人工智能時代數字人文方法的革命性運用

［摘要］數字人文方法曾長期隱而不顯地被運用于藝術人文領域；在人工智能時代，數字人文方法以其革命性開始呈現為一種“顯學”，其表征包括人工智能在藝術價值評估、藝術教育創新、文化傳承與交流甚至藝術生產等方面大范圍顯現其充沛能量，以及“數字藝術史”在研究視域中的革新。基于深度學習，機器智能模型以高效、精確的藝術大數據挖掘，對藝術生成、藝術傳播的當代場景予以持續創新。然而，在積極擁抱人工智能新技術的同時，數字人文也應在對人文關懷傳統的堅守中重構其“人文”和“數字”的平衡。

［關鍵詞］人工智能數字人文藝術大數據深度學習生成式藝術

“數字人文方法”是一種利用計算機和數字技術對人文學科予以“科學”的研究、分析、展示的觀念和方法。“藝術人文”則突出創造性，注重感性，強調藝術與文化、哲學的學科關聯性，往往被劃定在與科學技術相對立的范疇，從而似乎呈現為一個與數據統計等計算技術格格不入的獨特場域。然而，基于對感性研究方法的不滿足而興起的對理性、科學之表達的追求，“數字”事實上一直在藝術人文領域內發揮著作用。人工智能（artificial intelligence，簡稱AI）正在推動人類進入一個由機器學習模型全方位介入社會生活的時代。在這個時代，以ChatGPT等為代表的通用語言模型在包括藝術人文在內的廣闊領域里展現出了日益與人類頭腦相媲美，甚至在特定方面超越人腦的能力。由此，數字人文方法的地位也逐漸凸顯，不僅讓藝術史研究進入“數字藝術史”（digital art history）Claire Bishop，“Methods and Approaches：Criticism on the History of Digital Art，”Franklin Humanities Institute（humanities futures.org），November，2015，accessed November 11，2023，https：//humanitiesfutures.org/papers/digital-art-history/.階段，亦使藝術生成及傳播場景的革新盛況空前——數字人文方法的革命性運用，開始走出其原先隱而不彰的狀態。一、從隱匿到彰顯：對新技術的響應數字人文方法的運用，是以計算為核心，基于對“人文計算”的追求而展開的。在19世紀的歐美文學界，門登霍爾（Orlando Ward Mendenhall）曾嘗試通過詞頻去辨析狄更斯和威廉·薩克雷的風格差異，謝爾曼（William C.Sherman）則通過句子長度的不同來觀察英國文學作品的風格變化。參見李天：《數字人文方法論反思》，《中國文學批評》2022年第2期。上述嘗試改變研究文學觀念及現象時所用方法過于感性之境況的努力，堪稱早期致力于“量化”的數字人文方法的代表性實踐。在“前數字時代”，視覺藝術領域一直內隱著蘊含數字人文方法或其原理的實踐。比如，在文藝復興鼎盛期，達·芬奇基于解剖學，致力于發掘真實人體結構中的某種數理規律。他說“只有緊緊地依靠數學，才能穿透那捉摸不透的思想迷魂陣”參見蔡天新：《數學與藝術》，江蘇人民出版社2021年版，第4頁。。在他手繪的《維特魯威人》（見圖1）中，健壯的中年男子微斜上舉的雙臂與叉開的兩腿正好外接一個圓形；而在另一幅疊加圖像中，男子站立著平伸兩臂，以其頭、足和手指為端點正好可外接一個正方形。在17、18世紀，歐洲的古典主義藝術家不滿于過度突出的感性及其浮夸的表達，而強調對稱、比例、理性；裸體的肌肉結構或古代服飾、人物身體，均有精確的尺寸和比例計算，以及精細的畫面設計。

