Это и некоторые последующие изображения созданы GAN, generative adversarial network или генеративно-состязательной сетью. Это две нейросети: одна — генератор — создает случайные картины и показывает их второй сети, а вторая — дискриминатор — сравнивает изображение и исходный материал. В итоге делается вывод, похоже ли новое изображение на то, что есть у дискриминатора. Так происходит до тех пор, пока дискриминатор не примет генерацию за исходный материал. Например, эту картину получил старший эксперт Microsoft в области искусственного интеллекта Дмитрий Сошников на основе сотен работ с сайта WikiArt.
Первое сгенерированное произведение, проданное на аукционе Christieʼs за 432,5 тыс. долларов. Хотя оценочная стоимость работы не превышала 10 тыс. долларов. Группа художников из Франции Obvious обучила нейронную сеть на 15 тыс. портретов, написанных с XIV по XX век, и получила серию изображений несуществующей семьи Белами. Правда, оказалось, что они целиком скопировали код программиста Робби Баррата, который тот выложил в открытый доступ. Другие генеративные художники критиковали Obvious за то, что в их проекте нет ничего особенного: качество текстур низкое, а портрет выглядит так, будто сделан дилетантом.
Картина из 9GANS — галереи, которая генерирует картины раз в час, а потом безвозвратно их удаляет. Звучит актуально для мира, где множество контента просто пропадает через сутки после публикации. Автор не раскрывает источников, по которым обучал нейронную сеть, но подозреваем, что среди них был Ван Гог.
Возможно, эта GAN ближе всего к искусству — ее создатель, профессор Ратгерского университета Ахмед Элгаммал, называет AICAN креативно-состязательной сетью. Если коротко, она не подражает, а генерирует новое искусство, которое выглядит как продолжение существующего. Обычный дискриминатор дает генератору ответ на вопрос «Похожа картина на искусство или нет?», а дискриминатор AICAN добавляет к этому ответ на вопрос «Можно ли отнести эту картину к одному из существующих стилей?». Поскольку у дискриминатора в распоряжении 81 тыс. картин, написанных с XV века, генератору нужно придумывать новое. Постепенно AICAN все равно приходит к абстракции.
Если Ахмед Элгаммал из предыдущего вопроса посмотрит на эту картину, он скажет, что это не искусство, потому что это не самостоятельное произведение, а перенос стиля одного художника на работу другого. Пиндар Ван Арман 15 лет занимается тем, что обучает роботов рисовать краской на холсте в своем стиле. Раньше коллеги скептически относились к работам Ван Армана, но в прошлом году арт-критик Джерри Сальц прокомментировал его картину так: «Она не выглядит так, будто ее сделал компьютер». «Но это не делает ее сколько‑либо хорошей», — добавил Сальц. Для проекта выше Ван Арман и Роберт Дель Найя из Massive Attack перенесли стиль последнего на сгенерированные нейросетью лица.
Немецкий художник называет свою технику нейронным глитчем. Суть в том, что он манипулирует уже обученными генеративно-состязательными сетями с помощью исходного материала, в который сознательно вносит изменения. GAN не может правильно интерпретировать новый материал, поэтому получаются сбои, глитчи и ошибки. Нейросети дают непредсказуемый результаты — отмечает Клингеманн, — которые, тем не менее, остаются в едином стиле.
Анонимный художник или группа художников эпохи визуальных блогов на Tumblr. Декстро не работал с нейросетями, но его искусство можно назвать алгоритмическим. В частности, он использовал открытый язык программирования Processing, с помощью которого можно относительно быстро написать абстрактное произведение. В итоге Декстро отошел от чистого алгоритмического искусства и начал писать репродукции своих генераций маслом на холсте.
Еще один пример алгоритмического искусства до GAN. Ясухиро Судзуки и его коллеги из Университета Нагойи написали алгоритм, который случайно обрабатывает и меняет изображения до тех пор, пока результат не понравится наблюдателю. В распоряжении алгоритма есть несколько стилей, в которых он будет обрабатывать, обрезка, наложение и изменение цветов. И результат совершенно не похож на картинку, которую дали ему в начале, например, картина выше начиналась с изображения 4-листного клевера.
Лектор Университета Веллингтона Том Уайт усилил идею конкуренции генеративно-состязательных сетей. Он использовал самые обычные изображения из базы данных ImageNet, на которой обучают алгоритмы машинного зрения — например, картинки с вентилятором, жуком и виолончелью. Одна нейронная сеть изображала объекты абстрактно, а другая с помощью машинного зрения узнавала в абстракциях исходный предмет. И первая дорабатывала картину, пока вторая не узнавала, что на ней изображено. Название серии — «Вероломство ImageNet» — отсылает к картине «Вероломство образов» Рене Магритта. На ней изображена курительная трубка с подписью «Это не трубка».
Робот рисовал эту картину красками на холсте, когда слушал скрипку. Художник Бенджамин Гроссер написал алгоритм, который начинает изображение с нескольких случайных жестов, а в процессе слушает игру на скрипке и интерпретирует звуки в новый набор жестов. «Одна картина представляет собой рендеринг нескольких поколений [жестов], который иллюстрирует путь к желаемому результату», — говорит Гроссер.
Один из самых старых художественных алгоритмов работает с 1970-х. Художник и инженер Гарольд Коэн написал AARON и, возможно, начал самое продуктивное сотрудничество между художником и алгоритмом в истории. Сначала AARON рисовал только контуры, в 80-х научился добавлять цвет, позже Коэн придумал для него формулу, чтобы сочетать цвета. В итоге художник называл алгоритм «лучшим колористом, чем он сам был когда‑либо». AARON обучали на ограниченном наборе изображений, в котором были люди, растения и простые предметы, поэтому у него узнаваемый стиль. Коэн умер в 2016 году, но AARON может рисовать картины до сих пор.
Самое старая алгоритмическая работа в списке. Немецкий автор Манфред Мор стал одним из пионеров алгоритмической живописи в 1960-х, когда заметил, что его искусство «медленно трансформируется из абстрактного экспрессионизма в компьютерную геометрию». В 1960-х он писал программы на подержанном компьютере SDS, но ему было не на чем печатать, поэтому результаты генераций чертил от руки. Позже делать генерации стало проще, ведь появился доступ к промышленному плоттеру в Институте метеорологии. Эта и многие другие работы Мора визуализируют гиперкуб.