Технологии машинного обучения в научном искусстве (сайнс-арт) XXI века тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Миловидов Станислав Вячеславович

• Миловидов Станислав Вячеславович
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Миловидов Станислав Вячеславович

ВВЕДЕНИЕ

ГЛАВА 1. Исторические аспекты и аксиоматика исследований технологий машинного обучения в современном научном искусстве (сайнс-арт)

1.1 Понятие машинного обучения и используемые художниками технологические решения

1.2 Технологии машинного обучения в научном искусстве (сайнс-арт) как часть широкого контекста современного компьютерного и медиаискусства

1.3 Историческая ретроспектива компьютерных технологий и концепции искусственного интеллекта в современном компьютерном искусстве

ГЛАВА 2. Проблемное поле художественной практики с использованием технологий машинного обучения

2.1 Научная метафора в произведениях художников с использование технологий машинного обучения

2.2 Исследования науки и технологий (STS) в контексте анализа научных метафор в художественных работах с использованием технологий машинного обучения в контексте научного искусства (сайнс-арт)

2.3 Постгуманистический дискурс в научном искусстве с использованием машинного обучения

ГЛАВА 3. Эстетика нечеловеческого в научном искусстве с использованием технологий машинного обучения

3.1 Машинное обучение в искусстве 2016-2021 годов. Генеративно-состязательные нейронные сети (GAN)

3.2 Коммерциализация инструментов машинного обучения и актуализация художественных практик научного искусства в сообществе медиахудожников

3.3 Сайнс-арт и китч нейронные сети на основе больших языковых моделей в изобразительном искусстве

ЗАКЛЮЧЕНИЕ

БИБЛИОГРАФИЯ

ПРИЛОЖЕНИЕ №1

ПРИЛОЖЕНИЕ №2

Введение диссертации (часть автореферата) на тему «Технологии машинного обучения в научном искусстве (сайнс-арт) XXI века»

ВВЕДЕНИЕ

Актуальность. С начала 2020-х годов человечество оказалось в ситуации новой научно-технической революции, связанной с так называемыми технологиями искусственного интеллекта. Речь идёт о глубоком машинном обучении и генеративных нейросетевых алгоритмах, появление которых стало наиболее заметным феноменом в этой области. Особый интерес к этим технологиям вызван тем, что автоматизация и алгоритмизация теперь затрагивают такие сферы, как искусство, дизайн и креативные практики — области, которые всегда считались прерогативой исключительно человека.

Сегодня технологии машинного обучения начинают встраиваться как инструмент в самые разные направления искусства: генеративное искусство, сайнс-арт, глитч-арт, видеоарт, медиаперформанс, паблик-арт, акционизм, партисипаторное искусство, а также графический дизайн, кинематограф и коммерческая печать и многие другие. В связи с этим возникает необходимость исследовать влияние новых технологий на художественные практики и ответить на вопросы, какие новые формы и проблематику они привносят в творческий процесс и эксперименты художников. Также необходимо дополнить современные классификации медиа и компьютерного искусства, обозначая новые границы внутри художественных практик с использованием технологий машинного обучения.

Фиксация и изучение таких форм искусства не только помогает нам понять их историческое и современное значение, но и создаёт базу для изучения будущих технологий. Примером может служить научное искусство (сайнс-арт), которое использует алгоритмы машинного обучения для визуализации научных данных и концепций. Художники и учёные сотрудничают, создавая произведения, которые не только эстетически привлекательны, но и помогают лучше понять сложные научные идеи, которые трудно воспринимаются на интуитивном уровне. Например,

алгоритмы могут анализировать большие массивы данных, такие как геномные последовательности или астрономические наблюдения, и преобразовывать их в визуальные формы, которые привлекают зрителя.

Однако наибольший интерес для данного исследования представляет область научного искусства (сайнс-арт), в которой технологии машинного обучения не являются инструментом автоматизации устоявшихся художественных практик, а привели к возникновению новых творческих форм, невозможных вне технологий искусственного интеллекта. Подобные арт-практики напрямую граничат с научными исследованиями в области искусственного интеллекта. К таковым можно отнести программу AARON художника и компьютерного инженера Г. Коэна, который рассматривал искусство как «один из путей приобретения личностью интеллекта и убеждений и пытался ответить на вопрос, как сочетание примитивных визуальных элементов формирует новые значения» [24, с. 221-222]. Проект ABRAHAM американского медиахудожника Дж. Когана по созданию децентрализованной генеративной художественной программы, обладающей автономностью и собственной агентностью, по аналогии с «коллективным разумом», «суперорганизмом» или «ульем», в которых интеллект возникает из сложной системы взаимодействий более мелких агентов [113].

Подобные художественные работы зачастую находятся на пересечении компьютерного и научного искусства (сайнс-арт), так как уже с середины 2010-х годов становление сообщества художников, экспериментировавших с машинным обучением, происходило в рамках компьютерного искусства и включало относительно небольшое число энтузиастов, которые, в том числе, являлись инженерами и разработчиками алгоритмов и программного обеспечения. Тем самым прослеживается историческая преемственность этих художественных практик и компьютерного искусства.

В художественных работах этого направления «алгоритмическая эстетика» получает расширенную трактовку, выходя за пределы

манипуляции данными или программным кодом [47], в гораздо более широкую область научных исследований, связанных с когнитивными процессами и механизмами восприятия окружающего мира человеком. Художники «включают в проблемное поле алгоритмической эстетики не только комплекс проблем, связанных с использованием компьютера как инструментального средства, но и проблемы, связанные с попытками создания собственно компьютерных моделей творчества, которые предпринимаются на пересечении искусства и технологий искусственного интеллекта» [47]. Таким образом, тема искусственного интеллекта подразумевает возможность построения рукотворной системы, обладающей агентностью равной человеческой. Это, в свою очередь, связывает подобные разработки с одной из неразрешенных проблем современной науки -«трудной проблеме сознания»1. Таким образом, художники, экспериментирующие с машинным обучением институционально, оказались включенным как в рамки компьютерного, так и научного искусства.

Однако сегодня изучение научного искусства с использованием технологий машинного обучения приобретает особую актуальность, так как появление больших языковых и мультимодальных моделей сформировало инструментальную и продуктовую ценность этой технологии, тем самым существенно расширив сферу её применения в иных художественных практиках и дизайне. В тоже время технологии машинного обучения продемонстрировали свой потенциал и как инструмент научного исследования. Такие алгоритмы показали прорывные результаты в тех

1 Трудная проблема сознания, предложенная философом Дэвидом Чалмерсом, касается объяснения того, как и почему физические процессы в мозге порождают субъективный опыт и квалиа (качественные аспекты ощущений). В отличие от "легких" проблем сознания, которые исследуют функции и механизмы мозга, трудная проблема фокусируется на внутренней, субъективной природе переживаний. Существует разрыв между объективным описанием мозговых процессов и субъективным характером ощущений, который наука пока не может преодолеть. Решения трудной проблемы включают различные философские подходы, такие как дуализм, функционализм, панпсихизм и эмерджентность. Эти подходы стремятся объяснить, почему и как физические процессы приводят к появлению сознательного опыта, оставаясь одной из наиболее спорных и обсуждаемых тем в философии и нейронауке.

