摘要：本文梳理人工智能艺术从控制论艺术、计算机艺术到生成式AI艺术的发展脉络，结合中外艺术家创作实践，剖析AI艺术在创造力本质、作者身份、原创性、数据伦理与文化多样性等方面的核心争议。研究认为，人工智能是艺术创作的重要协作工具，但无法取代人类的核心创作地位；技术发展不应遮蔽艺术的人文本质，人机协同是未来艺术创作的核心范式。源于人类生命体验、情感与价值判断的艺术“灵韵”，是算法不可复制的核心价值，能够为人工智能时代的艺术边界与发展方向提供理论参照。
在艺术领域，AI与艺术的融合既是技术发展的必然，也引发了关于艺术本质、创作者身份以及艺术与社会关系等根本性问题的探讨。本文旨在梳理人工智能辅助艺术创作的历史脉络，深入分析当代艺术家的AI创作实践与理论观点，并在此基础上探讨AI艺术引发的深层问题，试图在技术理性与人文精神的对话中，探索人工智能时代艺术创作的可能与边界。
前史：计算机艺术的起源与生成美学
早在20世纪50年代初，一些富有远见的艺术家就开始利用计算机的逻辑运算能力，通过编写程序，生成了一系列具有精确几何美感的抽象图案，开启了计算机艺术的先河。美国数学家、艺术家本杰明·弗朗西斯·拉波斯基利用示波器创造出动态的抽象视觉效果，被誉为早期数字艺术的雏形，他也因此被公认为计算机图形艺术的开创者。美国工程师A. 迈克尔·诺尔通过编写程序，让计算机生成具有数学美感的几何图案。这些作品向世界宣告：机器也可以创造艺术，预示着一个全新艺术时代的到来。
法国艺术家尼古拉斯·舍费尔的《CYSP 1》（1956）是首批将电子脑与雕塑结合的动态艺术作品，能根据环境中的光线、声音等变化做出反应，展现出初级的“行为”。英国控制论艺术家戈登·帕斯克的《移动的对话》（1968）能够通过光线相互“交流”并与观众互动。这些实践预示了后来AI艺术中“适应性”和“互动性”的核心特征。
几乎同一时期，德国斯图加特大学马克斯·本斯实验室的一批艺术家开始探索使用大型计算机、绘图仪和算法创建视觉作品。弗里德·纳克的《直线簇II号》（1965）通过程序控制直线的密度变化构建精密的视觉纵深，使线条精度达到手工绘制无法企及的程度。
纳克等人的探索有着自觉的美学追求。他在1974年出版的《信息处理美学》中提出了“生成美学”（Generative Aesthetics）的核心概念。生成美学是指以算法设计为基础，以系统生成过程为核心审美对象，通过规则设定、参数调整与随机触发实现视觉形态的创造性生成，其审美判断的标准并非最终的静态作品，而是孕育作品的生成系统与过程。换言之，对生成美学作品的审美判断，其依据是作品的生成方法而非作品本身。
早期计算机艺术确立了“生成美学”的基本范式，而当代AI艺术本质上是这一范式的延续与深化。今天使用生成式对抗网络（Generative Adversarial Network，简称GAN）或扩散模型（Diffusion Model）创作的AI艺术家，与60多年前使用绘图仪的纳克一样，都在对概率分布进行操控和探索。尽管制造系统的工具发生了根本性变化，但“生成美学”的核心思想依然存在：艺术创作是对生成系统的设计，审美判断指向系统的可能性而非单件作品。
演进：从AARON到生成式AI
如果说纳克等人是计算机艺术的先驱，那么英国抽象表现主义画家哈罗德·科恩则是算法艺术重要的探索者之一。20世纪60年代末，科恩就开始思考一个根本性问题：能否让机器自主创作艺术？
20世纪70年代初，科恩构建了一套名为AARON的计算机系统。AARON基于科恩设定的规则系统——关于人体比例、色彩搭配、空间构图的规则——“自主”生成图像。科恩将其视为“工作室助手”而非单纯工具。人类与机器的关系是协同而非对立的：人类负责设定规则和边界，机器则在规则空间内进行探索和生成。
进入21世纪，深度学习技术的突破使AI艺术进入全新阶段。一批艺术家开始将生成式对抗网络、扩散模型等技术融入创作实践，形成了多元化的AI艺术图景。
马里奥·克林格曼的《神经网络故障》（2018）揭示了AI系统的脆弱性和可塑性，同时挑战了所谓“完美”的审美标准。安娜·里德勒的《花叶病毒》（2018）揭示了所谓“人工智能”并不像它听起来那样“自动”，艺术家需要对数据进行筛选、整理、标注，需要设计算法架构、调整参数、反复训练。特雷弗·帕格伦的《从“苹果”到“异常”》（2019—2020）揭示了“在机器现实主义中，谁控制训练集，谁就控制图像的意义。”
