艺术家谈AI十年演进：机器学习可供性、文化与艺术实践的访谈研究

文献标题

Artists on a Decade of AI Evolution: An Interview Study of Affordances, Culture, and Artistic Practice with Machine Learning

出版信息

• 主题领域: 过去十年中机器学习对艺术实践演变的影响。
• 关键词: AI艺术, 机器学习, 生成式AI, 艺术实践, 伦理, 美学, 创造力, HCI, 社群, 社会技术转变。

背景与问题

• 问题/挑战: 现有研究多以特定时间点或异质的AI技术与艺术家群体为对象，提供了AI相关艺术实践的快照。然而，对于2020年之前活跃的早期机器学习艺术家如何经历并适应AI的社会技术转型，仍缺乏深入理解。
• 重要性: 理解这些发展轨迹能够揭示工具、文化意义、价值观和艺术实践如何共同演变，为HCI领域关于创造力和设计的研究提供洞见。
• 动机与相关工作: 先前研究记录了早期以机器学习为中心的艺术实践，强调其劳动密集性和探索性，突出手工制作和不可预测性。近期研究则探讨了生成式AI对创造力和艺术职业的影响，揭示了机遇与伦理挑战。然而，早期机器学习艺术家实践的长期演变仍未被充分探索。

解决方案

• 提出的方法: 对30位在2020年之前开始使用机器学习的艺术家进行半结构化访谈，并进行主题分析。
• 创新点:
  1. 提供了跨越十年的机器学习艺术实践的叙述，展示了2020年后转型如何重塑美学、劳动和伦理。
  2. 绘制了关于大型AI模型道德责任的三种分歧观点。
  3. 扩展了生成式AI影响的研究，揭示了对长期机器学习实践的媒体艺术家的伤害。
  4. 阐明了机器学习艺术实践的三种未来方向。
• 程序与关键技术:
  • 通过在线画廊和资源库招募艺术家。
  • 半结构化访谈涵盖艺术实践、社区、伦理视角和未来方向。
  • 对29份访谈记录进行主题分析，识别模式和主题。

结果

• 具体发现:
  • 由于文本-图像关联的强化和在线AI图像的文化同质化，2020年后的机器学习系统在美学上呈现出收窄趋势。
  • 平台化和机器学习模型的复杂性降低了可塑性，但减少了技术门槛。
  • 出现分歧的伦理立场：模型被视为本质上具有剥削性、责任归于用户，或将创造自由置于伦理之上。
  • 消费级AI的普及使观众对基于机器学习的艺术实践的理解能力下降，导致误解和怀疑。
  • 2020年后艺术家社区的碎片化和噪声增加，使得有意义的交流难以维系。
• 相较基线的优势: 对机器学习艺术家的伦理实践提供了更细致的描述，并扩展了生成式AI对艺术职业影响的理解，不仅限于插画师和“受雇艺术家”。
• 实验/评估:
  • 访谈了30位艺术家，涵盖多样化的实践、知名度和地域分布。
  • 使用685个独特编码和1651条数据提取进行主题分析。
• 局限性与未来工作:
  • 招募偏向于活跃于机构网络的英语艺术家。
  • 未来研究可探索更广泛的艺术家群体，并深入理解机器学习艺术中的伦理困境。

总结

本研究探讨了早期机器学习艺术家在过去十年中如何经历并适应AI的社会技术转型。研究发现，2020年后的机器学习系统在美学上收窄了可能性，降低了可塑性，并引入了伦理困境，同时也降低了技术门槛。艺术家面临实践的可理解性下降和社区的碎片化。研究确定了未来实践的三种方向：远离主流AI逻辑、扩展工具集以及保持与既有工作流程的连续性。这些洞见为HCI领域提供了关于手工制作精神重构的启示，并提出了支持AI模型低级干预和跨AI与非AI管道工作流程组合的建议。