圖1《維特魯威人》，達·芬奇，1487年前后，鋼筆和墨水繪制，34.4×25.5cm，藏于威尼斯學院美術館（Gallerie dellAccademia di Venezia）數字人文方法在藝術人文領域長期被隱匿，緣于根深蒂固的藝術成見的壓力。超越功利世界與工具理性的藝術觀，更強調藝術家的靈感、天才式的技巧及創造性，因此天然有拒斥數字技術的傾向，并潛藏了對數字人文方法的漠視甚至敵視。但在進入以數字技術為運作規則、趨向數字形式的時代之后，人工智能技術的革命性運用不僅使數字人文方法很快獲得了正當性，也似乎很快使其重要性得到凸顯。數字人文方法的彰顯，很大程度上受惠于人工智能技術由單一領域的人工智能（Narrow AI）向具有普遍理解、學習能力的通用人工智能（AGI）的革命性躍升。媒介理論家麥克盧漢提出，媒介是人類感官的延伸或拓展。參見［加］馬歇爾·麥克盧漢：《理解媒介：論人的延伸》，何道寬譯，譯林出版社2011年版，第4頁。得益于深度神經網絡（Deep Neural Network，簡稱DNN）及遞歸神經網絡（Recursive Neural Network，簡稱RNN）給機器的圖像和語言處理能力帶來的革命性提升，人工智能不僅大幅度延伸了人的感官感知能力，更有望以模仿甚至超越人腦的智能實現智力的延伸。人工智能的深度學習及大數據（big data）挖掘能力，呼應了信息的海量增長態勢和強烈的信息處理需求。在藝術圖像的大數據挖掘及利用方面，人工智能憑借強大的藝術信息處理能力，既能有力克服專家在藝術知識及視覺經驗上的局限或滯后，又能擺脫主觀情緒及利害得失心理對信息處理造成的干擾。面對全球范圍內規模日益龐大的藝術作品及其數據，專家目鑒恐將越發力不從心。因此，基于人工智能的數據挖掘和深度學習工具，如“Artificial Art Expert”（AAE）以及“Art Recognition”等計算機程序應運而生。它們基于對藝術品風格、技巧及歷史背景等信息的挖掘，可以展開精細的質料性分析，或對藝術品的真偽及其藝術價值作出準確、高效的判斷。例如，“杜絕贗品和制定藝術品鑒定新標準，建立一個安全透明的藝術品市場”參見“Art Recognition”網頁中的介紹，https：//art-recognition.com/about-us/，訪問日期：2023年12月1日。之所以在今天能成為“Art Recognition”的明確目標，便是因為該程序通過基于深度學習的大數據挖掘，可獲得經過精細分析的美術作品風格、筆觸、顏料等信息，并能立刻將其與歷史數據和專家意見進行比對，從而幫助用戶快速鑒定藝術品真偽。二、藝術的大數據與深度學習在人工智能撲面而來的時代，藝術的數據集規模龐大，不僅包括藝術數據庫中的結構化數據（如數據庫中的記錄）及非結構化數據（如文本、圖像、音頻、視頻等），更包含藝術世界中每時每刻都在迅速生成的海量藝術信息。對藝術大數據的高效、準確處理，由此成為數字人文方法運用取得突破性進展、呈現“報復式增長”的關鍵。近年來，中國高度重視文化數字化工作，“十四五”時期結束時要基本建成文化數字化基礎設施及服務平臺的目標《中共中央辦公廳 國務院辦公廳印發〈關于推進實施國家文化數字化戰略的意見〉》，中國政府網，2022年5月22日，https：//www.gov.cn/zhengce/2022-05/22/content_5691759.htm，訪問日期：2023年11月10日。既包括了文化信息的數字化，也包括了數字化文化信息處理能力的建設。從全球范圍來看，視覺藝術的大數據化工作，是20世紀80年代才大規模啟動的。美國紐約大都會歌劇院檔案館（Metropolitan Opera Archives）作為最早推進數據庫項目的藝術機構，在當時對其自1883年開業以來收藏的大量文件、照片、藝術品和服裝等資源進行了數據化處理。在20世紀80年代末90年代初，美國洛杉磯縣藝術博物館（Los Angeles County Museum of Art，簡稱LACMA）也著手對其收藏的繪畫、雕塑和攝影作品進行數字化處理和分析，并對其中部分藝術家的創作過程和風格變化展開了計算機模擬研究。20世紀90年代初，紐約大都會藝術館（Metropolitan Museum of Art，簡稱The Met）開始建立數字化圖像庫和數據庫，并在此基礎上推進了一批專題研究，包括對藝術品圖像展開數字化處理和分析、對藝術家創作過程和作品風格進行計算機模擬等。1995年，美國國會圖書館（Library of Congress）以其“美國記憶”（American Memory）數字圖書館項目，開始了對包括歷史文獻和圖片等在內的多種資源的數字轉化。在中國，早在20世紀80年代末，敦煌研究院就提出了“數字敦煌”構想，而國內文博機構最早的數字化工作啟動于1993年到1996年間“敦煌壁畫計算機存貯與管理系統研究”科研課題的實施。2008年，歐洲委員會啟動了覆蓋歐洲全境的數字圖書館項目“Europeana”。