王昊海 劉遠(yuǎn)志

摘? 要：人工智能的時代背景下，在技術(shù)創(chuàng)新的驅(qū)動下誕生了新的藝術(shù)媒介，藝術(shù)媒介的革新帶來了更多元的藝術(shù)創(chuàng)作空間。GAN作為深度學(xué)習(xí)模型將傳統(tǒng)藝術(shù)創(chuàng)作的方式進(jìn)行了自動化，利用GAN進(jìn)行藝術(shù)創(chuàng)作的流程與攝影具有高度的相似性，是對藝術(shù)生產(chǎn)力的再度解放。藝術(shù)家一旦參與進(jìn)GAN的構(gòu)建與創(chuàng)作中，其與藝術(shù)作品間的關(guān)系也會發(fā)生轉(zhuǎn)變。GAN應(yīng)用所帶來的藝術(shù)倫理的改變將會在討論聲中逐漸創(chuàng)立藝術(shù)的新秩序。

關(guān)鍵詞：GAN;人工智能;藝術(shù)創(chuàng)作;生成式對抗網(wǎng)絡(luò);攝影;創(chuàng)意媒介

一、藝術(shù)與GAN

生成式對抗網(wǎng)絡(luò)（Generative adversarial networks， GAN）是由Goodfellow等人在2014年提出的深度學(xué)習(xí)模型[1]?；谀Ｐ偷臄?shù)學(xué)特性，GAN對于圖像信息進(jìn)行訓(xùn)練無需額外的監(jiān)督，因此其目前主要的研究對象是視覺影像。GAN模型可以用于各個領(lǐng)域，初衷也并非應(yīng)用于藝術(shù)創(chuàng)作，但是其對視覺影像的廣泛研究得以在影像藝術(shù)領(lǐng)域率先應(yīng)用。一些藝術(shù)家已經(jīng)嘗試使用GAN進(jìn)行人工智能的藝術(shù)創(chuàng)作并取得了良好的社會反響，GAN還迅速以信息化優(yōu)勢得以大眾化，紅極一時的視頻實(shí)時“換臉”應(yīng)用程序也利用了GAN進(jìn)行實(shí)現(xiàn)。GAN與其衍生的模型對藝術(shù)創(chuàng)作手法和傳統(tǒng)藝術(shù)觀念產(chǎn)生了越來越深刻的影響，GAN輸出視覺影像的模式已經(jīng)如同攝影術(shù)的出現(xiàn)那樣對當(dāng)代藝術(shù)的倫理提出了巨大的挑戰(zhàn)。

二、藝術(shù)媒介的演變

在攝影誕生之前，西方主流的觀點(diǎn)認(rèn)為，藝術(shù)的目的就是忠實(shí)地模仿自然[2]，由于生產(chǎn)力尚未爆發(fā)式增長，藝術(shù)媒介在很長一段時間里并沒有出現(xiàn)質(zhì)的改變，藝術(shù)家們也幾乎一直忠于這樣的終極目的進(jìn)行實(shí)踐。而攝影的誕生以其無可比擬的優(yōu)勢打破了這一思維定勢，科學(xué)技術(shù)的突破帶來的藝術(shù)媒介的進(jìn)階，將傳統(tǒng)藝術(shù)從準(zhǔn)確描繪模仿自然的歷史使命中解放出來。

藝術(shù)媒介的演進(jìn)為藝術(shù)突破奠定了物質(zhì)基礎(chǔ)。藝術(shù)創(chuàng)作的突破性進(jìn)展往往也伴隨著新技術(shù)或者新手段的出現(xiàn)。達(dá)·芬奇的作品為什么這么成功？因?yàn)樵诋?dāng)時他運(yùn)用了新的顏料、新的繪畫技法、新的工具[3]，由此又會誕生新的藝術(shù)觀念進(jìn)而再次推動藝術(shù)媒介的演進(jìn)。伴隨著近現(xiàn)代生產(chǎn)力的解放，藝術(shù)媒介的更迭更加迅速與多元化。于傳統(tǒng)藝術(shù)形式而言，通過對不同維度信息的捕捉輸入至計算機(jī)完成了初步的信息化，承接傳統(tǒng)藝術(shù)創(chuàng)作的介質(zhì)在變化，但是藝術(shù)創(chuàng)作的過程依舊沒有突破傳統(tǒng)維度，而GAN模型的應(yīng)用會改變這一現(xiàn)狀。

