从技术到艺术：探索人工智能生成艺术中技术创新与美学价值的平衡

［摘 要］ 随着人工智能（简称AI）技术的迅猛发展，生成艺术成为数字媒体艺术领域中的一个重要分支。AI生成艺术的技术创新与AI美学价值的判定有利于探索AI创新机遇和AI艺术实践的合理边界，有利于赋能产业、规范行业、制定AI创新的技术标准与准则等。然而，如何在AI生成艺术中平衡技术创新与美学价值，仍是当前学术界和艺术界面临的一个重大挑战。旨在探讨人工智能在生成艺术作品中的应用，分析技术驱动的创作过程如何与艺术性的表达相融合。通过对典型AI艺术案例的研究，提出了一种综合考量技术与美学的创作模式，为未来AI生成艺术的发展提供了理论基础和实践指导，并强调了在技术进步与艺术表达之间找到平衡的重要性。

［关 键 词］ 人工智能；生成艺术；美学价值；技术创新；人机协作

一、引言

随着人工智能技术的迅猛发展，生成艺术（Generative Art）作为数字媒体艺术领域中的一个重要分支，逐渐引起了学术界和艺术界的广泛关注。生成艺术是指通过算法和计算机程序生成的艺术作品，其不仅在视觉艺术、音乐创作、文学创作等方面展现了巨大的潜力，还在不断挑战传统艺术的创作模式和美学观念。随着模型的迭代，AI技术推动着生成内容朝多模态信息融合、跨模态内容生成、智能化场景落地的方向快速发展，实现了AI智能生成呈自发且适应的有机生长。①近年来，深度学习、生成对抗网络（Generative Adversarial Networks，以下简称GANs）等先进技术的出现，让AI更广泛、更深入地应用于生成艺术。通过这些技术，人类艺术家的创作风格甚至可以被模仿和超越，人工智能就能自动生成高质量的图像、音乐和文本。如（Creative Adversarial Networks，以下简称CANs），通过学习风格和偏离艺术风格规范，创造出具有创意的艺术作品。②人工智能生成艺术主要指“基于人工智能算法自动或人工生成、操作和修改数据和媒体，并生成相应的文字、图像、音频和视频”③。从内容发展来看，AIGC 是“继PGC（Professional Generated Content，专 业 生 成 内 容 ）和UGC（ User Gener-ated Content，用户生产内容 ）之后，利用人工智能技术自动生成内容的新型生产方式，不仅会提升内容生产效率，也因人工智能模型对知识进行重新组合而创造出具有独特价值和独立视角的新内容”。随着底层技术和算法模型的突破性发展，AI催生的内容蓝海正在从辅助协作和降本提效向智能创作和增值创造扩散，为数智逻辑下的内容生态带来了全新的创作思路。④正因如此，AICG在艺术创作领域崭露头角，在各行业中逐渐发挥其强大的创新能力，大量的AI创作作品以及AI结合人工的创作作品被应用时也出现了许多的引发争议的审美和版权问题。以AI创作的人像作品为例，大量同质化的具有“AI特点”的图像被网友称为“一眼AI”“AI脸”。那么技术创新和美学价值如何在AI生成艺术中取得平衡就成了一个迫切需要解决的重要问题。本文旨在通过分析技术驱动的创作过程如何与艺术性表达融为一体，来探讨人工智能在生成艺术中的应用。笔者将总结出AI生成艺术的美学特征，并通过对AI典型艺术案例的研究，对其背后的技术原理进行探讨。此外，本文还将探讨艺术创作中人机协作的潜力，并对技术和审美提出一个全面考量的创作模式。成功的AI生成艺术不仅需要深刻理解艺术理论和美学原理，还依赖先进算法和技术的支持。因此，本文将强调在技术进步和艺术表达之间寻找平衡的重要性，为未来AI生成艺术的发展提供理论基础和实践指导。

