称其为一名去中心化的自主艺术家。他认为Botto的研究的有趣之处在于探讨是否能创造一台被视为艺术家的机器，而不是简单地批量生产像素的无名机器［12］。

他的艺术作品如同其社交账号置顶的漫画内容一样，科技发展进一步模糊了人类感知与计算机创作之间的关系。他认为真正的想象力是不存在的，人类的大脑无法从无到有创造出一些东西［10］。生成艺术是机器学习的一种，由算法产生的创造性虽不可视若无睹，但作品背后没有情绪且人的主观意识也不能被取代。

4.4 克林格曼的创作意义

就像摄影师对现实世界的定格取景一样，克林格曼生成并探索虚拟的多维潜在空间，寻找有趣的观点或动机。他教授机器规则，带领机器不断学习，运用不同的算法，借助不同的工具，丰富生成艺术的视觉体验。自学成才的背景使他在生成艺术的探索上没有传统艺术程序师的思维局限，这带给生成艺术更多发展可能。机器是他的工具，也是他的“签约艺术家”、他的“孩子”。他通过编码的方式与机器交流并传授知识，使艺术家的身份与职责得以相互转化。艺术家成为指挥者，给予作品主观意识和情感；机器成为实践者，为艺术家提供高效的作品。

5 结语

文章从生成艺术的形态着手，以先驱人物马里奥·克林格曼为例说明生成艺术应是人类艺术的分支而非对立面。生成艺术是一种新的艺术创作尝试，有着巨大的发展前景。也许生成艺术会带来一次既有意义又没有意义的变革，这终是科技对美学、对艺术创作的一次冲击。AI绘画已经不是海市蜃楼般的幻想，如何在突飞猛进的科技变革中自处，是艺术家面临的挑战。同时，生成艺术也为艺术家提供了新的机遇，它将减少艺术家重复性的劳作，将工作重心放在理论研究上。当艺术家创造出一颗种子，生成艺术便可以生长成一棵未知的参天大树。生成艺术的现阶段发展仅为冰山一角，在编程技术日渐普及下定能激发更大的潜力。

参考文献：

［1］ 王赛兰.创造一粒种子：生成艺术浅谈［J］.科技信息，2006（1）：64.

［2］ 菲什维克·保罗，迪尔·斯蒂芬，博菲特·简，等.美学计算的观点［J］.莱昂纳多，2005，38（2）：133-141.

［3］ 盖格尔·莫里茨.艺术的意味［M］.艾彦，译.南京：译林出版社，2012：3-11.

［4］ 伯克霍夫·乔治·大卫.审美尺度［M］.剑桥：哈佛大学出版社，1933：209-218.

［5］ 金熙雄，陈福权，古普塔·苏梅.基于价值的移动互联网采用：一项实证调查［J］.决策支持系统，2007，43（1）：105-107.

［6］ 康德·伊曼努尔.判断力批判［M］.印第安纳波利斯：哈克特出版公司，1987：39-44.

［7］ 佩珀雷尔·罗伯特.后人类状况：大脑之外的意识［M］.布里斯托：智力书屋，2003：112-116.

［8］ 科尔顿·西蒙，曼塔拉斯·拉蒙·佩洛斯·德，斯多克·奥利维耶罗.计算创造力：时代的到来［J］.人工智能杂志，2009，30（3）：11-14..

［9］ 皮尔森·马特.生成艺术：使用processing的实用指南［M］.纽约：曼宁出版社，2011：10-11.

［10］ 克林格曼·马里奥.昙花一现的细节花园［EB/OL］.世外桃源-艺术家及作品，https：//thegardenofearthlydelights.art/Mario-Klingemann，2022-10-13.

［11］ 拉尔斯.通过机器的眼睛看图像［EB/OL］.天才之家的视觉-社区，https：//www.eyeem.com/blog/mario-klingemann-ai-art，2022-10-23.

［12］ 琳特耶斯·托马斯.人工智能图片的合成：人工图像的革命［EB/OL］.德国放克新星，https：//www.deutschlandfunkkultur.de/ki-technologie-revolution-kuenstliche-bilder-100.html，2022-11-14.

作者簡介：麻若璇（1996—），女，湖南湘西人，硕士，研究方向：数字媒体艺术、视觉传达设计。