藝術傳播的人工智能應用需求研究

陳端端

摘要：設備與算法研究的發展，使得全方位高精度的采集與量化人類感知數據，使其可被人工智能識別和理解的應用成為可能。因此，在信息爆炸與人類認知限度存在矛盾的現狀下，利用人工智能，結合對感知數據與情感體驗相關關系的較為成熟的研究，將具有特定感知數據維度的藝術信息與受眾的欣賞取向和消費需求進行匹配，建立恰當的糾錯和適應機制如協同過濾等，以達到一定的健壯性，實現海量藝術作品和藝術信息的精準推送與高效傳播，是可行也是必須的。

關鍵詞：藝術學理論；藝術傳播；人工智能；機器認知；數據挖掘；藝術信息

中圖分類號：J50文獻標識碼：A

人工智能是指利用計算機開發用于模擬、延伸和擴展人的智能的方法、技術與應用系統。當前主要的研究領域包括機器人智能、語音識別、圖像識別、自然語言處理和專家系統等。將人工智能應用于藝術傳播領域的要點，在于對藝術作品與藝術信息的感知數據庫與受眾之間的關系進行分析與數據挖掘，執行無監控或半監控的模式發現，并以此為依據進行精準傳播。這是一種將計算機與藝術直接聯系起來的過程。人們可能會質疑，對藝術信息產生情感體驗是人類獨有的思維和感受能力，使用機器認知對藝術信息進行判斷理解并給出傳播決策的過程，似乎因有悖于藝術的本質而可能無效。然而筆者認為，在藝術傳播領域使用人工智能是必要的也是可行的。其必要性在于：如今傳統的藝術推薦方式，其效能正在逐漸降低。將人工智能應用于藝術傳播，可以借助計算機的聯網、精準與高速的識別與處理信息、計算與存儲的云端巨量化以及快速索引等優勢，彌補傳統的以人為主的藝術推薦與藝術傳播過程所存在的速度與準度缺陷。其可行性在于：全方位高精度的采集人類感知數據不僅方便而且便宜，對高維數據進行降維算法的研究，也使得對此類復雜的感知數據進行取樣和量化成為可能，雖然當前的機器認知研究仍未能達到能對藝術信息進行充分理解的階段，但已在準度與效率之間取得了平衡，一定程度可使人接受，并于某些門類藝術的發現與推薦服務領域形成了較為成熟的應用。因此，筆者認為，使人工智能能夠識別藝術的底層感知信息，結合藝術心理學、設計學等學科中較為成熟的相關研究，預測受眾的欣賞需求，匹配相應作品，實現海量藝術信息的精準推送與高效傳播是可行的，這也是藝術傳播研究與應用的重點。

一、藝術作品數量的激增與藝術欣賞差異的加強

信息爆炸和媒介的去中心化時代，人們面臨的不再是信息匱乏而是選擇障礙。另外，對于藝術，顯然每個人的感受都不盡相同。同一件作品，可能有人極為喜愛，有人無動于衷。因此，在存在無數選擇可能與眾多欣賞口味的情況下，顯然需要一種方法，能夠快速、便捷、準確的，從海量藝術信息中分辨和選擇出受眾更可能需要、喜愛和被感動的那部分藝術作品，做到針對目標受眾的精準推送。電子商務在這一領域起步較早。網絡廣告的泛濫曾讓用戶倍感厭惡，但在借助了人工智能的數據挖掘與發現之后，如今電子商務廣告推薦不再忽視用戶個性需求一味狂轟濫炸，某些廣告提供商能夠將環境、用戶的搜索關鍵詞、頁面停留時間、點擊的鏈接、社交媒介文本數據關聯起來，進行用戶消費需求與行為預測，將廣告由騷擾用戶的無效信息變為擬合其消費需求的有效信息。藝術傳播顯然也可以借鑒這一方法來提高效率。

二、傳統推薦方式的效能局限與長尾障礙

當人們，尤其是不具備藝術專業知識的人們在面對眾多選擇時，往往需要某些參考坐標來幫助他們進行選擇，這些參考坐標就包含藝術推薦。傳統的藝術推薦模式有：1、人際傳播，如親友推薦與共享；2、把關人推薦，如本領域的專家意見，藝術評論、廣播或電視播出的藝術專訪，獎賽或評選推薦等；3、群體智慧，如歌曲銷售榜單、電影票房，點擊量等。這些參考坐標是有效的，但也存在對藝術體驗的個性差異做精細劃分想能力不足，面對大信息量與高差異性的藝術傳播需求效率低下等缺陷。另外，傳統的藝術推薦模式往往容易將注意力聚焦于長尾頭部的藝術作品，忽略那些處于尾部卻數量巨大的藝術作品。數字網絡環境中，獲取曲線尾部的藝術信息的成本大大降低，人們可以更多的關注到這部分藝術信息，而它們往往可能創造出更大的價值。