二、人工智能生成艺术的技术基础

（一）人工智能技术概述

随着技术的不断进步，AI技术已经广泛应用于多个领域，生成艺术就是其中一种。下面将着重介绍几种人工智能技术，这些技术在生成艺术中具有一定的代表性。深度学习通过模拟人脑神经网络进行数据处理和模式识别，是人工智能的一个重要分支。在图像制作、音乐创作和文字制作上，深度学习技术成果显著。加州大学圣迭戈分校和谷歌研究公司2021年的一项研究显示，60%以上的图像生成任务使用了GANs技术。而 Transformer 模型在文本生成任务中的应用比例达到 70%。例如，卷积神经网络（CNN）在图像生成中被广泛应用，通过多层卷积和池化操作，能够生成高质量的图像。Recurrent Neural Networks（RNN）和 Long Short-Term Memory（LSTM）网络在音乐和文本生成中表现优异，能够生成连贯的音乐和自然语言文本。Ian Goodfellow 等人于 2014 年提出的GANs，由生成器（Generator）和判别器（Discriminator）两个对抗的神经网络组成。生成器负责生成伪造数据，而判别器则对数据进行判别，训练的目标是让生成器生成的数据尽可能逼真，直到判别器无法分辨真伪。GANs 在图像生成领域取得了显著成果，诸如 DCGAN、StyleGAN 等变体进一步提高了生成图像的质量和多样性。除了深度学习和 GANs，其他技术如变分自动编码器（VAEs）、自回归模型（Autoregressive Models）和注意力机制（Attention Mechanisms）等也在生成艺术中得到了应用。

（二）AI在生成艺术中的应用

根据 Allied Market Research 的报告，全球人工智能在艺术市场的规模预计将从 2020 年的 5.92 亿美元增长到 2027 年的 12.15 亿美元，年复合增长率为 26.91%。GPT-3 语言模型在文学创作中应用广泛，其在文本生成、对话系统和创意写作中的表现被多项研究认可。自2020 年发布以来，其 API 已被超过 300 个应用集成，用户数量超过 10 万人。生成艺术的应用涵盖了视觉艺术、音乐和文学创作等多个领域。在视觉艺术方面，DeepArt 和 Google 的 DeepDream 项目通过深度学习技术，将普通照片转换为艺术风格的图像。CANs能够生成具有创造性的艺术作品，突破了传统艺术风格的限制。在音乐创作方面，OpenAI 的 MuseNet 和 Google 的 Magenta 项目利用深度学习技术生成音乐。MuseNet 能够生成多种风格的音乐作品，从古典音乐到现代流行音乐均可完成。在文学创作方面，大型语言模型如GPT-3在文本生成方面表现出色，可以生成自然流畅的诗歌、故事和新闻稿件，显示出AI在文学创作方面的潜能。各种AI模型的工作原理和训练方法在生成艺术的技术实现中必不可少。在深度学习模型的训练过程中，通过大规模数据集的训练，深度学习模型可以在数据中捕捉复杂的模式。以卷积神经网络为例，通过不断调整网络参数，使生成结果逐渐接近真实数据，训练过程包括前向传播、损失计算和反向传播三个方面。在GANs的对抗训练中，生成者与判别者在不断提高辨识能力的对抗训练中互相博弈，生成者试图欺骗判别者。发现生成器和判别器之间的平衡点，从而使生成的数据既具有现实性又具有多样性，这是训练过程中的关键。通过学习数据的条件概率分布，自回归模型基于前一段数据在生成序列时对后一段数据进行预测。模型可以通过最大化数据的似然函数，在训练过程中产生连贯的序列数据。

三、人工智能生成艺术的美学特征

生成艺术不仅是技术的展示，更是艺术创作的重要环节，技术与艺术的表达如何融合才是其美学价值所在。对于生成艺术作品的认识和评价，美学原理和艺术理论是重要的基础。美学原理包括传统艺术创作中广泛运用的对称、和谐、平衡、比例等。形式主义、表现主义、后现代主义等现代艺术理论在审视生成艺术的审美价值方面提供了不同的视角。通过算法的设计与实现，AI生成艺术将这些美学原理体现出来，并在此基础上加以革新与突破。