該項目強化數據資源的大眾面向和共享服務，致力于將歐洲各國博物館、圖書館、檔案館和文化機構的藝術品、歷史文獻、音頻、視頻和三維對象以開放的數據標準上傳到面向公眾開放的“Europeana”平臺。參見https：//www.europeana.eu/en。進入21世紀以來，谷歌公司等跨國商業機構也加入了全球范圍內的藝術品和文物的數字檔案及數據庫建設進程。2011年啟動的“谷歌藝術與文化”（Google Arts & Culture）項目，由谷歌公司利用其高分辨率的圖像技術（如Gigapixel）對全球多家重要博物館內超過20萬件藝術藏品進行圖像數據采集，目前中國國內也有多家文化機構參與了和該項目的合作。藝術人文領域內的數字化技術開發，以及相關文學典籍、藝術品的數據庫建設，為藝術大數據奠定了最初也是最重要的基礎。40余年來，全球范圍內建立起了不少關于藝術作品、藝術家、展覽及其歷史文獻信息的數據庫，總規模非常龐大，其所收納信息既包括藝術品色彩、線條、構圖、筆觸及質料等視覺上的“數字信息”，也包括藝術品相關文獻及其他物質證據等非結構化數據。與此同時，當代人實時進行的藝術生活，也在不斷生成具有“大量”（Volume）、“高速”（Velocity）、“多樣”（Variety）、“低價值密度”（Value）、“真實性”（Veracity）這“5V”特點Jose Andre Moura and Carlos Serro，“Security and Privacy Issues of Big Data，”in Handbook of Research on Trends and Future Directions in Big Data and Web Intelligence（an imprint of IGI Global，2015），p.23，https：//www.researchgate.net/publication/281404634.的數字信息，從而大大豐富了藝術大數據的內容和數據挖掘的對象。當今，人腦及傳統數據工具已遠不能滿足對藝術大數據/海量信息進行實時處理的需求。而人工智能技術在軟件和硬件上的突破性進展，已使機器學習模型的深度學習能力及其推進下的大數據挖掘能力順勢飛速發展。機器學習模型建構的深度學習（Deep Learning，簡稱DL）深度學習，是機器學習（Machine Learning，簡稱ML）領域研究的新方向。它被引入機器學習，是為了讓人工智能的分析學習能力盡量追趕真人。這里的“深度”作為一個商業概念時，只要有三個隱藏層，就可以被業界稱為“深度學習”；而在機器學習領域，名字中有“深度”（Deep）的網絡至少有五至七個隱藏層。能力，體現為這種模型有如人腦甚至超越人腦的分析學習能力。其工作原理為：多層次神經元的人工神經網絡以及多個隱藏層的深度神經網絡協同，形成了多層感知機（Multilayer Perceptron，簡稱MLP）多層感知機是一種前向結構的人工神經網絡，包含輸入層、輸出層及多個隱藏層。，結合對多模態數據源（例如文本、圖像和聲音）的集成，強化了機器學習模型從多個角度或多個層面理解并解釋數據的能力。在多層神經網絡中，較低層次會學習輪廓、顏色之類的基礎特征，較深層次則學習形狀、模式等更為抽象和復雜的特征。面對藝術圖像，深度學習模型能夠從中提取高級特征，并通過語義分割，將每個像素分配到相應的語義類別，從而精確理解圖像中的對象邊界和內容。基于深度學習，人工智能技術可以輕松提取圖像特征，完成圖像搜索以及對社交媒體標簽及圖像的管理工作；基于大規模圖像數據集的訓練，它可以不斷提升性能，輕松識別物體、人臉、文字和場景等的復雜視覺特征，從而檢測同一圖像中的多個物體，并在圖像中標識它們的位置。如“Google Lens”這一圖像識別應用程序，在2017年就已經能輕松識別超過10億件包括藝術品、建筑、植物和動物等在內的事物圖像，并為之標注類型信息。另外，在“谷歌藝術與文化”的同名應用程序提供的多項互動性場景應用（見下頁圖2）中，參與者可以通過點擊項目的任意標簽，迅速獲取相關主題作品來觀賞。圖2蘋果應用商店的“谷歌藝術與文化”應用程序中豐富的應用項目（截屏）在當代，人工智能在圖形處理單元（GPUs）的硬件進步推動下，基于充分訓練的積累，在圖像識別領域擁有了以往難以置信的準確性。例如2017年，在被稱為“圖像處理算法試金石”的可視化數據庫“ImageNet”組織的一場挑戰賽中，38支參賽隊伍中有29支的識別準確率超過95%。“ImageNet：A Pioneering Vision for Computers，”History of Data Science，August，27，2021，accessed November 13，2023，https：//www.historyofdatascience.com/imagenet-a-pioneering-vision-for-com