областях науки, где ученые работают с большими массивами данных, например, в изучении процессов в коре головного мозга, астрономии или синтезе новых химических элементов.

Таким образом, данное исследование необходимо для дополнения классификации научного и компьютерного искусств, продолжения и уточнения историографии этих направлений в широком контексте медиаискусства. Актуальным для настоящего исследования представляется необходимость разграничить художественные практики с использованием технологий машинного обучения, которые возникли в результате революции в области машинного обучения, ещё до того, как подобные технологии получили инструментальную ценность и стали встраиваться в различные направления искусства и дизайна. Также необходимо проследить дальнейшее развитие художественных экспериментов во взаимосвязи с научным искусством, творческое осмысление технологий искусственного интеллекта и систем с иной (нечеловеческой) агентностью. Последние представляют собой актуальное направление освоение научного материала художниками, работающими в рамках направления сайнс-арт.

Подобные практики требуют фиксации и исследования с целью их непротиворечивой интеграции в существующие классификации и академическую дискуссию, вокруг этого направления. Также, стоит отметить, что такого рода исследования охватывают не только формы и методы создания произведений искусства, но и культурную и философскую рефлексию, в которой нашли отражение работы современных искусствоведов. Этот подход позволяет видеть целостную картину и понимать, что изучение искусства и технологий в изоляции приводит к потере значимых аспектов их взаимодействия. В частности, машинное обучение ставит перед учеными вопрос о границах и фундаментальных различиях естественного и искусственного интеллекта, основания для изучения которого, в ситуации, когда подобные технологии находятся только

на стадии своего становления, лежат в исследовательском поле, к примеру, философии постгуманизма и объектно-ориентированной онтологии. Именно комплексное рассмотрение этих факторов является ключевым для глубокого и всестороннего понимания новых форм искусства и их места в современной культуре.

Проблема исследования. Исходя из описанной актуальности исследования, в данной диссертационной работе рассматриваются возникшие за последние десять лет художественные методы и практики, связанные с применением технологий машинного обучения. Традиционно компьютерные технологии, к которым относятся и алгоритмы машинного обучения, выступают в качестве инструмента художника в компьютерном искусстве. Однако в настоящее время наиболее значимые и яркие работы, созданные с применением этих технологий, проявляются в рамках научного искусства (сайнс-арт), где компьютерные технологии играют роль инструмента научного исследования и в этом качестве становятся основой для художественного произведения. Этот аспект требует глубокого и всестороннего анализа, поскольку он позволяет провести детальное исследование и описание процессов, происходящих в данной области современного компьютерного искусства, что способствует систематизации накопленных знаний и художественного материала.

Степень разработанности научной проблемы. Технологии машинного обучения в научном искусстве наследуют довольно хорошо изученному в российском искусствоведении направлению компьютерного искусства. Однако внутри компьютерного искусства и всей сферы информационных технологий в целом необходимо выделить область инженерной мысли, связанную с технологиями искусственного интеллекта. Возникнув практически одновременно с появлением компьютера, это

направление радикально расширяет проблематику автоматизации труда человека, затрагивая уже его онтологические границы, и эти процессы находят отражение в художественной практике.

Таким образом, продолжая и актуализируя уже сложившуюся историографию, весь спектр исследовательских работ, посвящённых интеллектуальным технологиям в компьютерном искусстве можно разделить условно на два периода. Первый - алгоритмическое искусство, (до 2015 года), куда будут отнесены также практики использования символьного искусственного интеллекта, и второй - современные работы с использованием технологий машинного обучения (примерно с 2015 года по настоящее время). Этой классификацией и обусловлены хронологические рамки данного исследования.

В числе первых российских исследователей наиболее заметный вклад в систематизацию компьютерного искусства, частью которого является художественные практики с использованием технологий машинного обучения (в их числе и исследуемое направление научного искусства), был доктор философских наук С.В. Ерохин, представивший подробную историографию художественных практик возникших с появления первых компьютеров после Второй мировой войны и до начала XXI века. Он разделяет компьютерное искусство на три периода: «раннее цифровое изобразительное искусство (60-70-е), цифровое компьютерное искусство 80-90-х годов XX века и цифровое компьютерное искусство XXI века» [25, с. 33-51].

Важным для данного исследования в работе С.В. Ерохина является определение художественных практик с использованием технологий искусственного интеллекта, к которым относятся и технологии машинного обучения. Для этого он использует термин «искусственное искусство (artificial art)», то есть процесс «создания художественного произведения, который не предполагает участия человека». По его словам, подобные

художественные практики лежат в рамках фундаментальных и прикладных исследований в области искусственного сознания» [24, с. 217]. Этот термин не получил широкого распространения в научной литературе, однако, является хорошей отправной точкой для исследования художественных практик с использованием технологий машинного обучения, в том числе и в рамках научного искусства (сайнс-арт).

Среди зарубежных исследователей темой искусственного интеллекта в искусстве и творчеством автономных алгоритмов и машин занимались историки искусства П. МакКордак и Л. Сандарараян. Они изучали один из самых заметных художественных проектов этого направления AARON Г. Коэна, который существовал и развивался на протяжении десятилетий с 70-х годов XX века до самой смерти автора в 2016 году. П. МакКордак проводит параллели между наукой и искусством, которые объединяет концептуальная составляющая. «Художник стремящийся выразить определенную идею, делает арт-объект не просто технологическим творением, но и воплощением этой идеи, ценность которой не исчерпывается только физическим воплощением; наиболее значимые произведения ценны своими идеями. Идеи универсальны и способны к широкому применению, в отличие от конкретных, уникальных объектов» [127, c. 191-192]. Как закономерное развитие мысли в этом направлении исследовательница также обращается к теме «невидимого мира умственных процессов, лежащем в основе визуального представления» [127, c. 191-192].

Позднее изучению искусства с использованием технологий машинного обучения, в частности генеративным нейросетевым алгоритмам, были посвящены работы известного исследователя цифровых технологий и культуры Л. Мановича. Начиная свои исследования с осмысления процесса цифровизации в целом в работе «The Language of New Media» (2001), автор развивает собственные подходы к изучению связанных с компьютеризацией феноменов в книгах «Software Culture» (2010), «Data Drift: Archiving Media

and Data Art in the 21st Century» (2015) и «Artificial Aesthetics: A Critical Guide to AI, Media and Design» (2021-2024).