AI生成艺术在很多方面都体现出美学特征。在视觉艺术中，从传统绘画风格到现代抽象艺术，AI都能生成形形色色的风格图像。比如GANs生成的影像，不仅能创造全新的艺术形式，还能模仿梵高、毕加索等艺术大师的风格。在音乐创作中，AI能够通过对音乐元素的分析和重组，生成从古典音乐到流行音乐等不同风格和情感的音乐作品，创新音乐表达方式。在文学创作中，AI通过自然语言处理技术，产生富有诗意和创造性的文本，在文学创作中展现出AI的潜能，这是一种创造性的文本。生成艺术的核心挑战之一就是技术与艺术的融合。解决这一问题的重要方法是人机协同模式。通过人类艺术家与AI的合作，创作出更丰富、更有深度的艺术作品，将人类的创意与AI的计算能力融为一体。将计算机科学、美学和艺术理论等众多学科的知识结合起来，有助于技术和艺术之间的平衡，跨学科合作也是生成艺术发展的重要方向。

生成艺术中的创意表达，既需要技术的支撑，又需要艺术家的参与和指导，因此艺术家在这一过程中起着至关重要的作用，其既是创意的源泉，又是作品的最终把关者，以使作品达到艺术审美和表达的要求。案例研究是认识生成艺术美学价值的一种重要方式。比较成功的案例有DeepArt和Google的DeepDream项目等，从不同角度展示了AI生成艺术中的潜力和美学价值。失败的案例，则提示我们必须把技术的运用与真正意义上的艺术作品结合起来，这样才有可能创作出真正意义上的有艺术价值的作品。

讨论以上的内容能更好地认识生成艺术的美学价值以及如何在技术和艺术之间找到平衡，随着技术的进一步发展和艺术家的不断摸索，生成艺术在以后的艺术创作中将占有举足轻重的地位并会不断创新与发展，以丰富艺术创作的内涵与形式。

四、技术创新与美学价值的平衡

（一）技术与艺术的融合

技术与艺术的融合体现在两个方面：人机协作和跨学科合作。在生成艺术中，人机协作模式是实现技术与艺术融合的重要途径。通过人类艺术家与 AI 的合作，AI 提供技术支持，生成大量创意素材，而艺术家则对这些素材进行筛选、优化和再创作，最终形成富有艺术价值的作品。Google 的 Magenta 项目就是一个典型例子，通过生成对抗网络（GANs）和循环神经网络（RNNs）等技术生成音乐片段和视觉艺术作品，艺术家使用这些生成的素材进行调整和编排，创作出新的作品。类似地，The Next Rembrandt Project 利用深度学习算法分析伦勃朗的作品风格，生成新的画作，艺术家和技术专家共同对生成图像进行优化，使其接近伦勃朗的原作。Artbreeder 是另一个成功的例子，它通过 GANs 技术允许用户混合和调整现有图像，生成独特的艺术作品，展示了人机协作在图像生成中的应用。具体的合作流程包括：AI 利用深度学习和 GANs 技术生成初步的艺术素材，艺术家从中筛选和优化这些素材，通过调整参数、修改细节和组合不同素材进行再创作，最终转化为具有独特艺术价值的作品。例如，DeepArt 通过深度学习技术，将普通照片转换为不同风格的艺术图像，展示了 AI 在模仿和创新艺术风格方面的强大能力。用户上传照片，系统自动生成梵高、毕加索等风格的艺术作品。该项目不仅在技术上取得了成功，在艺术界也得到了广泛认可。

生成结果不断地反馈与迭代，使AI根据艺术家的反馈意见对生成策略不断地进行改进和调整，从而生成更多与需求相适应的素材，达到人机协作的优化目的。上述事例说明人机协作模式在生成艺术中所起重要作用的同时，也表明AI与艺术家的紧密合作不仅为艺术家在创意素材与技术支持上提供了更丰富的发挥空间，而且使作品的艺术性与美学价值得到提高，从而在促进生成艺术发展中起到了举足轻重的作用。通过不断地反馈与迭代，AI将为人类艺术在创意上提供更广阔的发挥空间。

