在美学家看来,人工智能无法创作真正的艺术的原因有

一、在美学家看来,人工智能无法创作真正的艺术的原因有

1、人工智能无法创作真正的艺术的原因有：

2、对于艺术家来说,艺术作品可分为“创作”和“习作”。“习作”指为了实现特定训练效果而做的针对性练习,临摹或模仿别人的作品也没有问题,并不必然要求作者独特或完整的表达;而一件作品能被称为“创作”最重要的特征就是,这件作品或是主题观念,或是表现手法,至少在一个方面是崭新和独特的。这有时依赖于艺术家对私人经验的深度挖掘,有时来自于艺术家单纯寻求与他人或既有作品的差异。总之,只有具有了某些创造性因素,才称得上“创作”。

3、所谓“创造”,按其本意,意味着从无到有,不依赖任何前因而凭空产生出了超越既有经验的新因素。新创造物与既有物应有着本质差异,因此无法被归入之前的类别之中。“创造”曾被认为是上帝的特权,随着人文思潮兴起,人的创造能力得到了确认和强调。在艺术史上与此对应的是,文艺复兴前所盛行的是写实倾向的宗教画,艺术被定位于忠实地反映自然或为宗教教化服务,并默认了对人创造性的压制;而文艺复兴之后的艺术史历程可以看成是对人的创造能力不断肯定和解放的过程。在现代派之后的当代艺术更明确把“创新”和“突破”作为核心目标和取向。

4、这要求艺术家总要在既有艺术经验范围之外提供一些“彻底的新东西”出来。所谓“彻底的新东西”,意味着其不能被既有的创作原则所统摄,甚至是对传统的彻底决裂。这些新经验扩充了人类直感经验范围,同时这个扩大了的范围又成为了新的超越和突破的对象。这是对艺术概念,尤其是当代艺术概念最纯粹和最狭义的理解,否定这一点就完全无法整体把握当代艺术脉络。也正因为当代艺术创作的目标就是定位于打破固有和习惯性的理解方式,当代艺术品常表现得“令人费解”,但这正是凸显其创新本质的内在要求。

5、如果一件作品完全落在了某个传统之内,或本身就是一种重复和模仿,那么就丧失了被载入艺术史的资格。这本身也是艺术史生成的基本逻辑,积极介入传统可以让艺术家更容易被理解和接受,但艺术家对艺术史的否定性“借鉴”和重新定义使其能够被载入艺术史。即使在前现代,艺术史的形成逻辑也绝不是单纯地记录,巨大数量的艺术家群体中技法足够精湛的艺术家并非少数,但能被载入艺术史的终究寥寥无几。这纯粹是因为外在偶然原因吗?即使在写实主义的大框架内部,能被载入史册的艺术家也一定是在技法或效果呈现上有所创新或具有独特性。所以,艺术,尤其是当代艺术的核心精神之一就在于突破和超越既有经验,而不是重复、模仿或仅仅技法上的纯熟。框定了我们所讨论的艺术创作的基本含义之后,我们再来看另一个主题,深度学习人工智能。

6、“智能”可泛化为一种信息处理系统。人类接受外在刺激并做出反馈,以实现具有明确目的性的复杂功能,因而被认为是具有智能的。人工智能则意味着这样一种信息处理系统是由人工设计和制造的。而本文谈及人工智能的含义比字面意思要更加狭窄,即特指以AlphaGo为代表的基于深度学习卷积神经网络算法的人工智能。

7、经典的人工智能算法可以被看成是建立在“归纳建模”思路上,即模型来自于对规律或规则的归纳,建模即在描述被描述对象的规则或本质,所以模型中的每个变量和函数都具有特定的规律或规则意义。这是我们熟悉并能够直观到的建模方式。譬如战胜卡斯帕罗夫的“深蓝”电脑程序就是技术人员根据几个国际象棋大师顾问的总结意见设计的。所以其基本设计思路是借助模型进行穷举,即利用计算机的计算力优势遍历一步棋后的所有可能性(事实上深蓝的算法有“剪枝”优化,并非“所有”可能)。对于设计人员而言,深蓝电脑是一个透明的“白箱”,深蓝电脑的对弈策略不会超出设计人员的理解,只是利用了计算机计算速度更快的优势而已。这跟用计算器计算多位数乘除的运算比人心算的速度更快并没有本质区别。这很直观也很容易理解,所以我们也很清楚深蓝的可能性界限所在,即深蓝的博弈策略本身不会超出编制程序的象棋专家的掌握范围。

8、围棋的“取胜规则”比围棋规则本身复杂得多,人类棋手无法用归纳方式完成。AlphaGo“利用深度卷积神经网络这个万能函数,通过学习来拟合两千多年来人类所积累的全部经验及制胜模式,并将其编码到神经网络的庞大参数集中。对于当前棋局的任何一个可能的落子,训练好的神经网络都能够预测出它的优劣,并通过有限数量的模拟搜索,计算出最终的获胜概率……由于AlphaGo对每个落子以及最终胜率的预测,是建立在围棋界两千多年来所形成的完整知识库之上的,它的预测比人类最优秀的棋手更准确。”6可见, AlphaGo所找到的围棋取胜规则一定超出了人类理解,因为预测建模是在用拟合方式刻画离散样本间的外在联系,因此“万能函数的参数一般不具备任何物理意义,模型本身往往只能用来模拟或预测某个特定事物或现象,并不能揭示被描述事物或现象的本质及内在规律。”7所以即使是AlphaGo设计者也不可能直观把握到。对于设计者来说, AlphaGo一旦开始了训练和学习,它就变成了一个以最终取胜为导向的“黑箱”。设计者只能根据AI系统输出的外在结果来检验其运作有效性。所以AlphaGo给我们一种强大又神秘的印象,乃至让我们对AI的能力做出过多想象。