三、GAN：將藝術(shù)創(chuàng)作流程攝影化

攝影在按動快門的一瞬間即完成了創(chuàng)作的大部分，藝術(shù)家對于鏡頭捕捉光線在底片上留下影像這一過程是難以干預(yù)的，而這樣的一種顛覆性的創(chuàng)作過程使得攝影創(chuàng)作的藝術(shù)性直到今天依舊存有爭議。即便如此，當(dāng)今大部分的藝術(shù)創(chuàng)作中都可以看到攝影思維的影子，攝影也以其便捷性成為一種強(qiáng)有力的工具來輔助其他類型的藝術(shù)創(chuàng)作，為其他藝術(shù)形式的傳播提供了可靠的延展。傳統(tǒng)藝術(shù)創(chuàng)作對技藝精良的需求是極高的，未經(jīng)歷常年累月的技術(shù)訓(xùn)練和相對長時間的創(chuàng)作過程就幾乎無法創(chuàng)作出優(yōu)秀的作品，而攝影尤其是進(jìn)入數(shù)碼時代后的攝影幾乎沒有技術(shù)訓(xùn)練的需求，藝術(shù)觀念的表達(dá)不再依賴于漫長的創(chuàng)作過程。

（一）GAN模型與攝影模型

圖1反映了藝術(shù)家利用GAN模型進(jìn)行創(chuàng)作的過程。GAN模型會依據(jù)輸入圖像與輸入需求進(jìn)行圖像輸出，藝術(shù)家需要對傳入人工智能模型的圖像進(jìn)行篩選并設(shè)置、優(yōu)化參數(shù)，然后再對人工智能所創(chuàng)造的圖像進(jìn)行篩選。在整個創(chuàng)作過程中，藝術(shù)家或者模型使用者只需要對參數(shù)和輸入輸出圖像進(jìn)行負(fù)責(zé)，對GAN內(nèi)部具體實(shí)現(xiàn)方式無需深入的了解。

圖2反映了藝術(shù)家利用攝影模型進(jìn)行創(chuàng)作的過程。藝術(shù)家需要對拍攝場景進(jìn)行前期選材，以及對照相機(jī)獲取的影像做后期必要的篩選與調(diào)整，并由此優(yōu)化照相機(jī)設(shè)定的參數(shù)。藝術(shù)家同樣不需要對相機(jī)內(nèi)部的成像原理有完全充分的了解。

將GAN模型與攝影模型的流程進(jìn)行對比，GAN模型與攝影模型在藝術(shù)創(chuàng)作的流程上的一致性顯而易見，傳統(tǒng)藝術(shù)中最耗時費(fèi)力的創(chuàng)作過程在這兩個模型中都得到了大幅的縮減且不再向用戶開放。

（二）攝影的再現(xiàn)與GAN的再現(xiàn)

攝影模型與GAN模型內(nèi)部的具體細(xì)節(jié)不對用戶開放。攝影模型的工作主要對通過透鏡后的光線進(jìn)行轉(zhuǎn)譯，已經(jīng)經(jīng)歷了從手工描摹到化學(xué)感應(yīng)再到電子信號的多次迭代，對輸入的再現(xiàn)目前主要由相機(jī)的制造者完成。而在攝影模型完全構(gòu)建前與誕生早期，藝術(shù)家們對模型的出現(xiàn)功不可沒。早在15世紀(jì)，畫家就開始利用暗箱進(jìn)行光學(xué)描摹以獲得精確的影像[4]，而暗箱可以視作是攝影模型的光學(xué)部分，直到化學(xué)感應(yīng)光線的底片出現(xiàn)后才組成了完整的攝影模型。藝術(shù)家們飽含的對還原自然的終極理想的人文主義精神實(shí)質(zhì)性地推動了科學(xué)技術(shù)的進(jìn)步，而如今攝影模型的記錄流程已經(jīng)實(shí)現(xiàn)了全自動化，無需藝術(shù)家的介入。