实现技术与艺术融合的重要途径是在生成艺术的发展过程中进行跨学科的合作。不同领域的专家可以通过结合计算机科学、美学、艺术理论等多学科的知识，就生成艺术中的技术与美学问题进行共同探讨与解决，从而促进生成艺术的创新与发展。Prisma是一款通过使用深度学习算法，将普通照片转换成类似知名艺术家风格图片的应用。Prisma的成功之处在于它的易用性，让广大用户轻松制作艺术作品的高质量图像效果。MIT Media Lab 的“Opera of the Future”项目通过使用人工智能、虚拟现实（VR）和增强现实（AR）技术，创造了一种沉浸式的歌剧体验，科学家、艺术家和设计师共同合作，利用 AI 生成音乐和视觉效果，并通过 VR 和 AR 技术将其融合在一起。类似地，Google Arts&Culture Lab 通过与博物馆、画廊和艺术家合作，利用 AI 和其他先进技术实现艺术创作和展示的创新，例如与英国国家肖像馆合作，通过 AI 技术分析馆藏艺术作品生成新的肖像画。斯坦福大学和旧金山艺术学院的“Morpheus Project”通过脑电波（EEG）技术和 AI 算法生成基于人类脑活动的艺术作品，科学家和艺术家共同工作，利用 EEG 数据驱动 AI 算法生成视觉艺术，并对这些生成的图像进行优化和再创作。这些跨学科合作的具体流程包括需求分析与方案设计、技术研发与艺术创作、测试与反馈以及展示与推广，通过这些流程，不同领域的专家将各自的知识和技能结合起来，不仅提高了技术的应用深度和广度，也为艺术创作带来了新的视角和方法，推动了生成艺术的发展。

（二）生成艺术中的创意表达

生成艺术中的创意表达，一方面依赖技术的支持和艺术家的参与，形成互补的创作模式；另一方面，AI的计算能力通过对艺术元素和素材的生成起到重要的推动作用，为艺术家提供了丰富的创作灵感来源。以AI-Da机器人为代表、以Runway ML平台为依托、以Adobe sensei等软件为辅助的实例，在拓宽艺术创作的边界、激发新的艺术表达形式方面发挥了重要作用。但艺术家的角色同样必不可少，既是创意的源泉，又是作品的最终把关者，在确保作品的艺术性和美学价值方面起着不可低估的作用。如“Refik Anadol”“Mario Klingemann”及“Anna Ridler”的艺术家，通过对AI生成素材的筛选再创作过程，将技术转化为富有深度与情感的艺术作品，将技术与艺术的结合发挥到了极致。而这种相互补充的创作模式，在提高作品质量及艺术表达的同时，也为生成艺术的发展带来了新的可能，在艺术史上具有不可低估的意义。

1. 技术驱动的创意

生成艺术中的创造性表达，除了技术支撑，更需要艺术家的参与和指导，因为艺术家在创作过程中扮演着至关重要的角色。技术所驱动的创意，利用AI的运算能力生成大量的艺术元素及创意素材，例如深度学习技术结合GANs，能够在很短的时间内产生大量富有创意的作品，为艺术家的创作提供丰富的素材和灵感。以机器人艺术家AI-Da为典型例子，它是通过机器学习算法和机械臂，由AI驱动而自主绘画并生成独特的艺术作品，激发技术所驱动的创意在艺术中的潜力，为人们展示了这个领域的所向。再如为艺术家和创意人员设计的平台RunwayML，利用深度学习和GANs技术生成图像、视频和文字，用户通过简单的操作就能创造出各种富有创意的内容，这让艺术创作的边界大大扩展。此外，Adobe Sensei还运用AI技术，帮助设计师自动化重复任务并提供智能建议，让设计过程变得更有效率、更具创意。这些实例通过AI技术产生的创意素材和元素，展示了技术驱动创意对生成艺术的重要作用，既丰富了艺术家的创作手段，又激发了为艺术创作带来前所未有可能性的新的艺术表现形式。

2.艺术家的角色

在生成艺术中，艺术家的角色至关重要，既是创作源泉，又能保证作品艺术性和美学价值。例如，通过学习大量艺术品的数据集，生成具有创新性和艺术价值的图像的AICAN是一种GANs模型。AICAN的作品曾在多个艺术大展中展出，并被美术界所认识与推崇。艺术家可以通过自己的艺术判断和技巧，利用AI生成的创意素材进行二次创作，提高作品的品质和艺术表现力。例如，艺术家RefikAnadol通过对城市建筑数据、自然景观数据等大量数据集的分析，创造出多个利用AI技术的大型公共艺术装置，生成视觉艺术作品，再通过自己的艺术加工，创造出令人震撼的动态影像艺术。同样，艺术家Mario Klingemann以AI生成的图像为基础，通过不断调整和加工，在世界多个艺术大展上展出并广受好评。再如，艺术家AnnaRidler利用GANs生成数以千计的图像，并将这些图像组合成视频装置作品，提供了一种独特的艺术视角，同时表达了创意。这些实例通过筛选、优化、再创作AI生成素材，将技术转化为有深度、有情怀的艺术品，展现了艺术家在生成艺术中的重要作用，实现了技术与艺术的完美结合。