在非西方艺术语境中，中国艺术家的AI创作实践将本土文化与人工智能技术深度融合，成为生成式AI艺术发展的重要分支。徐冰的《人工智能无限电影（AI-IF）》（2020）以AI为“冷静之眼”，反思人类的认知局限、重构电影的生产与观看方式。曹斐在《亚洲一号》（2018）《人民城寨》（2007—2011）《多托邦》（2022）等系列的后续AI衍生创作中，将AI、算法和自动化作为进行社会批判的工具，聚焦技术对劳动、身份和社会的深度重塑。
从上述艺术家的创作实践中，可以归纳出AI艺术创作的一些基本特征。首先，AI艺术家普遍将技术视为“合作者”而非“工具”。AI是能在人类设定的规则与边界内，通过算法逻辑实现自主探索、生成与创新的创作参与主体，与人类形成“规则设定—探索生成—价值筛选”的协同创作闭环。其次，AI艺术家的工作重心正在从“制作”转向“策划”。艺术家的核心工作是人机协同创作中的核心价值判断环节。其核心任务是在海量生成结果中做出选择、判断和重组。再次，当代AI艺术正在重新激活“生成美学”的传统，审美判断指向系统本身而非单件作品的完美。
论争：AI艺术引发的深层问题
AI艺术的兴起在带来新的创作可能的同时，也引发了一系列深层次问题。
（一）创造力之争
生成式AI能够创作出令人惊叹的绘画、音乐和诗歌，这挑战了传统的创造力概念。在传统认知里，创造力被视为人类独有的特质。然而，当AI能够生成与人类作品难以区分的图像时，问题自然浮现：机器真的具有创造力吗？
哈佛大学音乐学教授罗伯特·莱文在评论AI完成贝多芬《第十交响曲》时表示：“如果算法做得好，那么每一次尝试都是合理的。”但他同时强调，AI的尝试与贝多芬本人的创作有着本质区别，因为后者源于一种无法被算法还原的生命体验与艺术自觉。
当然，反对者可能指出，AI可以通过学习人类评分、策展记录等数据来模拟价值判断。然而，艺术价值从来不是静态的统计数据，而是在具体历史情境中由主体间协商生成的。AI可以学习过去的判断，却无法真正参与面向未来的价值创造。算法能模仿风格，却无法复制人类对世界的独特观察与情感表达。
（二）作者身份与版权困境
当一件AI作品被卖出高价时，谁是它的创作者？是输入提示词的用户，是开发AI系统的工程师，还是AI本身？美国版权局对此采取了极其严格的立场。2022年，它拒绝了艺术家杰森·M. 艾伦为其使用Midjourney生成的图像《太空歌剧院》（2022）申请版权的请求，理由是将提示词输入AI相当于“委托一位艺术家”创作，而机器决定了如何实现指令，因此缺乏人类作者的“指导性手笔”。
英国在1988年的《版权、外观设计和专利法》中就已为“计算机生成的作品”提供了保护框架，将版权授予“为创作作品做出必要安排的人”。欧洲则倾向于采取中间路线，只保护那些体现了“人类智力努力”的“AI辅助”作品。这种法律上的不确定性，导致艺术家、画廊和AI开发者都面临相当大的风险。
中国的著作权法体系对AI生成作品的版权界定同样处于探索阶段。2020年修订的《中华人民共和国著作权法》并未直接针对AI生成作品作出明确规定，但核心判定原则围绕“人类智力成果”展开，即只有体现人类独立的构思、设计、选择与判断的AI辅助作品，才能获得著作权保护，纯机器自主生成的作品则无法成为著作权法保护的客体。
（三）原创性危机
艺术原创性的核心是“无中生有”的创造性突破，而非对现有形式与内容的简单重组。然而，AI艺术对原创性概念提出了严峻挑战。AI生成的作品有时比真实更“真实”，比原创更“原创”。这种表面的“原创性”背后，隐藏着对源作品版权的潜在侵犯。
原创性危机也在艺术市场上激起不小的波澜。佳士得在2018年以43.25万美元拍出Obvious团队的AI作品《爱德蒙·贝拉米肖像》（2018），标志着一个资本与算法交汇的节点。这也引发了对艺术品价值来源的追问：一件AI作品的价值，究竟在于其生成算法的独创性、数据的稀缺性、艺术家的声望，还是仅仅在于市场的炒作？
（四）数据伦理与艺术家抵抗
生成式AI模型的训练数据来源，是当前最令艺术家群体感到不安的问题。主流AI图像生成器的训练数据集均是从互联网上抓取的数十亿张图像，其中包含了大量受版权保护的艺术家作品。艺术家们发现，自己的名字和风格被用作提示词，让机器生成与自身作品极为相似的图像，而这些创作在市场上与他们形成直接竞争。面对这一问题，一些艺术家和研究者开始开发“反训练”工具，如芝加哥大学团队研发的Glaze和Nightshade。Glaze能在人眼几乎无法察觉的情况下对图像的风格进行轻微扰动，从而混淆AI对其风格的识别；Nightshade则能“毒害”图像，使AI完全错误地解读图像内容。这反映了艺术家在技术权力面前的反抗与自我赋权。