GAN的藝術(shù)模型的遠(yuǎn)景理想是由人工智能無監(jiān)督地學(xué)習(xí)并自我創(chuàng)造，用戶對創(chuàng)作過程也無需再進(jìn)行了解與介入，而GAN模型目前還處于早期的構(gòu)建中，需要藝術(shù)家與大量的藝術(shù)作品參與構(gòu)建，藝術(shù)家也必須要充分了解GAN內(nèi)部的運(yùn)作流程。

四、GAN的藝術(shù)創(chuàng)作流程

GAN的核心思想來源于博弈論中的二人零和博弈，圖3即展現(xiàn)了藝術(shù)家利用GAN進(jìn)行藝術(shù)創(chuàng)作的過程。GAN 模型的基本結(jié)構(gòu)由一個生成器 （Generator） 和一個判別器 （Discriminator） 組成[5]。生成器可以被看作是一個圖片生成模型，它的目標(biāo)是生成一張真實(shí)的圖片，與此同時還要具備一個判別器，它的目標(biāo)是能夠判斷輸出的圖像是生成出來的還是真實(shí)存在的。由生成器生成的圖片會由判別器學(xué)習(xí)區(qū)分生成的圖片和真實(shí)的圖片進(jìn)而反饋給生成器進(jìn)行改進(jìn)生成新的圖片以供再次判別，直至判別器無法判斷出輸出的圖像究竟是生成出來的還是真實(shí)的。

經(jīng)過大量圖片的輸入訓(xùn)練學(xué)習(xí)，利用GAN可以最終得到與原作相仿的作品，而相似度和風(fēng)格的差異化可以通過參數(shù)調(diào)整來優(yōu)化，隨機(jī)噪聲的引入則可以讓生成結(jié)果更具備多樣性。利用這樣的模型，藝術(shù)家可以對藝術(shù)作品進(jìn)行攝影化的藝術(shù)化量產(chǎn)，每一個由GAN生成的圖像都可以體現(xiàn)作者本身的意圖而在表達(dá)上又是完全不同的。

五、GAN在藝術(shù)領(lǐng)域的應(yīng)用

GAN的原始模型是一個原理性模型，應(yīng)用于藝術(shù)創(chuàng)作則需要對模型進(jìn)行改造。而在GAN模型提出后的短短幾年內(nèi)，與藝術(shù)創(chuàng)作的高契合度，已經(jīng)涌現(xiàn)出了一大批有意識或無意識的藝術(shù)衍生模型。

（一）GAN藝術(shù)衍生模型介紹

1.創(chuàng)意對抗網(wǎng)絡(luò)（Creative adversarial networks， CAN）

CAN是GAN模型在藝術(shù)領(lǐng)域的具體實(shí)踐，由具備藝術(shù)史研究背景的Mazzone和計算機(jī)科學(xué)研究背景的Elgammal在2017年提出。作者指出了GAN模型的重心還是在于生成而非創(chuàng)造，藝術(shù)風(fēng)格的創(chuàng)作性、突破性這一藝術(shù)發(fā)展的重要特征并沒有體現(xiàn)出來[6]26。為了解決這一問題，作者對GAN的原始模型進(jìn)行了改造，讓其可以從感性和認(rèn)知的角度進(jìn)行發(fā)展和演變，讓人工智能的藝術(shù)創(chuàng)作能擁有自我創(chuàng)造的能力。

在訓(xùn)練CAN模型過程中加入了對藝術(shù)家練習(xí)早期藝術(shù)作品直到某一刻他們?nèi)〉猛黄七M(jìn)展的模擬，以輸出更新奇的作品。藝術(shù)家們通過增加藝術(shù)作品與主流審美的偏理性來制造新奇，這種增加必須是適度的，過多的新奇則會造成負(fù)面效應(yīng)。在馬丁代爾的理論中，這被稱為“最小努力”原則，這在藝術(shù)創(chuàng)作中是至關(guān)重要的，因?yàn)檫^多的新奇會導(dǎo)致觀看者對藝術(shù)內(nèi)容的無法理解[7]。