puters.而統計分析、機器學習、模式識別、分類分析、關聯分析、集群分析等多種挖掘技術及方法的并用，更使機器模型展現出強大的能力，將數字人文方法推上了藝術史研究舞臺的重要位置，也將藝術史研究送進了“數字藝術史”階段。三、基于人工智能技術運用的

“數字藝術史”“社會科學是被‘樣本＝總體撼動得最厲害的學科”［英］維克托·邁爾-舍恩伯格、肯尼思·庫克耶：《大數據時代》，盛楊燕、周濤譯，浙江人民出版社2013年版，第41頁。。在當代，藝術史研究開始運用可視化、網絡分析、主題建模、模擬、模式識別、不同地理位置的材料聚合等新的技術手段，并以大數據代替樣本分析，由此不再依賴于分析經驗數據，并開始呈現帶有新的計算方法及分析技術特點的數字人文方法。美國藝術批評家克萊爾·畢夏普以“數字藝術史”概念來指稱以“由新技術激發的計算性方法論和分析技術在藝術史研究領域中的運用”［美］克萊爾·畢夏普：《方法與途徑——“數字藝術史”批判》，馮白帆譯，《美術》2018年第7期。為特點的藝術史研究新階段。區別于對數字藝術的歷史研究，這個新階段被稱為“藝術史上的數字大轉彎”Anna Nslund Dahlgren and Amanda Wasielewski，“The Digital U-Turn in Art History，”Konsthistorisk tidskrift/Journal of Art History 90，Issue 4（2021）：249-266.。“藝術史學家和計算機似乎是古怪的伴侶。藝術史學家開始關注慢慢顯露出來的定性歧視……以訓練有素的頭腦和敏感的眼睛進行調查。計算機……以不變的速度和令人難以置信的速度處理定量計算。它單調、僵化、不假思索的效率讓任何有自尊心的藝術史學家都感到不寒而栗。”Jules David Prown，“The Art Historian and the Computer：An Analysis of Copleys Patronage，1753-1774，”in Art as Evidence：Writings on Art and Material Culture（New Haven，CT：Yale University Press，2001），p.36.然而，正如波士頓伊莎貝拉·斯圖爾特·加德納博物館（Isabella Stewart Gardner Museum）的助理策展人戴安娜·西芙·格林沃爾德（Diana Seave Greenwald）所言，被保存下來的藝術品是有限的，所以當代所研究的是一批被局限的、可能有偏見的經典作品，不一定代表特定時期或特定地理區域內的全部創作。通過對流傳下來的創作建立大型數據集并進行分析，可以窺見藝術界的各種趨勢以及藝術與更廣泛的社會經濟變化之間的關系。Diana Seave Greenwald，“The Surprising Partnership of Art and Data，”Princeton University Press，February 18，2021，accessed November 14，2023，https：//press.princeton.edu/ideas/the-surprising-partnership-of-art-and-data.在進入這個“數字藝術史”階段后，美國許多著名的大學不約而同開始了對藝術史研究方法、維度及領域的計算化創新。比如，斯坦福大學數字藝術史實驗室（Stanford University Digital Art History Lab）既進行對藝術品圖像的計算機視覺分析，也進行對藝術家的網絡社交活動以及藝術市場和觀眾反饋的大數據分析。又如，哈佛大學數字人文中心（Harvard University Digital Humanities Center）將數字技術應用于人文學科研究和教學的整體過程，除對藝術品圖像展開計算機視覺分析之外，還對藝術家的創作過程、作品風格、藝術市場開展了計算機模擬研究。相關研究基于藝術探索的手段和材料在數字藝術史階段的創新，可以在藝術的歷史、風格、文化影響和創作趨勢等更多的維度上展開。借助人工智能技術的模型工具，藝術史家們樹立了追溯大范圍或大時間跨度內的審美變化的雄心。比如，有藝術史家基于面部識別軟件展開了對13世紀到20世紀間的12萬張肖像畫的整體研究，利用大數據驗證了“美的準則”會隨著時間推移而改變的觀點，空前有力地得出了“美”在20世紀明顯減少的結論。Javier de la Rosa and Juan-Luis Suárez，“A Quantitative Approach to Beauty：Perceived Attractiveness of Human Faces in World Painting，”International Journal for Digital Art History，no.1（2015）：112-129.2015年，K.本德（K.Bender）的一篇論文為了揭示那些致力于描繪美神形象的藝術家一生中轉向這一主題的具體次數，展開了對阿芙羅狄蒂（維納斯）形象藝術作品的精細數據分析，通過對13世紀到20世紀間的1840件作品的分析，得出了平均會有2.8次的結論。K.Bender，“Distant Viewing in Art History.A Case Study of Artistic Productivity，”International Journal for Digital Art History，no.1（2015）：100-110.研究對象的規模如此之大，是此前的藝術史研究難以企及的。人工智能正在改變藝術史的研究走向，將此前可能根本無法想象或無法提出的目標納入研究者的視域。在格林沃爾德看來，過去的藝術史或許陷入了一種抽樣偏見或者過度關注之中。由于藝術品遺失或損壞，或者無法出售，或者因展覽實踐的歧視性，只有少數藝術家創作的一小部分作品被保存并供當代學者研究，而且研究者容易過度關注知名的或易接近的藝術家。她認為，由數據驅動的研究或許是解決上述問題的根本出路。Diana Seave Greenwald，Painting by Numbers：Data-Driven Histories of Nineteenth-Century Art（Princeton University Press，2021）.進入人工智能時代后，藝術史研究者不僅能利用圖像處理和計算機視覺技術分析作品中的顏色、構圖和圖案等元素，探討藝術家的風格及技巧，還可以通過分析大量藝術評論或藝術品描述文本中的形容詞及名詞使用情況，來最大限度地把握對藝術品的真實評價，以更準確地評估藝術品的質量及價值，或者通過揭示相關文獻的關鍵詞、主題和趨勢，精準分析和預測藝術史研究領域未來較長時期內的演變方向。然而，這一數字人文趨勢，是否會使藝術史研究和藝術評論更加依賴數字，使藝術批評文本因缺少感性和激情而失去其特殊的美感呢？這當然值得進一步觀察和探討。四、生成式人工智能