В последней работе речь идёт о влиянии искусственного интеллекта на «глобальную культурную экосистему» и задаётся концептуальная рамка для дальнейшей дискуссии по проблеме нейронных сетей: что мы понимаем под искусственным интеллектом на данном этапе, какие существуют ограничения у современной технологии, и какова специфика порождённых ею эстетических форм. Исследование написано совместно с Э. Ариелли и представляет собой поэтапный анализ искусства с использованием технологий машинного обучения, который развивался, следуя за логикой технологического прогресса. Первая глава книги вышла в декабре 2021 года, а седьмая в апреле 2024 года.

Среди зарубежных исследований также представляет интерес работа норвежской исследовательницы Дж. Реттберг «Machine Vision. How Algorithms are Changing the Way We See the World» [146], посвященная машинному зрению. Автор представляет обзор исторических и современных областей применения машинного зрения и технологий искусственного интеллекта, которые показать, как различные виды машинного зрения позволяют людям видеть по-новому с помощью домашних камер наблюдения, генеративных алгоритмов вроде DALL-E и спутниковых изображений, тем самым являя эстетику нечеловеческого, которая постепенно приходит в медиаискусство.

В том числе различным аспектам и направлениям искусства с использованием технологий машинного обучения посвящены работы как отечественных, так и зарубежных авторов. Например, Э. Менделовиц изучал влияние технологий машинного обучения на паблик-арт. Е. Никоноле исследовала проблему онлайн-безопасности Интернета вещей и растущих возможностей искусственного интеллекта в проекте «deus X mchn» (2017), вторгаясь в личное пространство пользователей через незащищенные

устройства, подключённые к сети Интернет. Научные работы искусствоведа С.С. Грибова посвящена применению машинного обучения в танцевальном медиаперформансе. В свою очередь доктор культурологии Т.Е. Фадеева рассматривает основные тенденции развития современного медиаискусства, в частности, под влиянием алгоритмов, возникших в результате революции, связанной с технологиями искусственного интеллекта.

Тем не менее, многочисленные исследования процессов машинного обучения (Ф. Гут, З. Липтон, А.Б. Арриета, Р. Гуидотти, И-Хань Шэу и многие другие) указывают, что современные нейронные сети, которые на сегодняшний день стали наиболее популярным подходом к глубокому машинному обучению - это непрозрачные и неинтерпретируемые системы. Подразумевается, что у разработчиков нет прямого понимания механизма работы модели, которая содержит миллиарды параметров, и рассматривается как «черный ящик» [89, 121]. В результате, актуализируется вопрос об агентности не человеческого, а машинного свойства - лишенной субъективности. В искусстве подобными исследованиями области вне человеческой субъективности занимались представители направления генеративного искусства (Ф. Галантер, М. Мор, К. Симс, Х. Хааке, Ф. Наке и другие). Как отмечал Ф. Галантер «ключевым элементом генеративного искусства являются системы, которым художник делегирует частичный или полный контроль над созданием произведения» [106].

В результате, можно выделить некоторое общее направление экспериментов в искусстве с использованием машинного обучения. Начиная с того, что сама технология заимствует принципы организации биологических нейронных сетей человека и заканчивая нейрокогнитивными исследованиями, работами в области философии, психологии, антропологии и информатики. Проблематика предшествующих исследований строится вокруг трудной проблемы сознания, которая сквозной идеей пронизывает все творческие практики, связанные с технологиями искусственного интеллекта.

Таким образом, теоретическая база настоящего исследования будет опираться на научные работы, связанные с осмыслением взаимного влияния искусства и науки (научное искусство или иначе сайнс-арт) в фокусе технологий машинного обучения. При этом подобный подход сочетающий изучение передовых компьютерных технологии и воспроизводящий актуальные научно-технологические дискурсы применительно к социальным процессам закономерно оказывается в междисциплинарном поле социологии науки и техники (БТБ) - Б. Латур, М. Каллон, Дж. Ло, С. Вулгар, А.М. Моль.

В работах этих авторов концептуализируется представление об отношении человека и технологий как сети взаимодействий между людьми, технологиями и социальными структурами. Одним из таких подходов был анализ лабораторных практик посредством исследования текстов, которые являются результатом исследовательской деятельности учёных и составляют основу научной коммуникации. Важным также для Б. Латура, как отмечает Арсеньев, становится то, что «не только логическая, но и фактологическая состоятельность научных высказываний конструируется в грамматическом взаимодействии актантов» [2]. Эта оптика позволяет применить методы анализа научной коммуникации к художественному тексту, в котором нет бинарности и необходимости встроить знание в некую парадигму, а «художники исследуют отношения между объектами и феноменами, не ставя одно выше другого. Это помогает понять, как новое и неизвестное можно включить в наше мышление, не подавляя его случайные проявления» [7].

В научном искусстве лабораторная практика трансформируется в художественный инструмент, перемещаясь из лаборатории в галерею, при этом сохраняя принцип коммуникации с помощью текстов (или медиатекстов), без которых восприятие арт-объектов в выставочном пространстве зрителем оказывается либо затруднительно, либо спекулятивно (подробнее этому вопросу посвящен параграф 2.3). Подобный метод анализа произведений научного искусства играет ключевую роль для демонстрации

взаимосвязи между художественными работами, основанными на технологиях машинного обучения, и когнитивными исследованиями в области нейрофизиологии или психологии, которые сосредоточены на изучении «трудной проблемы сознания».

Таким образом, особое значение в связи с обращением художников к «трудной проблеме сознания» приобретают искусствоведческие работы, посвящённые изучению и анализу научного искусства (сайнс-арт) в целом, так как в них можно проследить основные тенденции и современную проблематику этого направления искусства. В их числе исследования Д.Х. Булатова, О.Е. Левченко, В. Громовой, Е.А. Комлевой, Д.В. Галкина, Т.Е. Фадеевой, А.А. Писарева и других. А также работы, посвященные осмыслению концепций постгуманизма - Ф. Феррандо, Ю. Такера.

Тем не менее, демократизация и доступность нейросетевых алгоритмов привела к тому, что появились как отдельные работы, так и целые проекты, которые эксплуатируют специфику коммерческих продуктов ИТ-гигантов. В них используются, к примеру, специальные генеративные алгоритмы, обученные на эстетически привлекательных изображениях или популярных у массового зрителя визуальных стилей, позволяют выполнять сугубо утилитарные задачи стилизации изображений в развлекательных целях, которые следуют установленной логике и контентной политике крупных компаний. Этой проблеме китчизации искусства и его трансформации в цифровую эпоху были посвящены работы Л. Мановича, Р. Скрутона, Ж. Липовецкого, Дж. Кваранта, Дж. Луги, А.А. Курбановского и других.