于是，在CAN模型中，作者加入兩種相互對抗的力量，一種是促使機(jī)器遵循輸入圖像所展示的藝術(shù)的美學(xué)，盡可能地減少風(fēng)格的偏離，而另一種力量則在模仿已經(jīng)確立的風(fēng)格時最大限度地進(jìn)行藝術(shù)風(fēng)格的模糊與偏離。利用這兩種對立力量的對抗確保了藝術(shù)作品的新穎性的同時也保證了不會偏離可接受的審美標(biāo)準(zhǔn)。

藝術(shù)家在參與CAN模型進(jìn)行創(chuàng)作時，不但需要對參數(shù)進(jìn)行優(yōu)化，還要對藝術(shù)風(fēng)格進(jìn)行分類和對藝術(shù)風(fēng)格的模糊的程度進(jìn)行把控，以協(xié)助人工智能完成藝術(shù)風(fēng)格上的突破（如圖4）。圖5是由Elgammal利用CAN生成并展出的影像。在美國洛杉磯、邁阿密等地成功地舉辦了藝術(shù)展覽，在展覽中人們并沒有察覺到這樣的藝術(shù)作品是由人工智能模型所生成的。這說明由藝術(shù)家參與定義篩選、CAN模型自主學(xué)習(xí)生成的影像至少在形式上已經(jīng)可以做到與人類藝術(shù)家以傳統(tǒng)方式制作的影像相仿。

2.循環(huán)對抗網(wǎng)絡(luò)（Cycle generative adversarial networks， CycleGAN）

CycleGAN從原理上對GAN進(jìn)行了改造，由Phillip Isola等五人在2017年提出。傳統(tǒng)的GAN是單向的，CycleGAN則利用了兩個GAN也就是在具備兩個生成器及判別器的情況下進(jìn)行鏡像對稱構(gòu)成一個環(huán)形的網(wǎng)絡(luò)以進(jìn)行非匹配成對的圖像到圖像的翻譯，在沒有成對匹配的圖像的情況下，通過算法進(jìn)行相互數(shù)據(jù)集特征的收集，將一個數(shù)據(jù)集的特征應(yīng)用至另外一個數(shù)據(jù)集上。圖6展現(xiàn)了CycleGAN對藝術(shù)品進(jìn)行轉(zhuǎn)譯的效果，在第一組實(shí)驗(yàn)中，一組數(shù)據(jù)集是風(fēng)景照片，另一組則是莫奈的畫作。通過CycleGAN對兩組數(shù)據(jù)集訓(xùn)練，不僅可以將莫奈的作品轉(zhuǎn)化為照片，同時也可以將照片轉(zhuǎn)化為莫奈的風(fēng)格，由于鏡像結(jié)構(gòu)的存在這兩者是同時進(jìn)行的。通過CycleGAN不僅可以實(shí)現(xiàn)畫作與照片這種實(shí)體存在的相互轉(zhuǎn)換，還可以實(shí)現(xiàn)一些在模型中不存在的相互轉(zhuǎn)化與生成，第二組中對斑馬和馬紋理的特征替換在自然界中是不存在的，是CycleGAN在經(jīng)過訓(xùn)練后無中生有的。

另外，CycleGAN并不僅僅局限于圖片的風(fēng)格遷移，還可以進(jìn)行更廣泛形式的圖片互譯，以往依靠人工與少量數(shù)據(jù)難以提取出的對應(yīng)關(guān)系特征，在CycleGAN的對抗性學(xué)習(xí)中得以進(jìn)行總結(jié)。圖7反映了利用CycleGAN進(jìn)行互譯的案例，從黑白照片與彩色照片相互轉(zhuǎn)換、語義標(biāo)簽與圖像的相互轉(zhuǎn)換、圖像的線稿與圖像的相互轉(zhuǎn)換，為傳統(tǒng)藝術(shù)創(chuàng)作中一些耗時費(fèi)力的過程提供了更好的解決方案。然而，這一模型的出發(fā)點(diǎn)也并非針對藝術(shù)領(lǐng)域，藝術(shù)家的真實(shí)需求還不能完善地反映在模型中，模型的完善與優(yōu)化仍需要藝術(shù)家的更多介入。

