探究藝術史與 AI 演化的聯動
在 AI 的演進過程中，用特定的藝術風格創造令人驚嘆的、多樣化的影象已經是一項研究熱點。十年前，這樣的成就被專家認為是不太可能的，但現在 AI 已經能夠製作使用特定藝術風格的影象，例如梵高獨特的風格，甚至還能使用無限的變化。這引出了一個有趣的問題：一系列在計算機上執行的指令如何能夠製造出能與人類創造力相提並論的藝術品呢？
探究 AI 演化和藝術史的相似之處
透過比較 AI 演化和藝術史的發展，可以發現許多相似之處。現代科學的歷史可以被表述為代表世界的特定模型的發展。傳統的模型是使用數學方程、物理和邏輯來開發的。然而現代 AI 越來越依賴使用從龐大資料集學習複雜關係的通用模型（所謂的人工神經網路），而不是編碼明確的知識。這些新模型不依賴物理或複雜的數學方程，而是透過層層堆疊許多小計算單元進行構建，這些計算單元作為整體可以學習和重現資料中存在的任何模式。有趣的是，藝術的演進在許多方面與 AI 相似。藝術也經歷了一個顯著的轉變，從根據明確知識和古典傳統的根源開始，變得越來越融合有機和直觀的方法，強調發現和創造新的形式和風格。
從建模時代到資料驅動時代
早期的 AI 是依靠人類專家群體定義的少數有意義的引數來調整分析解和方程式，並適應實驗資料的解釋。藝術家也使用模型，並適應這些模型來表示他們所觀察到的現象。它們的模型來自於對解剖學、色彩和形狀的仔細學習。例如，在文藝復興時期，達·芬奇致力於透過解剖人類和動物的方式來研究人體形態。他建立了一個關於人體外表的心理模型，然後用它來精確地再現角色或想象神話宗教畫。2004 年，解剖學教授 Massimo Gulisano 和 Pietro Bernabei 使用計算機分析了米開朗基羅的大衛雕像，證實了雕像的極端解剖學精度（除了一個缺少的肌肉─這是由石材缺陷造成的）。這些心理模型在 16 世紀時變得更加複雜，藝術家們完善了紡織品、水和光的質感和活力。早期的藝術家以方法論研究來精確地呈現真實世界的畫面，正如這個解剖研究所示。
隨著計算機技術的發展，新的方法出現，使 AI 得以識別大量資料集中的複雜模式。2012 年，電腦科學家訓練了一個大型、深度的卷積神經網路來識別影象內容，並且取得了顯著的成果。研究人員突然意識到了資料驅動方法的潛力。此後，越來越多的複雜模型從不斷增長的資料集學習更複雜的模式。似乎只要有足夠的資料和大型模型，就沒有什麼是無法達成的。在 19 世紀，藝術家開始畫他們看到的東西，拒絕被主題所約束，從而催生了印象派藝術運動。這與基於資料的方法非常相似：不試圖使用主題材料的模型，而是重新呈現資料（觀察到的場景）。1874 年，克勞德·莫內的標誌性作品《印象 日出》在巴黎展出。它被藝術評論家嘲笑為藝術家的個人“印象”，並不是對問題場景的現實描述。這是印象主義誕生的種子，通常被視為藝術史上的一個轉折點。隨後，其他人意識到，在約束現實主義的情況下，藝術可以是多麼強大。這種演變的原因是因為網際網路和先進計算機破壞了 AI，而技術改變藝術世界的則是攝影。直到 19 世紀，唯一製作影象的方式是透過藝術家的創作。對事件、人物或地點的不朽化存在一個巨大的需求。到 19 世紀末，攝影技術已經足夠優秀，能夠滿足這種需求，從而破壞了藝術。藝術家開始創作“印象”或抽象畫，將捕捉現實的任務留給攝影。
現代時代
藝術的演進依然反應在今天的教學方法中。一種方法是僅繪製所見，而不參考任何模型，這是非常具有挑戰性的。第二種方法是研究解剖學、基本形狀以及光與形式的相互作用，這樣就可以透過僅將場景作為參考而不是精確復制的方式來繪製模型。隨著時間的推移，藝術家們融合了這些技巧，並發展了自己的個人風格。然而基於模型和基於資料驅動方法之間的雙重