Теоретические и философские предпосылки современных исследований влияния технологий на современное искусство обнаруживаются в работах по теории искусства и его взаимодействию с технологиями В. Беньямина, Б. Гройса, Р. Краусс, С. Сонтаг, Ж. Бодрийара, Ж. Лакана, Ю. Хуэй, Н.Б. Маньковской, В.В. Бычкова, В.П. Руднева, А.В. Васильева, И.И. Югай. Также исследования современных технологий и

средств коммуникации не может быть полным без работ исследователей по теории медиа - М. Маклюэна, В.В. Савчука, И.В. Кирии, А.А. Новиковой и других, так как технологии машинного обучения существуют не только как художественный инструмент, но развиваются как часть системы креативных индустрий. При этом последние оказывают непосредственное влияние на разработки генеративных алгоритмов и, соответственно, связанные с ними практики.

В целом, обучение и генерация изображений нейросетевыми алгоритмами представляют собой длящиеся процессы, специфику которых органично воплощать в формате видеоизображений на экране, с интерактивными элементами или без них, поэтому важными для осмысления подобных художественных практик становятся работы А. Джеузы, А.Д. Першеевой и А.А. Деникина в области видеоарта;

Также ряд исследователей анализируют механизмы возникновения в интеллектуальных алгоритмах того, что в социальном контексте принято называть креативными практиками, к таковым можно отнести работы А. Форбса, Т.Е. Фадеевой, К.Ю. Бохорова, Д.В. Галкина, А. Элгаммаль и М. Маццоне.

Невозможно обойти стороной исследователей и искусствоведов, изучающих смежные направления в искусстве, в которых также зачастую артикулируется тема искусственного интеллекта и машинного обучения. К таковым относится генеративное искусства и глитч-арт.

В разное время генеративное искусство исследовали Ф. Галантер, который предлагал использовать для их анализа теорию сложных систем (сошр1ех1вш), Э. Коллабелла, С. Содду, Р. Эскотт, Дж. МакКормак, Т. Хоббс, Б.К. Вианна и С.С. Грибов. Исследованию направления глитч-арт посвящены работы М. Бетанкура, И. Эндрюса, Э.В. Жагун-Линник, Р. Пэкера, З. Бласа, Дж. Уимена, Т. Бэккера и других, которые отрицают пафос так называемой

цифровой революции. Вместо превознесения качеств цифрового образа художники заостряют внимание на недостатках цифровых процессов.

В том числе, в основу исследования легли периодические материалы тематических выпусков научных журналов по вопросам, связанным с искусственным интеллектом в искусстве (ArtNodes, Slanted, AI&Society)

Объект исследования

Произведения научного искусства (сайнс-арт), созданные с использованием технологий машинного обучения.

Предмет исследования

Художественные практики, а также экспериментальные подходы на пересечение научного искусства (сайнс-арт) и компьютерного искусства, основанные на технологиях машинного обучения.

Гипотеза исследования состоит в том, что художественные работы, в которых нейронные сети и алгоритмы машинного обучения становятся основой арт-объекта, а не носят вспомогательную или инструментальную функцию, наиболее ярко проявляются в рамках научного искусству (сайнс-арт), где они оказываются включены в исследовательскую проблематику феномена сознания. Таким образом, художественные эксперименты направлены на осмысление проблем агентности алгоритмов машинного обучения, специфике «познания» окружающего мира искусственным интеллектом и новых сенсорных формах, которые возникают во взаимодействии людей и технологий машинного обучения.

Цель исследования предполагает выявление новых методов и художественных практик, использующих технологии машинного обучения для художественного осмысления проблематики научного искусства (сайнс-

арт). В соответствии с этой целью, исследование включает в себя следующие задачи:

1. Определить место научного искусства (сайнс-арт), использующего технологии машинного обучения, в контексте современного компьютерного и медиаискусства.

2. Определить этапы развития художественных практик с использованием машинного обучения с момента формирования этих художественных практик в самостоятельное направление в 2015 году.

Список литературы диссертационного исследования кандидат наук Миловидов Станислав Вячеславович, 2024 год

БИБЛИОГРАФИЯ

1. Актен М. New Elements. Цифровая материальность. Laboratoria Art&Science Foundation URL: https://laboratoria.art/new-elements/ (дата обращения 05.01.2022)

2. Арсеньев П. Техно-формализм, или Развинчивая русскую теорию с Латуром // НЛО. 2019. № 159.

3. Беньямин В. Произведение искусства в эпоху его технической воспроизводимости. Избранные эссе / Под. ред. Ю.А. Здорового — М.: Медиум, 1996. — 240 с.

4. Бодрийяр Ж. Симулякры и симуляции. Перевод с французского А. Качалова. М. : Издательский дом «ПОСТУМ», 2015. — 240 с.

5. Бохоров К.Ю. Алгоритмическая апофения и эстетизация данных // Художественная культура. 2021. №3 (38).

6. Булатов Д.Х. Искусство как предполагаемое возможное // Технологос. -2019. - № 4. - С. 8-22. DOI: 10.15593/perm.kipf/2019.4.01

7. Булатов Д.Х. Нечеловеческие агенты — и то, что они порождают // PERMM, 2024. URL: https://permm.ru/~/nechelovecheskie-agenty-i-to-chto-oni-porozhdayut (дата обращения 15.08.2024)

8. Булатов Д.Х. Симпозиум «New Elements». Секция 1. Science-art сегодня: трансформации междисциплинарных сообществ // LABORATORIA Art&Science Foundation, 2022. URL: https: //www. youtube. com/watch?v=RyNLuLnoD7k (дата обращения: 15.05.2023)

9. Бычков В.В. Искусство техногенной цивилизации в зеркале эстетики / В.В. Бычков, Н.Б. Маньковская // Вопросы философии. - 2011. - № 4. - С. 62-72.

10.Галкин Д.В. Мультисенсорные технологии. Наука. Искусство. Инновации // круглый стол в рамках конференсция «Сигнальные системы», Технопарк Сколково, 2024.

11.Гегель Г.В.Ф. Лекции по эстетике. СПб.: Наука, 2001. — 330 с.

12.Гринберг К. Авангард и китч // Partisan Review, 1939, VI, no. 5 С. 34—49

13.Гройс Б. Авангард и китч сегодня // Colta.ru, 2012 URL https://os.colta.ru/art/events/details/34423?ysclid=lvef4i0ard980377230 (Дата обращения 25.04.2024)

14.Гройс Б. Под подозрением. Издательство «Художественный журнал», 2006. — 197 с.

15.Громова В.В. Первый манифест «сайнс-арт»: к истории понятия // Искусствознание, 2022. №4. с. 310-331.

16.Давыдов И.А. Трансформация антропологической реальности в мире числовых соотношений: дис. ... канд. философ. наук: 5.7.8 Философская антропология, философия культуры. - МГУ, Москва, 2023. — 152 с.