（二）GAN的具體實(shí)踐

我們在實(shí)驗(yàn)室中利用CycleGAN的開源代碼，以風(fēng)景照片、日本浮世繪作為數(shù)據(jù)集進(jìn)行了具體的GAN模型藝術(shù)化實(shí)踐。在實(shí)驗(yàn)中，我們先后準(zhǔn)備了大量的素材樣本，機(jī)器學(xué)習(xí)對素材的量的需求是超乎想象的，深度學(xué)習(xí)模型需要有大量的參數(shù)，若數(shù)據(jù)樣本少，則很容易出現(xiàn)“過擬合”的現(xiàn)象，由于樣本數(shù)量少而進(jìn)行過度訓(xùn)練，當(dāng)預(yù)測訓(xùn)練示例結(jié)果的表現(xiàn)增加時，應(yīng)用在未知數(shù)據(jù)的表現(xiàn)則變更差[10]。只有在大量的素材的提供下才能將藝術(shù)風(fēng)格穩(wěn)定在一定的區(qū)間內(nèi)。素材量的要求數(shù)以百計起，因此，對藝術(shù)家在素材整體的風(fēng)格類型的宏觀把控上提出了要求。

去訓(xùn)練一個GAN模型目前需要耗費(fèi)大量的時間與精力，我們在實(shí)驗(yàn)室中則花費(fèi)了數(shù)周時間來訓(xùn)練一個GAN模型。在訓(xùn)練過程中并不是所有生成圖像都符合我們的期待，有時甚至?xí)霈F(xiàn)一些意想不到的情況，這時需要藝術(shù)家以其專業(yè)目光進(jìn)行篩選并對參數(shù)進(jìn)行優(yōu)化。

圖8中展示了實(shí)驗(yàn)中輸出的案例，照片向畫作的模擬在素材合適的情況下在較短的訓(xùn)練周期內(nèi)便可比較好地完成，再有意識地進(jìn)行一些“無中生有”，整體風(fēng)格的遷移就可以很直觀地觀察出來。

整體風(fēng)格的遷移在兩個方向的訓(xùn)練上都有顯著的展示，輸入的風(fēng)景圖片多帶有藍(lán)天，整體色調(diào)偏藍(lán)，畫作紙張本身色調(diào)則是偏黃的，依據(jù)案例可以發(fā)現(xiàn)輸出的圖像的色溫得到了準(zhǔn)確的交換。

而畫作向照片的轉(zhuǎn)譯時則出現(xiàn)了細(xì)節(jié)方面的問題，畫作中的印章、題字等在現(xiàn)實(shí)的環(huán)境中并不存在，雖然GAN已經(jīng)有意識地將印章、題字等抹去，但處理的還不夠完善。由于輸入的照片幾乎都是風(fēng)景照片，而畫作中則有人物出現(xiàn)，在畫作從人物向照片轉(zhuǎn)譯時就會明顯感受到映射關(guān)系的缺失，也印證了藝術(shù)家對樣本的選擇是至關(guān)重要的。

在收集的樣本中，風(fēng)景照片有一千余張，而畫作只收集到了五百余張，畫作樣本數(shù)量的缺少是本實(shí)驗(yàn)先天上的不足，也是傳統(tǒng)藝術(shù)形式人工智能化的困難所在。同一作者同一風(fēng)格的優(yōu)秀作品的數(shù)量往往不能夠達(dá)到成熟訓(xùn)練一個GAN模型的需求，這就需要一方面改進(jìn)GAN的學(xué)習(xí)模型，另一方面要對傳統(tǒng)藝術(shù)先進(jìn)行傳統(tǒng)手法的模仿以制作更多可供機(jī)器學(xué)習(xí)的樣本。

六、人工智能藝術(shù)創(chuàng)作的倫理

正如百年前攝影作為新媒介的誕生，攝影術(shù)一度被視為畫家偷懶的工具，攝影作品曾長期被拒絕于藝術(shù)大門之外，得不到畫家的承認(rèn)[11]。GAN的出現(xiàn)在推進(jìn)人工智能在藝術(shù)領(lǐng)域發(fā)展的同時，一系列的問題也隨之而來。人工智能創(chuàng)作的歸屬權(quán)該如何劃分？人工智能是否能夠真正的獨(dú)立創(chuàng)作作品？人工智能是否會取代人類藝術(shù)家？這都是我們今天需要討論的話題。