五、未来发展方向与挑战

展望未来的发展方向和面临的挑战，至关重要的是生成艺术在技术创新和审美价值方面的不断进步。了解未来的趋势以及生成艺术潜在的问题，对这个领域的推进有很大的帮助。一些纯粹以技术为导向的生成艺术项目，其作品尽管在技术实现上表现优异，但在艺术性和美学价值上显得平庸。比如，一些过于依赖GANs技术而产生的形象，尽管细节丰富，但没有达到预期的审美效果，因此缺乏统一的艺术风格和主题。这些失败的案例提醒我们，要创作出真正有艺术价值的作品，技术的运用一定要结合艺术理论和审美原理。未来，随着技术的进一步发展和艺术家的不断探索，生成艺术将会在艺术创作中发挥更加重要的作用，推动艺术创作的创新和发展。为了实现这一目标，技术与艺术的深度融合、人机协作模式的优化以及跨学科合作的加强将是未来研究和实践的重要方向。下面笔者从 AI 生成艺术的技术新趋势、艺术创作的新模式以及相关的伦理和社会影响三个方面进行讨论。

（一）技术发展的新趋势

生成艺术的未来充满了新的可能性和挑战，因为人工智能技术在不断进步。技术发展的新趋势主要体现在以下几个方面：首先，更强大的深度学习模式会使生成艺术的品质和多样性得到进一步的提升。GPT-4等大型预训练模型和未来更高级的版本将显示出更高的创意和细节控制能力，包括文字、图像和音乐的生成。其次，通过将图像、文字、音频等各种模态的生成能力结合起来，创作出更复杂丰富的艺术作品，多模态生成技术将成为一个重要的发展方向。最后，通过增强现实（AR）和虚拟现实（VR）技术，观众与AI生成艺术作品之间的实时互动和沉浸式体验也将成为实时生成和互动艺术的重要研究方向。

（二）艺术创作的新模式

技术的进步将催生出更多的艺术创作新模式，人机协作模式会得到进一步的深化，通过更紧密的合作达到技术与艺术的完美融合。利用AI生成的创意素材进行二次创作，使艺术家探索出更多的艺术表现形式，跨学科的合作也将进一步促进生成艺术的发展，结合计算机科学、美术学、心理学等多门学科的知识，为生成艺术在创作方法和表现形式上的进一步发展和创新添砖加瓦。另外，生成艺术的教育与普及也将成为重要的发展趋势，对新一代艺术家进行培训，使他们对AI技术有深入的了解和掌握，从而促进生成艺术的进一步发展和创新。总之，在技术的推动下，艺术创作将不断推陈出新。

（三）伦理与社会影响

首先，版权问题和原创问题是很大的挑战。AI生成艺术作品的版权归属是复杂的，确定其原创性和归入权是有争议的，因为这些作品不是直接由人类创作的。保护创作者权益、激励创新，这些问题都需要在法律框架内解决。其次，社会的接受度问题也很重要。虽然在技术上AI生成艺术已经有了明显的进步，但是社会还需要时间来认可其艺术价值。在这一过程中，公众教育和艺术素养的提升将发挥关键作用，有助于社会更好地理解和接受生成艺术。此外，生成艺术的普及可能会对传统艺术市场和艺术家的生存环境造成冲击，需要平衡技术进步和传统艺术保护之间的关系。

六、结论

研究人工智能与生成艺术的开展，使大家认识到AI技术在艺术创作方面所表现出来的巨大潜力与多样性。生成艺术既丰富了艺术表达的形式和内容，又为艺术家与技术人员提供了新的合作平台和创作工具。但是如何在技术创新与美学价值之间取得平衡，仍是当前与今后研究的一个重要课题，因为这是一个需要大家不断探索与思考的课题。