除了版权问题，训练数据的来源与构成还隐藏着更深层的权力结构与社会偏见。艺术家斯蒂芬妮·丁金斯的《不是唯一的一个》（2018），基于与三代黑人家庭成员的对话记录，训练了一个AI来反映少数族裔的真实生活，通过主动构建多元数据集来创造新的、包容性的AI叙事，这是一种建设性的抵抗。
中国艺术界也开始关注AI创作的数据伦理问题，部分艺术家与技术团队联合开发了基于本土艺术资源的专属训练数据集，如中国美术学院深度参与的ArtiMuse-10k美学数据集，收录了大量中国传统书画、平面设计、摄影等当代本土艺术作品，为东方美学在AI艺术中的表达提供了合规的数据基础，成为非西方语境下数据伦理实践的重要探索。
（五）文化同质化与算法权力
在AI艺术中，一个日益紧迫但尚未得到足够关注的问题是：AI是否正在侵蚀人类文化的多样性，并导致审美同质化？这一问题的核心在于，当前主流AI图像生成器的训练数据集在构成上存在严重的文化偏见。
首先，训练数据的来源极不平衡。主流数据集的图像主要来自英语世界的互联网，其中欧美文化内容占据绝对主导地位。非洲、拉丁美洲、亚洲等地区的丰富视觉传统，在训练数据中占比极小，其独特的审美逻辑也被系统性地边缘化甚至抹除。其次，AI生成的结果往往是数据集中无数样本的“平均数”，而非某个独特个体，本质上不利于少数、边缘、非主流的审美表达。长此以往，AI艺术可能导致全球审美向一种统计学意义上的“主流”趋同，文化多样性面临被算法“平差”的风险。最后，算法权力对人的隐性控制值得警惕。用户以为的“创作”只是在算法预设的可能性空间中做出有限的选择。这种“选择幻觉”掩盖了算法对人的隐性驯化：人们会逐渐习惯AI生成的“平均美”，进而将其内化为自己的审美标准。
面对这一挑战，艺术家和研究者一方面要主动构建反映多元文化的数据集，另一方面要对主流AI系统的输出保持批判性距离，不能将其简单地视为“客观”或“自然”的审美标准。
反思与展望：人工智能时代艺术创作的可能与边界
面对AI艺术引发的种种问题，阿瑟·I. 米勒在《碰撞的世界》一书中展望了“第三文化”（Third Culture）的兴起，即艺术、科学与技术深度融合的未来。而这一融合的核心，并非让技术取代艺术，而是让技术成为艺术表达的新手段，同时坚守艺术永恒不变的本质。AI技术无疑是当下科技发展的核心表征，但也不过是艺术发展历程中短暂的时代印记而已，艺术的永恒始终根植于人类的情感、想象力与美的形式表达。
在AI技术日新月异的今天，传统艺术媒介的价值不仅没有降低，反而因其“非技术性”而显得愈发珍贵。油画、水墨、版画、雕塑等传统媒介，承载着人类数千年的技艺积累和文化记忆。每件作品上都保留着艺术家的身体与物质材料直接对话的痕迹，这种对话的不可复制性恰恰是传统媒介的独特价值所在。如果艺术仅仅是视觉愉悦的提供者，那么AI确实能够胜任；但如果艺术还承载着人类的经验、情感与思考，那么机器永远无法替代人，因为它无法复刻艺术家的生命体验与情感，缺乏艺术独有的“灵韵”。本雅明所说的“灵韵”是指艺术原作因其独一无二的时空在场、历史积淀与膜拜价值而散发出的神圣光晕与不可复制的魅力。事实上，即使是在“机械复制时代”，传统艺术，如绘画和雕塑的灵韵也并未稍减；至于摄影与数字艺术，因其无限的可复制性导致了灵韵的弱化；而在AI图像里，原作的唯一性、物质痕迹、历史在场性几乎彻底丧失，因此灵韵的消散也成了必然。
如何才能保护艺术那弥足珍贵的灵韵，守护艺术的永恒价值？答案是回到艺术本身。即使在今天，我们也要允许某些艺术家无视AI的存在，完全沉浸在艺术创作的世界里。同时，我们更要以开放的态度去看待由AI带来的变化。随着技术的发展，有些艺术家的角色将逐渐演变为算法策展人（负责算法的选择、架构设计与参数调整，筛选算法生成的海量结果）、数据考古学家（负责数据集的挖掘、筛选、整理与构建，挖掘数据背后的文化与审美价值）、技术批判者（通过AI创作反思技术的伦理问题、权力结构与社会影响）以及人机关系的构建者（探索人类与AI的最佳协作模式，定义人机协同创作的规则与边界）。而无论艺术家的角色如何演变，其核心始终是艺术永恒价值的坚守者与表达者：以充满想象力的美的形式，表达人类最真实的情感。
张敢，清华大学美术学院教授
摘自：《美术》2026年第5期