機(jī)器是否能夠獨(dú)立思考這一命題在計算機(jī)誕生之初便存在了，人工智能這一概念最早由計算機(jī)科學(xué)之父艾倫·圖靈提出，并提出了關(guān)于判斷機(jī)器能否思考的著名實(shí)驗(yàn)——圖靈測試，通過圖靈測試即可宣告具備人工智能。圖靈測試最終的判斷標(biāo)準(zhǔn)，是人工智能有沒有騙過人類，或者更準(zhǔn)確地說，就是人工智能是否已經(jīng)掌握與人相似的表述方式[12]。目前的一些文藝美學(xué)人工智能研究成果已經(jīng)十分趨近于這一目標(biāo)。在重大事件的報道上，當(dāng)新聞記者還沒敲下鍵盤時，人工智能已經(jīng)將完成的新聞報道在不同平臺發(fā)布了，而用戶卻難以察覺到。當(dāng)人類創(chuàng)作的詩詞和人工智能創(chuàng)作的詩詞同時讓人類專家進(jìn)行鑒別時，專家也無法完全甄別出真?zhèn)巍Ｈ斯ぶ悄艿难芯磕壳疤幱谏疃葘W(xué)習(xí)的階段，需要大量的數(shù)據(jù)進(jìn)行支持，而受益于大數(shù)據(jù)時代的到來，文學(xué)作品固有的創(chuàng)作模式和豐富的保有量讓“騙過人類”成為了可能。

然而，與此同時，科學(xué)家們則認(rèn)為真正的人工智能智慧大爆發(fā)的“奇點(diǎn)”尚未到來[13]，人工智能目前還處于一個比較初級的階段，有關(guān)人工智能的理念并沒有取得質(zhì)的突破，人工智能具備自我意識還是一個很遙遠(yuǎn)的目標(biāo)，在很長的一段時期內(nèi)不必有人工智能完全取代人類藝術(shù)家的擔(dān)憂。

人工智能藝術(shù)的歸屬權(quán)問題則要看人工智能模型演化的程度。在早期，藝術(shù)家主要對模型構(gòu)建負(fù)責(zé)，藝術(shù)家的傳統(tǒng)藝術(shù)作品是人工智能模型的藝術(shù)來源，歸屬權(quán)自然由藝術(shù)家取得。而待模型成熟，用戶利用人工智能進(jìn)行創(chuàng)作后則由藝術(shù)家與用戶共享歸屬權(quán)。當(dāng)人工智能有一天演化為創(chuàng)作過程的主導(dǎo)者并不斷在人類的訓(xùn)練中形成自己的藝術(shù)風(fēng)格并能獨(dú)立思考創(chuàng)作時，那么可能就需要我們同人工智能去對話探討歸屬權(quán)問題了。

七、GAN與藝術(shù)的現(xiàn)在與未來

GAN是人工智能時代下的新興產(chǎn)物，尚存有巨大的完善空間，目前的GAN模型還處于構(gòu)建狀態(tài)，但努力并非僅僅需要算法編寫者的努力，更亟待的是藝術(shù)方法論的指導(dǎo)，需要藝術(shù)家與藝術(shù)作品廣泛地參與其中。誠然，目前參與GAN的改進(jìn)還是有一定的學(xué)習(xí)成本的，但藝術(shù)的先鋒實(shí)驗(yàn)是在未來藝術(shù)探索道路上的必經(jīng)之路。這是一個不斷數(shù)字化的時代，也是一個不斷制定新標(biāo)準(zhǔn)的時代，在我國信息化應(yīng)用在其他領(lǐng)域領(lǐng)先世界的同時，藝術(shù)家們也有必要參與對未來藝術(shù)世界標(biāo)準(zhǔn)的制定。