首先，深度结合技术的应用是生成艺术得以成功的关键所在。随着AI技术的不断发展和成熟运用，诸如生成对抗网络GANs、变分自编码器VAEs等工具使生成艺术有了强有力的技术基础，但是艺术理论和美学原则的运用也是必不可少的。人机协作模式把艺术家的创造性和AI的计算能力有机地结合起来，从而创作出真正意义上的艺术品。

其次，生成艺术的美学价值不仅体现在技术的革新上，更体现在艺术家的介入与引导上，因此艺术家的参与和引导必不可少。虽然AI生成的艺术作品在技术表现上是出色的，但在缺乏艺术家审美观点和创意导向的前提下，作品本身的艺术性与美学价值是难以得到充分彰显的，因此艺术家可借助人机协作的方式，利用AI生成的创意素材进行二次创作来增强作品的艺术表现。这样艺术家在创作过程中的作用也同时得到了发挥。

此外，生成艺术的今后发展还面临着一系列重要的伦理和社会挑战。版权和原创性问题是AI生成艺术作品不得不面对的重要法律问题之一。社会对AI生成艺术的接受度也是影响生成艺术未来发展的关键因素之一。公众教育水平和艺术修养的提高，有助于更好地理解和接受AI生成艺术。虽然技术的进步带来了新的创作模式，但对传统艺术市场也产生了一定的冲击，所以如何平衡技术进步与传统艺术保护之间的关系，需要不断加以关注和研究。

总的来说，生成艺术与数字媒体艺术的发展带来了新的机遇与挑战，在技术创新与美学价值的平衡上不断促进艺术创作的创新与发展。随着技术的进一步进步与艺术家的不断探索，生成艺术在未来的艺术创作中将扮演更加重要的角色，创作出更丰富多样的艺术作品。通过技术创新与美学价值的平衡，生成艺术将不断促进艺术创作的创新与发展，生成艺术的表现手法也会多种多样。

参考文献：

［1］中国信息通信研究院，京东探索研究院 . 人工智能生成内容（AIGC）白皮书［R/OL］.（2022-09-02）［2022-11-05］. http：//www.caict.ac.cn/kxyj/qwfb/bps/202209/P020220902534520798735.pdf.

［2］蒋舸.论人工智能生成内容的可版权性：以用户的独创性表达为视角［J］.知识产权，2024（1）：36-37.

［3］闻天吉.驳人工智能“创作工具说”［J］.知识产权，2024（1）：85-105.

［4］王迁.再论人工智能生成的内容在著作权法中的定性［J］.政法论坛，2023（4）：16-33.

［5］刘丁勤.论AIGC创作中的因果可预见性［J］.科技与出版，2024（7）：36-47.

［6］巴尔特鲁塞蒂斯，阿胡贾，莫伦西.多模式机器学习：调查与分类［J］.IEEE模式分析与机器智能论文集，2019，41（2）：423-443.

［7］洪秀丽，杨德，崔明，金杰.用于图像合成的双感知GAN［J］.图像处理，2021（30）：4648-4661.

［8］卡泽姆扎德，S.，徐，W.生成性对抗网络的视觉特性：一项调查［J］.ACM计算概览，2020，53（3）：1-38.

［9］刘怡，王怡，李杰.使用GAN生成文本到图像：调查［J］.ACM计算概览，2022，55（1）：1-35.

作者单位：南京艺术学院

注释：

①崔金栋、李晨雨、李菲菲：《大数据背景下主流融媒体热点发现机制研究》，《情报科学》2021年第12期，第72-79页。

②Baltrusaitis， T.， Ahuja， C. & Morency， L. P.，Multimodal machine learning： A survey and taxonomy. IEEE Transactions on Pattern Analysis and Machine Intelligence， Vol.41，No.2，2019，pp.423-443.

③Whittaker L，Kietzmann T C，Kietzmann J，et al.，“all around me are Synthetic Faces”：The Mad World of AI-generated Media，IT Professional，Vol.22，No.5，2020，pp.90-99.

④詹希旎、李白杨、孙建军：《数智融合环境下AIGC的场景化应用与发展机遇》，《图书情报知识》2023年第1期，第75-85、55页。作者简介：陈伟（1982—），男，汉族，江苏盐城人，硕士研究生，副教授，研究方向： 数字媒体艺术。