17. Делёз Ж., Гваттари Ф. Анти-Эдип: Капитализм и шизофрения. Екатеринбург: У-Фактория, 2007. - 661 с.

18.Деникин А.А. Границы нечеловеческой коммуникации в современных арт-практиках // Артикульт, 2023, №4(52).

19. Деникин А.А. Телесно-ориентированный подход при анализе произведений экранного искусства // Знание. Понимание. Умение. 2017. №2.

20.Демильханова, А.М. Влияние виртуальной реальности на образ Я (на примере ролевых компьютерных игр). дисс. ... на соискание ученой степени кандидата психологических наук. Ярославский государственный университет им. П.Г. Демидова, 2009. — 157 с.

21.Духан И.Н., Старусева-Першеева А.Д. Оптические стратегии новых медиа: от перспективизма к дрейфующему взгляду // ПРАЕНМА. Проблемы визуальной семиотики (ПРАЕНМА. Journal of Visual Semiotics). 2022. Вып. 3 (33). С. 9-38.

22.Ермаков Т.К., Омелик А.А. Анализ некоторых тенденций в истории генеративного искусства // Социология искусственного интеллекта, 2022, 3/4. С. 61-81

23.Ерохин С.В. Термин «Научное искусство» в художественном и научном дискурсах // Вестник Череповецкого государственного университета. 2012. №4 (43)

24.Ерохин С.В. Эстетика цифрового изобразительного искусства. Алетейя, 2010. — 432 с.

25.Ерохин С.В. Эстетика цифрового компьютерного изобразительного искусства : диссертация ... доктора философских наук : 09.00.04. - МГУ, Москва, 2010. — 360 с.

26.Жагун-Линник Э. В. Возобновление авангардно-модернистских стратегий и этические аспекты в глитч-манифестах // Вестник Московского государственного университета культуры и искусств. - 2020. - № 6(98). -С. 93-104

27.Жагун-Линник Э. В. Глитч-арт как феномен современной культуры : специальность 24.00.01 «Теория и история культуры» : диссертация на соискание ученой степени кандидата культурологии / Жагун-Линник Эльвира Валерьевна ; Российский Государственный Гуманитарный Университет. - Москва, 2021. — 266 с.

28.Иванова А. С. Приемы формирования «виртуальной реальности» в работах М. К. Эшера для дизайна архитектурного пространства // Урбанистика. 2018. №4.

29. Игуменов В. Возможно, людям будут платить за то, чтобы они вообще хоть что-нибудь хотели. Интервью с медиахудожником В. Эпштейном // Reminder, 2023. URL: https: //remi nder. medi a/s uper/generative-arti st-interview?fbclid=IwAR17rDVo 8TvZB57EQ9t Ufek0Uan6V v9A3eaUTehKl _cypsoxIBZuFMKo (дата обращения 08.01.2024)

30.Кабирова А. Фильм-исследование. Проект One artsapiens ID // No name 2, 2023. URL: https: //www.voutube.com/watch?v=xwM6i S8MlxQ (дата обращения: 15.05.2023)

31.Кант И. Критика способности суждения. М.: Искусство, 1994. — 367 с.

32.Князева Е. Н. Энактивизм: новая форма конструктивизма в эпистемологии. - М.; СПб.: Центр гуманитарных инициатив; Университетская книга, 2014.

33.Колмогоров А.Н. Автоматы и жизнь // Возможное и невозможное в кибернетике / Сост. В. Д. Пекелис; под ред. А. И. Берга и Э. Я. Кольмана. — М.: Наука, 1964. — 624 с. — С. 10—29.

34.Краусс Р. Подлинность авангарда и другие модернистские мифы. Издательство «Художественный журнал», 2003. — 317 с.

35.Кузнецов А.Г. Латур и его «Технолог»: вещи, объекты и технологии в акторно-сетевой теории // Социология власти. 2015. №1.

36.Кун Т. Структура научных революций. Издательство АСТ, 1974. — 340 с.

37.Курбановский А. А. Реализм без реального: аспекты китча. Искусствознание, 2017, №3

38.Лакан Ж. Образования бессознательного (Семинары: Книга 5 (1957-1958)) (пер. А. Черноглазова). Гнозис, 2002. — 608 с.

39.Лакофф Дж., Джонсон М. Метафоры, которыми мы живем (пер. А. Баранов). Едиториал УРСС, 2004. — 256 с.

40. Латур Б. Визуализация и познание: изображая вещи вместе // Философско-литературный журнал «Логос». 2017. №2 (117)

41. Латур Б. Дайте мне лабораторию, и я переверну мир // Логос. 2002. No 5-6 (35). С. 1-32.

42.Латур Б. Политика природы. Как привить наукам демократию. ООО «Ад Маргинем Пресс», 2018. — 336 с.

43. Лосев А.Ф. История античной эстетики. Ранняя классика / Вступ. ст. A. A. Тахо-Годи. М.: ACT; Харьков: Фолио, 2000. — 846 с.

44.Манович Л. Теории софт-культуры. Ласточка, 2017.

45.Манович Л. Язык новых медиа. Ад Маргинем Пресс, 2018.

46.Маньковская Н.Б., Бычков В.В. Современное искусство как феномен техногенной цивилизации. - М.: ВГИК. 2011. - 208 с.

47.Мигунов А.С., Ерохин С.В. Алгоритмическая эстетика. СПб, Алетейя, 2010.

48. Научное искусство: Тезисы I Межд. научно-практич. конференции МГУ им. М.В. Ломоносова, 04-05.04.2012 /под ред. В.В. Миронова. - М., 2012.

49.Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. — СПб.: Питер, 2018. — 480 с.

50.Новикова А. А. Музеи и их виртуальные расширения: конвергенция на фоне карантина // В кн.: Искусство в контексте пандемии: медиатизация и дискурс катастрофизма. М.: Издательские решения, 2020. Гл. 19. С. 456475.

51.Ортега-и-Гассет Х. Эссе на эстетические темы в форме предисловия. Изд: «Эстетика. Философия культуры», 1991.

52.Пащенко О.Г. Нейротхотеп: искусственный интеллект и исследования ужаса // Бизнес и дизайн ревю. 2024. № 2(34). С. 129-141.

53.Пенроуз Р. Новый ум короля. О компьютерах, мышлении и законах физики = The Emperor's New Mind. Concerning Computers, Minds and The Laws of Physics / Перевод с англ. под общ. ред. В. О. Малышенко. — 4-е изд. — М.: УРСС, ЛКИ, 2011. — 402 с.

54.Першеева А.Д. Видеоарт. Монтаж зрителя. М. Пальмира, 2020. - 419 с.

