- 0
- 0
- 0
分享
- 从机器生成到机器感知|David Young
-
11-11

引言 | 一朵花为什么没有被生成得更清楚?
当人工智能生成的图像越来越逼真,人们似乎已经习惯用图像的精细程度来衡量技术的进步。从生成一张照片,到模仿一种绘画风格,再到创造现实中并不存在的场景,人工智能正在不断突破视觉生产的边界。
然而,当大多数人关注机器“能够生成什么”时,美国艺术家 David Young 却将目光转向了另一个问题:机器究竟是如何理解它所看到的世界的?在他的作品中,花朵可能失去清晰的轮廓,几何图形可能演变成难以辨认的抽象结构,有限的数据也可能产生不可预测的视觉结果。这些看似不完美的图像,并不是需要被纠正的技术失误,而是他探索机器学习与视觉感知的重要入口。
通过主动限制训练数据、干预算法生成过程,David Young 将人工智能从图像生产工具转变为艺术研究的对象。他不再仅仅关注生成结果,而是试图让机器学习过程中的不确定性、差异性与局限性变得可见。
如果人工智能不必按照人类的方式观看世界,那么它所产生的图像, 是否能够拓展我们对视觉、感知与创造力的理解?
这篇文章从四组作品出发,梳理他如何通过小规模训练、极简输入和代码干预,让机器学习的局限成为审美经验。“从生成到感知”是本文的阅读线索,并非艺术家自定的阶段划分。
艺术家背景

David Young 是一位现居纽约的美国艺术家,长期关注 新兴技术如何塑造与限制人类的感知方式 。他以人工智能和量子计算为主要创作媒介,通过实验性图像探索技术创新背后隐藏的观念与假设。
凭借数十年计算技术领域的实践经验,Young 并不将代码与算法仅仅视为生产图像的工具,而是将其作为艺术研究与批判性思考的材料。他的创作挑战技术发展的单一化趋势,质疑人们对技术进步与创新必然性的固有认知,并尝试通过审美体验重新审视人与技术之间的关系。
在他的艺术实践中,技术的价值并不只体现在效率、优化与规模扩张上,更在于它能否为人类提供新的感知方式与思考空间。他希望通过艺术探索更加多元、更加人性化的技术未来,让审美体验与人类意识重新成为技术讨论的中心。
/01 用少量花卉图像学习自然
《 Learning Nature》的起点是纽约州 Bovina 农场的花卉摄影。Young 将自己拍摄的照片组成小规模数据集,用生成对抗网络(GAN)训练图像系统。与追求规模和准确性的工业应用相比,他选择以个人能够掌握的材料,观察学习过程会产生什么。

《Learning Nature》(2018)| 图片来源: https://davidyoung.art/work/learningnature.html
看这两张作品时,可以先辨认花瓣、茎和叶,再观察它们如何失去稳定的边界。局部仍保留植物的线索,其他部分则呈现出色彩拖曳、纹理混合和难以命名的形态。这种介于可辨认与不可辨认之间的状态,让观看变成了一次主动寻找。在 2018 年的文章《Little AI》中,Young 说明了人的持续参与:艺术家选择训练材料、调整输入,并从输出中筛选作品。图像并非机器独立完成的表达,而是数据、模型机制与人的判断共同作用的结果。
这组作品的价值不能只用“像不像花”来判断。更关注的是: 当再现不够准确时,机器处理图像的方式反而显露出来。 与此同时,观众把模糊纹理读成花朵的过程,也暴露了人类观看中的联想与期待。
/ 02 当输入只剩颜色与几何
如果去掉花卉等具体对象,画面还会发生什么?《 Tabula Rasa》进一步压缩训练材料,将输入限制为纯色与基础几何形式,让生成图像偏离对现实事物的再现。

《 Tabula Rasa 》(2018)|视频 来源: https://davidyoung.art/work/tabularasa.html
图中的细密网格、颗粒和明暗边界,使作品带有鲜明的数字质感。观看者很容易把这些形态想象成撕裂、挤压或相互争夺的力量。这样的描述来自人的感受,并不能直接解释模型内部究竟发生了什么。“Tabula rasa”通常译作“白板”。Young 在同名文章中借用这一概念讨论训练与经验,同时尝试用浪漫主义、情绪和崇高等词汇,描述那些难以直观理解的计算现象。他把“情绪”作为探索性的语言隐喻,而不是机器拥有情感的科学结论。
这一点也限定了本文所说的 “机器感知”: 它指模型从输入中形成计算表征并生成图像的过程,不等于人类具有身体经验的感知,更不等于意识。 作品让我们接触到技术的陌生性,却没有消除这种陌生性。
/ 03 让计算的物质条件进入作品
《 Little AI》把注意力从图像移向承载图像的装置。屏幕、电路板和连接线直接呈现在观众面前,机器学习由此有了一个可以被观察的物质形态。