當(dāng)GAN模型構(gòu)建訓(xùn)練完成后，藝術(shù)家的身份就會轉(zhuǎn)變?yōu)橛脩襞c模型維護(hù)者，而藝術(shù)創(chuàng)作的主導(dǎo)權(quán)則交由了用戶與GAN模型本身。這種角色的轉(zhuǎn)換會讓一些藝術(shù)家感到不適應(yīng)，且對攝影式的藝術(shù)大眾化、產(chǎn)業(yè)化的行為保持警惕。但這是一個巨大的歷史機(jī)遇，沒有攝影術(shù)的誕生，也就難有20世紀(jì)藝術(shù)家們在藝術(shù)觀念上的突破，作為藝術(shù)與科技的研究者需要更有信心去面對未來的機(jī)遇和挑戰(zhàn)。基于GAN模型的全新創(chuàng)作方式以其科學(xué)性、更優(yōu)良的秩序感很有可能超越攝影成為一種更大眾的藝術(shù)，而GAN模型的普遍接受與使用還需要不斷地優(yōu)化迭代，將能夠被大眾廣泛接受的藝術(shù)創(chuàng)意工具直接呈現(xiàn)給大眾，這樣的GAN模型本質(zhì)上已經(jīng)成為了藝術(shù)家智慧的結(jié)晶，在藝術(shù)價值與觀念傳播上的影響力將是前人無法企及的。

在藝術(shù)家的觀念指導(dǎo)及算法的不斷演進(jìn)下，更加完善的GAN衍生模型或者足以讓GAN改頭換面的人工智能新模型一定會在未來出現(xiàn)。我們有理由憧憬人工智能給藝術(shù)帶來的無限可能性。藝術(shù)家需要懷抱遠(yuǎn)大的理想去參與并引領(lǐng)這樣的變革，共筑人類和藝術(shù)更加美好的未來。

參考文獻(xiàn)：

[1]Goodfellow I， Pouget-Abadie J， Mirza M， et al. Generative adversarial nets[C]//Advances in neural information processing systems. 2014： 2672-2680.

[2]Thomas E. Wartenberg.什么是藝術(shù)[M].重慶：重慶大學(xué)出版社，2018：4.

[3]胡曉琛.數(shù)智藝術(shù)——人工智能與數(shù)字媒體藝術(shù)設(shè)計教育[J].藝術(shù)教育，2018（16）：100-101.

[4]霍克尼.隱秘的知識：重新發(fā)現(xiàn)西方繪畫大師的失傳技藝[M].杭州：浙江人民美術(shù)出版社，2018：200.

[5]王坤峰，左旺孟，譚營，等. 生成式對抗網(wǎng)絡(luò)： 從生成數(shù)據(jù)到創(chuàng)造智能[J].自動化學(xué)報，2018（5）： 769-774.

[6] Mazzone M， Elgammal A. Art， creativity， and the potential of Artificial Intelligence[C]//Arts. Multidisciplinary Digital Publishing Institute， 2019， 8（1）： 26.

[7] Martindale C. The clockwork muse： The predictability of artistic change[J]. 1992.

[8]Zhu J Y， Park T， Isola P， et al. Unpaired image-to-image translation using cycle-consistent adversarial networks[C]//Proceedings of the IEEE international conference on computer vision. 2017： 2223-2232.

[9] Isola P， Zhu J Y， Zhou T， et al. Image-to-image translation with conditional adversarial networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017： 1125-1134.

[10]周志華.機(jī)器學(xué)習(xí)[M].北京：清華大學(xué)出版社，2018：23-24.

[11]林路.攝影思想史[M].杭州：浙江攝影出版社，2015：17.

[12]畢丞.人類為什么不會被人工智能取代？——人工智能的技術(shù)本質(zhì)研究[J].北京科技大學(xué)學(xué)報（社會科學(xué)版），2019（2）：102-108.

[13]陳彥青.“AI”的邊界， 藝術(shù)與設(shè)計的可能[J].新美術(shù)，2018（7）：88-93.

作者簡介：王昊海，上海師范大學(xué)影視傳媒學(xué)院碩士研究生。研究方向：藝術(shù)與科技。

劉遠(yuǎn)志，華東理工大學(xué)信息科學(xué)與工程學(xué)院碩士研究生。研究方向：人工智能與物聯(lián)網(wǎng)。