55.Писарев А.А., Алёхина А.В. Art&Science и постгуманизм: технонаука, эстетика и телесность // Наука телевидения. 2023. 19 (3). С. 43-67. DOI: https://doi.org/10.30628/1994-9529-2023-19.3-43-67

56.Пол К. Цифровое искусство. Москва, Ад Маргинем Пресс, 2017.

57. Пресс-служба ДВФУ. Выпускники ДВФУ представили в Женеве нейросеть, воспроизводящую человеческие сны // Новости ДВФУ, 2021

URL https: //www. dvfu. ru/news/fefu-

news/vypuskniki dvfu predstavili v zheneve neyroset vosproizvodyashchuy u_chelovecheskie_sny/ (07.06.2024)

58.Проходцева О. Премия ASTA v.1: взгляд в будущее российского научно-технологического искусства // Del'Arte, 2023. URL: https: //delartemagazine. com/tech/premiya-asta-v-1 -vzglyad-v-budushhee-rossij sko go-nauchno-texnologichesko go-iskusstva. html (дата обращения 08.01.2024)

59.Раш М. Новые медиа в искусстве. - М.: Ад Маргинем пресс, 2017. - с. 215

60.Риццолатти Дж., Синигалья К. Зеркала в мозге: О механизмах совместного действия и сопереживания / Пер. с англ. О. А. Кураковой, М. В. Фаликман. — М.: Языки славянских культур, 2012. — 208 с.

61.Руднев В.П. Мышление и Реальное Лакана // Психология и психотехника, 2018, №2. С. 11-21. https://doi.org/10.7256/2454-0722.2018.2.25573

62.Руднев В.П. Словарь культуры XX века: ключевые понятия и тексты. Аграф, 1999.

63.Сальникова, Е. В. Массовое искусство - это... искусство. К вопросу о терминах и подходах // Художественная культура. - 2019. - № 4(31). - С. 580-597.

64.Сердечнова Е. Художник Марио Клингеманн: «Я боюсь людей больше, чем машин» // Культура, 2020. - №3 URL https://portal-kultura.ru/articles/exhibitions/326778-khudozhnik-mario-klingemann-ya-boyus-lyudey-bolshe-chem-mashin/ (дата обращения 04.12.2021)

65.Смирнов Н. Искусство как алхимия или праксис всеединства // Художественный журнал. Урал-пресс. 2022. — №120.

66.Сонтаг С. Против интерпретации и другие эссе. Ад Маргинем Пресс, 1966. 460 с.

67.Сонтаг С. Смотрим на чужие страдания / Пер. В. Голышева. — М.: Ад Маргинем, 2014.

68.Стрижаков Е.А., Чирикова М.В. История и перспективы развития творческих способностей искусственного интеллекта // Известия Лаборатории древних технологий. 2019. №2 (31), с. 248-258.

69.Такер Ю. Ужас философии Т.1 В пыли этой планеты. Медленные книги, 2018. 177 с.

70. Тимофеев В. Нейросети в искусстве: что нужно знать про AI-art // Goethe Institut, 2021. URL: https : //www.goethe.de/ins/ru/ru/kul/sup/wdw/22220003. html (дата обращения 27.09.2023)

71.Турлюн Л.Н. Концептуализм в компьютерном искусстве // Известия АлтГУ. 2011. №2-2, с. 258-261. С. 259.

72.Фадеева Т.Е., Першеева А.Д. Генеративные практики в креативных индустриях: «фиджитал»-аспект художественного проектирования // Дом Бурганова. Пространство культуры, 2023, Т. 19(3), 79-89. http://doi.org/10.36340/2071-6818-2023-19-3-79-89

73. Фадеева Т.Е. Медиаискусство в контексте новейших технологий. дис. ... док. культуролог. наук: 5.10.1. - Национальный исследовательский Мордовский государственный университет им. Н.П. Огарёва, Саранск, 2023. 391 с.

74. Фадеева Т.Е. «Союз» художника с нечеловеческим агентом - утопия или рабочая модель художественного производства // Известия Самарского научного центра Российской академии наук. Социальные, гуманитарные, медико-биологические науки, 2023, т. 25, № 1 (88), 108-115.

75.Фаликман М. Когнитивная наука: основоположения и перспективы // Философско-литературный журнал «Логос». 2014. №1 (97).

76.Феррандо Ф. Философский постгуманизм / пер. с англ. Д. Кралечкина; под науч. ред. А. Павлова; Нац. исслед. ун-т «Высшая школа экономики». — М.: Изд. дом Высшей школы экономики, 2022. — 360 с.

77.Харман Г. Спекулятивный реализм: введение. РИПОЛ Классик, 2020.

78.Хуэй Ю. Искусство и космотехника. М. Издательство АСТ, 2024. - 384 с.

79.Хуэй Ю. Рекурсивность и контингентность. V A C Press, 2020. 80.Чалмерс Д. Вычислительная основа для изучения познания // Журнал

когнитивных наук, 2011. №12(4). С. 325-359. doi: 10.17791/JCS.2011.12.4.325

81.Шапиро Л., Стокман Дж. Компьютерное зрение. Москва, Лаборатория знаний, 2020. - 763 с.

82.Шаповалов И.С. Философские проблемы современного искусства в эпоху Постгуманизма // Вестник Воронежского государственного университета,

2022, 4(46), 115-122.

83.Шульгин А., Себрант А., Апполонов Е. Как нейросети меняют мир изобразительного искусства [Аудиозапись] // Non/Fiction №25, 2023. URL: https://moscowbookfair.ru/program-nonfiction-vesna/?dateID=08-04-2023&zoneID=2100

84.Элиаде М. Азиатская алхимия. Сборник эссе / Пер. с. рум., фр., англ. М.: Янус-К, 1998. 604 с.

85.Югай И.И. Медиа искусство: истоки, специфика, художественные стратегии дис. ... док. искусствознания: 17.00.09 - Санкт-Петербург, 2018.

86.Яцюк О.Г. Художественный авангард как предтеча компьютерного искусства // Вестник РГГУ. Серия «Философия. Социология. Искусствоведение». 2009. №15.

87.Achiam J. et al. Gpt-4 technical report // arXiv preprint arXiv:2303.08774. -

2023.

88.Anderson M. The Future Of AI Image Synthesis // RossDawson, 2021. URL: https://rossdawson.com/futurist/implications-of-ai/future-of-ai-image-synthesis/ (дата обращения 08.01.2024)

89.Arrieta A.B., Diaz-Rodriguez N., Del Ser J. Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible

AI // Information Fusion, Volume 58, 2020, 82-115, https://doi.org/10.1016/unffus.2019.12.012.

90.Atkinson, R.C.; Shiffrin, R.M. Chapter: Human memory: A proposed system and its control processes // The psychology of learning and motivation (Volume 2). New York: Academic Press, 1968. — P. 89—195.

91.Beattie S. Community, Space and online Censorship. Taylor and Francis, 2016.