與生成式藝術在人工智能的技術價值中，深度學習能力既體現為一種消化、理解輸入信息或指令的內在智能，也體現為智能外化輸出的特殊創造能力及其成果。生成式人工智能（生成式AI）及生成式藝術，是深度學習能力的重要體現之一。當前，生成式AI依賴于神經網絡和深度學習這樣的先驅性技術，在圖像識別、自然語言處理（NLP）和翻譯等非傳統計算任務中對人類智能進行模仿。基于對人類語言、編程語言、藝術、化學、生物學等豐富內容的學習或復雜主題的訓練，神經網絡可識別現有數據中的模式和結構并生成新的原創性內容。ChatGPT的問世則重塑了智能終端的使用體驗，可以讓用戶充分發揮想象力，工作效率極大提高。通過借助算法生成新的想法、形式、顏色或圖案，生成式AI催生了全部或部分使用自動創作系統的生成式藝術（generative art）。以毫秒為單位對數千個想法的視覺化，不僅極大地減少了藝術和設計工作在探索階段的投入，而且可以利用倍增性和速生性推出令人驚訝且復雜的藝術新成果。藝術家基于Processing編程語言或其橫向拓展的p5.js等軟件，可以輕松學習創建代碼，將創意轉換為計算機創作的程序設計，Processing最開始只是一門編程語言，后因發展勢頭好，橫向拓展了如p5.js及Processing的R模式等其他項目。其中p5.js作為JavaScript創意編程程序庫，專注于讓編程手段更易用且用途更廣泛，是藝術家、設計師、教育工作者、初學者等可以自由使用的工具。而且這一過程很大程度上是由計算機基于通過其內部規則獲得的指導自行完成的。傳統的藝術家創作過程中存在太多枯燥的重復性技術勞作。減少此類枯燥工作的愿望，推動了替代性機器智能的開發，引導了計算機智能輔助藝術創造的進程。不過，如今的人工智能技術因為已賦予機器自主開展藝術想象的能力，所以超越了最初的工具性目標，其作品也超越了早期通過“硬編碼”按系統的知識來源，算法創作可以分為三類：硬編碼的、輸入的和學習式的（比如語料學習）。在計算機輸入端進行創作的計算機藝術或網絡藝術。當代生成式藝術主要依靠藝術家輸入指令或者“投喂”大量語料，機器在生成過程中的自主度更高。哈羅德·科恩（Harold Cohen）被視為生成式藝術的開拓者和長期實驗者。他從1973年開始的長達半個世紀的繪畫創作實踐，正是基于他開發的名為“艾倫”（AARON）的系統展開的。該系統將軟件人工智能與機器人繪畫設備相結合，在沒有照片或其他由人類輸入的參考資料的情況下，讓機器自動創作水彩畫。在很長一段時期中，人工智能技術進展緩慢，所以“艾倫”的繪畫能力進步也不明顯。計算機系統直到80年代才學會將物體或人物放置在三維空間中，而且只能創作單色繪畫，所以大部分彩色創作需要由藝術家協助添加色彩才能完成（見下頁圖3）。1995年，新版本的“艾倫”系統在把程序語言從C語言更新為人工智能通用語言LISP后，才創作出了自己的第一幅彩色繪畫（見下頁圖4）。Chris Garcia，“Harold Cohen and AARON—A 40-Year Collaboration，”C- CHM（computerhistory.org），August 23，2016，accessed November 20，2023，https：//computerhistory.org/blog/harold-cohen-and-aaron-a-40-year-collaboration/.圖3哈羅德·科恩在美國馬薩諸塞州波士頓的計算機博物館為“艾倫”繪制的《海龜》（Turtle）著色，1982年，美國計算機歷史博物館收藏（編號：102627459）