《Little AI》(2019-2020)| 图片来源:https://davidyoung.art/work/littleai.html
根据艺术家的作品说明,这台运算能力有限的微型计算机被要求运行难以负荷的机器学习程序,因而出现过热、运行缓慢与显示闪烁等现象。通常会被当作故障排除的状态,在这里成为作品的一部分。正面图让我们看到发光的图像,侧面图则显露屏幕背后的支撑与连接。两种视角共同提示:数字图像需要具体的设备才能出现。观众面对的既是输出结果,也是维持输出的物理系统。
从等待机器交付图像,转向观察它如何在约束下运行。静态照片可以呈现装置结构,却无法完整传达闪烁、速度与热量等现场经验,因此不宜仅凭图片推断具体运行参数。
/ 04 从生成局限走向技术批判
在《 Hallucinations》中,Young 用小规模数据集训练 GAN,并以自定义代码逐张干预输出。官网将这些干预与艺术家对科技产业叙事的愤怒和怀疑联系起来。

《Hallucinations》(2023)| 图片来源: https://davidyoung.art/work/hallucinations.html
与前面的花卉形态、颗粒网格相比,这里的图像更像被牵引、拉伸的光束。暗部与浅色区域在画面中心相遇,方向性的纹理形成强烈的运动感。把这些视觉变化与代码干预联系起来,能帮助我们理解艺术家对生成结果的再次塑造。作品名“Hallucinations”具有双重指向:既关联 AI 生成虚假信息时常用的“幻觉”一词,也被艺术家用于质疑科技产业对未来能力的夸大承诺。系列中的标题取自科技领导者的言论,使抽象图像进入具体的公共话语语境。
但这里需要保持技术上的区分:作品采用 GAN,标题所借用的“幻觉”话语则涉及大语言模型。不能据此把图像中的抽象纹理,当作语言模型产生错误信息的直接可视化。这组作品把问题 从“机器如何生成”推向“我们如何相信关于机器的叙述” 。艺术家的角色也更加明确:他选择、干预并命名图像,让视觉体验成为讨论技术承诺的一种方式。
结语 | 当机器不再模仿人类
从一朵无法完全辨认的花,到一块暴露电路的屏幕, David Young 让人工智能艺术保留了迟疑、摩擦与人的判断。他的作品没有为“机器是否拥有感知”提供确定答案,却让这个问题获得了可以被观看、被比较、被讨论的形式。
当我们再次面对一张 AI 图像时,除了问它生成了什么,也可以追问:哪些材料、限制与选择,使这张图像最终出现在我们面前?在人工智能技术不断追求更高效率、更大规模与更逼真视觉效果的今天,David Young 选择了一条不同的创作路径。他主动缩小训练数据的规模,保留算法生成过程中的不确定性,并通过人工筛选与代码干预,让那些通常被视为技术缺陷的模糊、失真和不完整,成为艺术表达的重要部分。
从《 Learning Nature》对自然形态的重新生成,到《Tabula Rasa》对抽象视觉表征的探索,再到《Little AI》对计算物质性的揭示,以及《Hallucinations》对技术承诺的质疑,他的创作逐渐将人工智能艺术的讨论从图像本身引向更广阔的技术与社会关系。
对于今天的数字艺术与设计实践而言,这种探索也提供了一种启发:技术的价值不只在于它能够帮助我们更快速地实现既定目标,还在于它能否创造新的观察方式,促使我们重新理解人与技术之间的关系。
或许,人工智能艺术真正值得关注的,并不是机器最终能否像人一样创造,而是当机器以不同于人类的方式处理世界时,我们是否愿意重新审视那些习以为常的观看、理解与创造方式。当机器不再只是模仿人类,艺术便有机会成为理解机器、重新认识自身的一扇窗口。
备注:图片来自于网络,如有侵权请联系删除
指导老师:魏 东
作者:郑
可
-
阅读原文
* 文章为作者独立观点,不代表数艺网立场转载须知
- 本内容由数艺网主动采集收录,信息来源为 “互动媒体研究中心” 公开网络发布内容。第三方如需转载本内容,必须完整标注原作者信息及 “来源:数艺网”,严禁擅自篡改、删减或未标注来源转载。 并附上本页链接: 若您的内容不希望被数艺网收录,或认为此举侵犯了您的合法权益,敬请通过微信 ID:d-arts-cn 联系数艺网。我们将致以诚挚歉意,并第一时间为您办理下架或删除处理。