因此，將人工智能納入藝術傳播，能夠改善因針對性不強而傳播效率偏低、且無法發揮長尾優勢這兩類傳播缺陷。

三、人工智能應用于藝術傳播的方案分析

人工智能應用于藝術傳播的方案與流程是：采集數據、量化數據、挖掘數據、建立模型，理解與匹配藝術信息和受眾需求，精準傳播。

（一）采集數據

此處數據分為兩類。a、藝術信息與藝術作品的感知數據采集；b、人類行為與需求的數據采集（眼動、腦波、數碼設備使用、社交媒介、可被偵測的購買和獲取行為數據）。而a類數據所針對的又分為兩種，一是與藝術相關的信息，如展演消息，作品介紹，藝術家訪談等，一是藝術作品本身，如演出視頻、樂曲音頻、畫作圖像、文學篇章等。采集數據，與人們的情感體驗建立正相關（或負相關）的關系，獲得其關系模型，以便計算機識別和理解是首要步驟。對那些與藝術相關的信息進行如標簽定義、關鍵詞提取等數據采集與標準化是相對易行和易準的。另一關鍵，即對藝術作品本身的數據量化是難點。情感能否量化仍在爭論之中，筆者認為將人類情感全部直譯為數據，使機器對藝術也具備靈感領悟能力，顯然不可行，但這并不等于便無法對藝術進行量化研究。人們對藝術作品的感受，可分解成各類感官數據，如視覺、聽覺、觸覺、嗅覺與味覺、平衡感與空間覺數據等?？v觀媒介史，人們用來采集和傳播感知數據的媒介具有從信息耗損高、還原度低向信息耗損低、還原度高方向發展的趨勢。當然，由于人類的心理存在完型能力，人們能夠使用預設將不完整的信息補充完整。

（二） 量化數據

需要量化的數據分為三類，一是采集到的數據，二是人們觀賞藝術作品時產生的情感體驗，三是建立藝術欣賞需求模型。針對第一類數據的量化研究與應用已有不少成果，針對第二類數據的量化研究和應用可以借鑒心理學中對情感體驗類型的樹狀結構成果，以及某些試圖使用機器進行智能創作的軟件應用與理念。在文本挖掘、圖像理解、音樂發現等領域，已經出現一些既可使數據為計算機理解，又便于讓人們采用如自然語言描述進行定位的應用。至于針對第三類數據的量化，則需要建立能被快速索引的帶有多層次標簽的藝術信息數據庫，使用知識挖掘構建藝術傳播領域的隱性關系模型。這在以往是很難想象的，但隨著硬件與算法不斷發展與成熟，人們能收集的數據維度越來越高，信息量越來越大，數據面越來越全，對大數據的分析，可以推算出某些以往無法得出的事件與人類行為之間的正（或負）相關關系。

（三）挖掘數據

將數據挖掘（Data mining）應用于藝術傳播領域，可以將藝術傳播思路從顯性關系中拉出來，通過算法發現僅靠人類直覺無法識別的隱藏在藝術信息、受眾以及它們之間的關聯關系，有助于避開那些看起來合理但實際傳播效果并不很好傳播方法。數據挖掘需要量和質上都符合要求的數據庫，因此除了將來源、格式、特征與性質都不盡相同的數據存入數據倉庫，還需要采用適當的數據規約技術，將數據集規約成為比原數據集小但仍能保持完整的數據集，納入計算后得到的結果應當與規約前執行的結果相同或近似。由于在信息收集的過程中必然會存在數據不完整（某些屬性缺少數值）、含噪音（某些屬性值是錯誤的）與不一致（同樣的信息表達方式不同）等問題，因此需要進行數據清理以免影響挖掘效果。最后，根據數據倉庫中的數據信息，選擇合適的分析工具，得出有用的分析結果。

（四）分析建模

在得出數據挖掘結果之后，就需要從需求角度，對其進行評估與模式識別。當前，完全脫離人類進行這一步驟是不可能的，必須納入專家知識，這使得那些對藝術進行定性研究的優秀成果都可被借鑒，只是需要對數據進行轉化，將含有隱藏意義的不確定的描述與分析，轉化為具有量化特征或標簽特征的語言，以供機器使用。

影響藝術信息的因素既多且復雜，在分析過程中需要使用能夠研究多個自變量和因變量關系的多元分析。多元分析又稱多變量分析，主要采用三類方法：第一類方法包括多元方差分析、多元回歸分析、協方差分析。這類方法可以用來研究確定的自變量和因變量之間的關系。比如以不同的灰度級別與色彩層次數表現同樣圖像，對人識別圖像含義的速度的影響。第二類方法包括判別函數分析與聚類分析。判別函數又稱決策函數，是對樣本進行判斷的準則函數。聚類分析是將數據進行分類，類別內保證同質性高，類別間保證異質性高。與分類分析不同，聚類分析并不給定劃分的類別、規則和模式，而是在無監督的狀態下，進行簇或類的搜索，識別模式，發現規則，這是一種探索性的分析，人工智能能在這一過程中提供優于人腦的計算效率。第三類方法包括主成分分析、典型相關與因素分析，用來研究如何用較少的綜合因素代替數量較多的原始數據。如將藝術傳播媒介紛繁眾多的特征提取為若干特征進行分析。綜上所述，雖然將人工智能納入藝術傳播的應用和研究并不容易，但缺乏定量研究將直接影響信息時代的藝術傳播效率與速度，因此即使困難卻也必須。（責任編輯：帥慧芳）