圖4“艾倫”在美國馬薩諸塞州波士頓計算機博物館創作的第一幅彩色圖像，1995年，美國計算機歷史博物館收藏（編號：102741168）在科恩看來，生成式藝術似乎還很難挑戰藝術家的地位。他在1988年的一次訪談中特別強調了藝術家的主體地位：“也許‘艾倫更適合被描述為一個專家的系統，而不是一個專家系統：不僅僅是因為我既是此系統的知識工程師，又是常駐專家，還因為該程序是擴展我自己專業知識的研究工具，而不是封裝知識供他人使用。”參見Harold Cohen，“How to Draw Three People in a Botanical Garden，”Proceedings of the Seventh AAAI National Conference on Artificial Intelligence，August 21，1988，accessed November 7，2016，https：//dl.acm.org/doi/10.5555/2887965.2888115.在過去的30多年里，藝術家與生成式藝術系統的合作總體上也確實處于這樣的一個階段。然而，當前深度學習模型的藝術創作呈現的超越性，或許已經超出了許多藝術家的想象——既可以快速生成全新的“藝術”，也可以模擬特定藝術流派的風格或特定藝術家。例如，2024年1月，中央美術學院美術館宣布啟動“人工智能實驗室”，發布了人工智能藝術創作大模型及“Katacata Ai”繪畫平臺，致力于中國美術風格的傳承與創新。該平臺被認為可以充分發揮其將文字轉化為圖片或視頻的功能（支持從文本到圖片、手繪草圖到效果圖，以及視頻優化與合成等各種“轉化”），成為從“創”到“思”全能的多面手角色。《“中國版midjourney”來了？全中文Ai視覺制作工具Katacata Ai亮相》，“投資界”網站，2024年1月17日，https：//news.pedaily.cn/20240117/78639.shtml，訪問日期：2024年2月28日。如今，生成式藝術在形式豐富程度或創新程度上已經不亞于許多藝術家的作品。這便提出了一個問題：作為創作主體的機器或應用程序，是否可以作為著作權人而被（至少在名義上）授予著作權？此前的計算機藝術或網絡藝術，是藝術家的藝術表達及形象創造在計算機或網絡虛擬空間內的實現或移植，藝術家顯然對其享有著作權；而就基于機器算法創作（computational creativity）的、由機器智能自主生產的生成式藝術而言，作為授意者的藝術家變成了觀念發動者、對作品作出選擇或處理者，是藝術結果的審核者、挑選者。面對機器創作與藝術家的復雜關聯，當前國內外的判例通常不確認人工智能作品的著作權，以便緩解要馬上向藝術家或智能機器作出權屬劃定的壓力。對發起授意的藝術家，有專家建議借鑒德國著作權法為那些不屬于藝術性攝影的普通攝影作品提供保護的做法，確認藝術家對其生成式藝術享有鄰接權。參見李菊丹：《“人工智能創作物”有沒有著作權》，《經濟參考報》2018年4月4日第A8版。既然那些不屬于藝術性攝影作品的照片凝結了制作人的某種勞動投入，其具體的再現權需要保護，那么人工智能作品也需要保護藝術家在參與過程中付出的勞動及其回報要求。2019年，北京互聯網法院在一項判決中為AI生成式藝術的權屬爭議提出的平衡性意見即作如此認定：AI創作不屬于作品范疇，所有者不具有著作權，但限于自動生成內容凝聚了研發者和使用者的投入，具有傳播價值，公眾也需要為其投入支付費用才能自由使用。參見徐雋：《人工智能“創作”沒有著作權（以案說法）》，《人民日報》2019年7月11日第19版。同是近年，美國人史蒂芬·泰勒（Stephen Thaler）向美國版權局提出申請，主張對由AI系統“創意機器”（Creativty Machine）自行生成的一件虛擬藝術作品《通往天堂的捷徑》（見圖5）予以登記并享有其著作權。結果，美國版權局以“著作權法僅適用于人類創作的作品”為由駁回。2023年8月18日，華盛頓特區地方法院對美國著作權局的結論給出了最終確認。“Court Finds AI-Generated Work Not Copyrightable for Failure to Meet ‘Human AuthorshipRequirement—But Questions Remain，”JONESDAY，August，2023，accessed January 2，2024，https：//www.jonesday.com/en/insights/2023/08/court-finds-aigenerated-work-not-copyrightable-for-failure-to-meet-human-authorship-requirementbut-questions-remain.

圖5《通往天堂的捷徑》（A Recent Entrance to Paradise），AI生成作品，人工智能系統“創意機器”（Creativity Machine）創作在“微軟小冰”于“天涯”“豆瓣”“簡書”等平臺上以27個筆名發表詩歌創作，而無人察覺其人工智能生成性的當下，算法創作的著作權爭議會廣泛存在于音樂、文學、表演等廣義藝術領域內的各種創造性活動當中。由生成式AI助推的生成式藝術，以其對想象、創造、發明、發現、預測等創作智能參見［美］羅伯特·J.斯滕伯格：《劍橋創造力手冊》，施建農等譯，東方出版中心2021年版。該書就創造性指出了最重要的三類智能：其一為包括分析、評論、判斷、比較、評估的分析智能（analytical intelligence）；其二為包括使用、實施的實用智能（practical intelligence）；其三為包括想象、創造、發明、發現、預測等的創作智能（synthetic/creative intelligence）。的運用，既催生了一種新的藝術形態，也促成了一種新的藝術生產機制，并延伸出對藝術家的價值等多重話題的討論。因現行著作權法強調知識產權主體應為自然人或法人，人工智能的成果似乎輕易落到了作為自然人的“藝術家”身上，但這同時也給藝術家的創造者地位帶來了挑戰。在強人工智能時代，生成式藝術恐已在最關鍵的兩個層面對藝術家展開了替代：其一，基于深度學習、大數據挖掘的機器智能正在超越人腦的創意能力；其二，機器智能指導下的機械臂在精準實現創作意圖方面，正在超越藝術家曾引以為豪的手工技藝的精湛性。當然，生成式AI在給藝術家帶來創作方面的“煩惱”的同時，也在為藝術受眾揭開具有豐富想象力的創新場景。五、融合人工智能技術的