92.Berry D., Dieter M. Thinking Postdigital Aesthetics: Art, Computation and Design // Postdigital Aesthetics / Palgrave Macmillan. - London, 2015. - р. 111.

93.Bisig D., Wegner E. Deep Dream for Sound Synthesis // XXVI Generative Art Conference, Rome, Italy, 2024.

94.Blas Z., Wyman J. Im here to learn so:)))))) // ZKM. Center for Art and Media Karlsruhe. 2017. URL: https://zkm.de/en/im-here-to-learn-so (дата обращения 20.01.2022)

95.Bommasani, R., Hudson, D. A., Adeli, E. On the Opportunities and Risks of Foundation Models // ArXiv.org, 2020. URL https://doi.org/10.48550/arXiv.2108.07258 (дата обращения: 27.09.2023)

96.Borgdorff, H., Peters, P., Pinch, T. Dialogues Between Artistic Research and Science and Technology Studies (1st ed.). Routledge, 2019. https://doi.org/10.4324/9780429438875

97.Carlini N., Hayes J., Nasr M. Extracting Training Data from Diffusion Models // 10.48550/arXiv.2301.13188, 2023. URL https://arxiv.org/pdf/2301.13188.pdf (Дата обращения 22.04.2024)

98.Cohen H. Driving the Creative Machine // Orcas Center, Crossroads Lecture Series, 2010. URL www.aaronshome.com/aaron/publications/orcastalk2s.pdf (дата обращения 22.01.2024).

99.Crick F., Koch C. Consciousness and Neuroscience // Cerebral Cortex. 1998. Vol. 8. № 2. P. 97-107.

100. Daras, G., Dimakis, A. G. Discovering the hidden vocabulary of dalle-2 // ArXiv.org, 2022. https://doi.org/10.48550/arXiv.2206.00169

101. Elgammal A., Mazzone M. Artists, Artificial Intelligence and Machine-based Creativity in Playform // Artnodes, 2020, №26: 1-8. http: //doi. org/10.7238/a.v0i26.3366

102. English M., Kaplan G., Rogers L.J. Is painting by elephants in zoos as enriching as we are led to believe? // PeerJ journal. — 2014. — Vol. 2.

103. Fichou K. French art group uses brainwaves and AI to recreate landscapes // TechXplore, 2024. URL: https://techxplore.com/news/2024-05-french-art-group-brainwaves-ai.html (Дата обращения 12.05.2024)

104. Forbes A. Creative AI: From Expressive Mimicry to Critical Inquiry // Artnodes, 2020, №26, pp. 1-10, https://doi.org/10.7238/a.v0i26.3370.

105. Foy P. What is a Large Language Model (LLM)? // Machin Leaning Quant.ai URL: https://www.mlq.ai/what-is-a-large-language-model-llm/ (дата обращения 27.03.2024)

106. Galanter P. What is the generative art? Complexity Theory as a Context for Art Theaory // P. Galanter, 2000 URL https://philipgalanter.com/downloads/ga2003 what is genart.pdf (дата обращения 15.04.2024)

107. Gartner. Top Strategic Technology Trends 2024 // Gartner, 2023.

108. Goriunova O., Shulgin A. Software Studies: A Lexicon / ed. Matthew Fuller. - Cambridge, Mass: MIT Press, 2008. - 112 р.

109. Hari P., Kulmala M. Station for measuring Ecosystem-Atmosphere relations (SMEAR II) // Boreal Environment Research (10), 2005.

110. Hollenbeck C. R., Zinkhan, G. M. Anti-brand communities, negotiation of brand meaning, and the learning process: The case of Wal-Mart // Consumption, Markets and Culture, 2016, 13(3), 325- 345.

111. Jennings W. The Work of Art in the Age of Artificial Production // Tribune, 2022. URL: https://tribunemag.co.uk/2022/11/the-work-of-art-in-the-age-of-artificial-production (Дата обращения 13.08.2024)

112. Kalpokas I. Work of art in the Age of Its AI Reproduction // Philosophy & Social Criticism, 2023. https://doi.org/10.1177/01914537231184490

113. Kogan G. Artist in the Cloud // Medium, 2019. URL: https://medium.com/@genekogan/artist-in-the-cloud-8384824a75c7 (дата обращения 22.01.2024)

114. Kogan G. Deepdream + Densecap // genekogan.com, 2016 URL: https://vimeo.com/173062236 (дата обращения 19.09.2022)

115. Kogan G. List of sites/programs/projects that use OpenAI's CLIP neural network for steering image/video reation to match a text description // Reddit, 2022. URL https://www.reddit.com/r/bigsleep/comments/tvw5js/l ist of sitesprogramsproje cts that use openais/ (Дата обращения 25.04.2024)

116. Kovecses Z. Extended Conceptual Metaphor Theory. Cambridge: Cambridge University Press, 2020. 194 p.

117. Krauss R. Under Blue Cup. MIT Press, 2011. 141 p.

118. Latour B., Woolgar S. Laboratory Life: The Social Construction of Scientific Facts. Sage Publications, Beverly Hills, 1979. 272 p.

119. Lessig, L. Code and Other Laws of Cyberspace, Basic Books: New York, 1999.

120. Lipovetsky G., Serroy J. Le nouvel âge du kitsch. Essai sur la civilisation du «trop». Gallimard, 2023.

121. Lipton Z. The mythos of model interpretability // Communications of the ACM, 2018. Vol 61, № 10, С. 36-43. https://doi.org/10.1145/3233231

122. Lopes P., Jonell P., Baudisch P. Affordance++: Allowing Objects to Communicate Dynamic Use. Conference: CHI '15 Proceedings of the 33rd

Annual ACM Conference on Human Factors in Computing Systems, 2015. Doi 10.1145/2702123.2702128.

123. Lughi G. Tecno-kitsch: la spettacolarizzazione digitale dell'arte // Piano B. Arti e culture visive, 2018, 3(2) https://doi.org/10.6092/issn.2531-9876/9987

124. Manovich L. Arielli E. Artificial Aesthetics: A Critical Guide to AI, Media and Design, Lev Manovich and Emanuele Arielli, 2023.

125. Manovich L. Defining AI Arts: Three Proposals // AI and Dialog of Cultures, exhibition catalog, Hermitage Museum, Saint-Petersburg, 2019.

126. McCulloch W., Pitts W. A Logical Calculus of the Ideas Immanent in Nervous Activity // Bulletin of Mathematical Biophysics, 1943, vol. 7. — P. 115-133.

127. McCorduck P. AARONS's Code: Meta-Art. Artificial Intelligence, and the Work of Harold Cohen. New York: W. H. Freeman and Company, 1991.