藝術場景創新智能機器模型在增強可訪問性、提升參與度、提供新的研究方法和視角、推進跨學科研究以及文化遺產保護等方面釋放出的革命性力量，正在加速藝術與生活的全面融合。其結合虛擬現實（VR）和增強現實（AR）技術，為觀眾提供實時互動及不斷延續生成的沉浸式體驗的水平一直在提升。比如，在名為“DeepArt.io”的人工智能創意程序中，大眾即時上傳的自選照片可以被輕松地改造為各種現代藝術風格的圖像供下載。顯然，基于對現代藝術不同風格特征的識記和提取，人工智能在大眾生活維度開展的傳播創新，已在更廣的范圍內提供了某種程度上超越博物館水準的互動和參與體驗。具體到各類場景來看，首先，機器對藝術大數據的深度學習，可以讓大眾在移動端輕而易舉地獲得精細的藝術品鑒定結果、鑒賞信息及市場走勢分析報告。人工智能在分析藝術圖像時是不受情緒干擾的，因而具備了一種快速、全面、精準檢索和分析藝術作品的“專家”素養：依托精細檢測能力，可辨識真偽、評估價值；依托區塊鏈技術，可對藝術品風格、特征進行識別，并對可能的作者展開有力查證；通過數據挖掘和分析，可識別藝術市場的關鍵因素，展開對藝術市場趨勢及動態、價格波動及走向，以及特定藝術品的流通可能性的分析。基于上述能力，人工智能模型能夠被藝術拍賣行、畫廊和投資者廣泛應用，為其提供“科學”的分析和決策參考。其次，藝術大數據的挖掘通過對新素材和新工具的運用，推進了藝術機構或教育機構的在線藝術教育活動及其課程的開發。模擬藝術作品的呈現及觀眾體驗、創建虛擬實驗室或者創新可視化工具、構建特殊專題的藝術博物館等，是數字人文方法在當前大眾藝術生活中最為重要的運用形式。數字影像以其互動特色及參與性上的優勢打造的學習體驗場景，可以將藝術史等通常被認為相對“枯燥”的內容面向更大范圍的公眾進行更加生動的傳播。例如，一款名為“Smartify”的應用程序能作為“數字講解員”提供一對一的“藝術畫廊之旅導游”服務。Kenya Foy，“Instantly Identify Art with This Shazaam-Like App，”Oct 15，2017，accessed January 3，2024，https：//www.apartmenttherapy.com/instantly-identify-art-with-this-shazaam-like-app-251343.基于龐大的藝術數據庫及豐富的在線藝術教育資源，藝術教育機構可以更有針對性地策劃數字藝術展覽，這不僅可為藝術教育領域的研究人員及一線工作者深入進行科研和實踐提供幫助，更可幫助公眾直觀、形象地理解藝術佳作。再次，更富個性化的藝術體驗，推動了更具創新性的藝術市場服務，以及縱向的文化傳承保護與橫向的文化交流溝通。人工智能已經發展出了快速、精準地分析社交媒體數據的能力，而對受眾興趣的調查和反饋，正是藝術市場制定精準營銷策略的重要基礎。通過對藝術與文化、社會和政治因素之間關聯的及時分析，藝術市場服務的精準度可以迅速提升。比如，對藝術家、評論家和收藏家之間聯系和互動的社會網絡分析，有助于分析文化和社會因素對藝術市場及藝術實踐的影響；虛擬藝術展覽和在線銷售平臺的創建，可以大幅度拓展藝術觀眾群體及其市場規模；互動性更強的參與性藝術項目的供應，可以使觀眾與藝術家更容易積極互動甚至攜手創作；大數據分析則使藝術機構和在線平臺更好地掌握用戶的興趣和喜好。再如，根據消費者需求推薦的藝術品、展覽和活動更容易被發現和購買；更有沉浸感的數字化藝術呈現場景會提供更具吸引力的藝術體驗；更有針對性地運用社交媒體和數字營銷工具可以更大范圍地推廣藝術家、展覽和活動；全球的藝術圖像、文獻及相關知識借助藝術大數據挖掘，更有益于推進藝術機構、研究人員和愛好者間自由而充分的分享與交流。深度學習和超級算力，正讓數字人文方法在當代藝術世界找到越來越龐大的創造空間。新的視聽技術創造出了新的展示和觀賞方式，積極拓展著藝術的邊界。生成式藝術的“秒實現”，為藝術展演、藝術管理實務、藝術圖像的價值創造帶來了無限可能性。然而，當人工智能彰顯為一種普及性的大眾應用之后，由數字人文所掀起的方法革命恐怕也要不可避免地被“神化”——此時，對機器智能的迷信就到了需要被打破的時候。六、問題與反思人工智能正在日益廣泛地應用于藝術創作及相關場景，同時也正在更廣的場域內持續不斷地生成“問題”。基于人工智能，缺少相關技能訓練的普通人也可以輕易地進行藝術創作了，這種情形似乎已無限接近“人人都是藝術家”的愿景。然而，人工智能作為新知識，是否會很快形成新的壟斷呢？人工智能成果是否會輕易被部分人優先占據？技術條件差異及信息鴻溝問題、社會的分配公平性問題是否會更加嚴重？還有，人工智能是否真如人們預想的那樣可靠？對這些問題，目前顯然還難以作出十分確定的回答。當今，人工智能應用程序可以處理的海量信息固然還在呈幾何級數式遞增，但其信息來源的時效性，以及這些素材作為現實之一維或幾維的片面性，仍使其在被用作決策和判斷的參考或依據時，可靠性存在疑問。2021年，斯坦福大學的統計學家大衛·斯托克（David G.Stork）指出，作為彩色繪畫和素描的藝術圖像的特殊性和復雜性也可能導致其人工智能判斷的失效。他認為，作為表達藝術家特殊意圖或意義的藝術畫面既可以高度風格化，也可以描繪不存在的場景、物體，或者畫面中根本沒有物體，又或畫面可能違反透視原則，而且其作品數量也遠遠少于用于訓練傳統圖像分析算法的照片。基于藝術圖像的上述特殊性，他提出，人工智能面對藝術圖像的計算分析結果可能需要修正，甚至需要全新的技術方法。David G.Stork，“Statistical Analysis in the Study of Fine Art Paintings and Drawings，”Department of Statistics（stanford.edu），September 21，2021，accessed December 5，2023，https：//statistics.stanford.edu/events/statistics-seminar/statistical-analysis-study-fine-art-paintings-and-drawings.隨著人工智能技術的不斷進步、數字人文方法更豐富的創新性應用，藝術創作與藝術市場繁榮興盛，文化和創意產業平衡發展，極大提升了當代人的藝術體驗和生活品質。然而，狂熱或激進地擁抱新技術，也很容易導致沉溺于這些技術。尼爾·波斯曼在20世紀90年代提出，技術壟斷會導致文化的表面化，而人們要避免陷入在技術標準中為自我行動尋找依據的狀態。他還認為，“如果意識到技術壟斷的危險并奮起抵抗，那就有理由（對未來抱有）希望”①。人工智能技術的應用大行其道，意味著人類受制于技術的風險與日俱增。面對處在“十字路口”的人文藝術財富，數字人文方法在重視“數字”時，決不能遺忘“人文”。消除對超強人工智能②控制人類的擔憂及普遍焦慮，不能依靠降低技術發展熱度和對技術的依賴度；破除對“技術壟斷文化”趨勢的迷信，要通過重塑人對自身的信心、繼承人文關懷傳統去實現。本文系重慶市教委人文社科研究一般項目“中華文化復興與傳統手工藝跨媒介文本創新研究”（編號：20SKGH159）的階段性成果。

①［美］尼爾·波斯曼：《技術壟斷：文化向技術投降》，何道寬譯，中信出版集團2019年版，第205頁。②參見［英］尼克·波斯特洛姆：《超級智能：路線圖、危險性與應對策略》，張體偉、張玉青譯，中信出版社2015年版。該書將超強人工智能定義為在科學創造力、智慧和社交能力等每一方面都比最強的人類大腦聰明很多的機器智能。

作者簡介：鄭川，四川美術學院藝術人文學院副教授、主任編輯

The Revolutionary Application of Digital Humanistic Methods in the AI Era：

The Era Problems and Challenges of Art Generation and Communication

Zheng Chuan

Abstract：Digital humanities methods have long been subtly applied in the field of art and humanities.In the era of AI，with artificial intelligence in art value evaluation，art education innovation，cultural heritage and communication，and even art production in a wide range of abundant energy，“digital art” in the innovation of the research field，digital humanities method began to use its revolutionary present as a highly anticipated and prominent discipline.Based on deep learning，machine intelligence models continuously innovate contemporary scenes of art generation and art communication through efficient，accurate，and fast art big data mining.However，while actively embracing new technologies in artificial intelligence，digital humanities need to reconstruct the balance between “humanity” and “digital” in the traditional persistence of humanistic care.

Keywords：artificial intelligence；digital humanities；art big data；deep learning；generative art