128. McCormack J., d'Inverno M. Computers and Creativity. Springer-Verlag Berlin Heidelberg, 2012.

129. McLuhan M. Understanding Media: The Extensions of Man. McGraw Hill, 1964. 389 p.

130. Mecacci, A. Kitsch y Neokitsch. Boletín de Estética, Año XIV, Invierno, 2018. 7-32.

131. Metabol.A.I. // Ars Electronica Festival 2017, Austria Linz. URL http://cargocollective.com/18apples/Metabol-A-I (Дата обращения 25.04.2024)

132. Mitchell T. M. Machine Learning, NY, USA: McGraw-Hill, Inc., 1997.

133. Mordvintsev A., Christopher O., Mike T. Inceptionism: Going Deeper into Neural Networks // Google AI Blog. June 17, 2015. https://ai. googleblog.com/2015/06/inceptionism-going-deeper-into-neural.html (дата обращения 20.01.2022)

134. Morton T. Humankind: Solidarity with nonhuman people. - London, UK: Verso, 2017.

135. Nagel T. What is it like to be a bat? // The Philosophical Review, 1974, Vol. 83, No. 4 URL https://www.sas.upenn.edu/~cavitch/pdf-library/Nagel_Bat.pdf (дата обращения 31.10.2023)

136. Noll М. А. The Effects of Artistic Thinking on Aesthetic Preferences for Pseudo-Random Computer-Generated Patterns // The Psychological Record 22, 1972 - No. 4, 449-462.

137. Obvious. Edmond De Belamy // Obvious-art, 2018. URL: https://obvious-art.com/portfolio/edmond-de-belamy/ (дата обращения 06.06.2024)

138. OpenAI. DALL E: Creating images from text // Blog OpenAI, 2023 URL: https://openai.com/research/dall-e (дата обращения 21.08.2023)

139. OpenAI. DALL E now available without waitlist // Blog OpenAI, 2022 URL https://openai.com/blog/dall-e-now-available-without-waitlist (дата обращения 07.06.2024)

140. Packer R. Glitch Expectations: A Conversation with Jon Cates, 2014. URL: https://hyperallergic.com/134709/glitch-expectations-a-conversation-with-jon-cates/ (дата обращения 05.01.2022)

141. Piccinini, G. Computations and Computers in the Sciences of Mind and Brain : Doctoral dissertation / G. Piccinini. — Pittsburgh : University of Pittsburgh, 2003.

142. Polymenopoulou E. Artistic Freedom in International Law. Cambridge University Press, 2023.

143. Quaranta D. Digital Kitsch: Art and Kitsch in the Informational Milieu. In Max Ryynanen & Paco Barragán (eds.), The Changing Meaning of Kitsch: From Rejection to Acceptance. Springer Verlag, 2023. С. 205-228.

144. Ramesh A., Pavlov M., Goh G. DALL E: Creating images from text // OpenAI, 2021. URL https://openai.com/research/dall-e (Дата обращения 25.04.2024)

145. Renk K. Magic, Science, and Empire in Postcolonial Literature The Alchemical Literary Imagination. Routledge, 2012. 196 p.

146. Rettberg J. Machine Vision. How Algorithms are Changing the Way We See the World. Polity Press, Cambridge, UK, 2023.

147. Stelarc, Prosthetics, Robotics and Remote Existence: Postevolutionary Strategie // Leonardo, 1991. vol 24. 591 - 595. D0I:10.2307/1575667

148. Stevens A. Portrait of an Artist as a Programmer // Dr. Dobb's Journal, 1993, №1

149. Sukhanova K. AI Image Generator Market Statistics - What Will 2024 Bring? // TechReport, 2024. URL: https://techreport.com/statistics/software-web/ai-image-generator-market-statistics/ (Дата обращения 10.08.2024)

150. Sundararajan L. Harold Cohen and AARON: Collaborations in the Last Six Years (2010-2016) of a Creative Life // Leonardo, 2021, 54 (4): 412-417. doi: https://doi.org/10.1162/leon a 01906

151. The Museum of Modern Art. AI Art: How artists are using and confronting machine learning. How to see like a machine // Youtube, 2023. URL: https: //www. youtube. com/watch?v=G2XdZIC3AM8 (дата обращения 08.01.2023)

152. Tong A., Dastin J., Hu K. OpenAI researchers warned board of AI breakthrough ahead of CEO ouster, sources say // Reuters, 2023. URL: https://www.reuters.com/technology/sam-altmans-ouster-openai-was-precipitated-by-letter-board-about-ai-breakthrough-2023-11 -22/ (дата обращения 09.01.2024)

153. Veits, M., Khait, I. and Hadany, L. Flowers respond to pollinator sound within minutes by increasing nectar sugar concentration // Ecol Lett, 2019, 22. С. 1483-1492. https://doi.org/10.1111/ele.13331

154. Webb, T., Holyoak, K.J. & Lu, H. Emergent analogical reasoning in large language models // Nature Human Behaviour, 2023. №7, 1526-1541. https://doi.org/10.1038/s41562-023-01659-w

155. Zhang H., Xu T., Li H. StackGAN: Text to Photo-Realistic Image Synthesis with Stacked Generative Adversarial Networks // 2017 IEEE International

Conference on Computer Vision (ICCV), IEEE, 201V. https://doi.org/10.1109/iccv.201V.629.

БУЛН/ШСТАЯ (Ю. Вергазова, Н. Ульянов)

Известно что растения реагируют на звуки насекомых-опылителей, увеличивая концентрацию сахара в своем нектаре. В фильме воспроизводится звуковой диапазон одиночного парения медоносной пчелы с пиковой частотой 200-500 Гц на которую активнее всего откликаются растения.

Пчеловодами всего мира особенно высоко ценятся кавказские медоносные пчёлы, поэтому в качестве саундтрека к фильму авторы выбрали микротональные сванские песни: Элиа Лрде, Кристе Агсдга и Дале Коджас. Первая песня - бессмысловой гимн, основанный на слогах и гласных. Вторая - пасхальный гимн, Третья - баллада о роковой богине Дал с золотыми волосами, живущей в высокогорье Грузии. Особенности этих песен (3 голоса, 4 куплета, алгоритмически выстроенная сетка нот на основе оригинальных аккордов) воспроизводятся и проигрываются на семплах звуков жужжания и опыления.

Видеоряд сгенерированный в соответствии с музыкой, состоит из выходных данных нейронной сети BigGAN - первой нейронной сети, которая может генерировать изображения из разнообразного количества доменов, выбираемых из 1000 классов. Авторы выбрали типы изображений, относящиеся к пчёлам и растения, которые они опыляют. Всего их 9: пчела, ромашка, башмачок мелкоцветковый, шиповник, рапс, апельсин, лимон, клубника, огурец.

Чтобы адаптировать изображение к «зрению» растений художники использовали принцип оптического потока - метод машинного обучения для обработки видеоконтента. Результаты его работы по цвету напоминают спектр фотолампы, а сам принцип такого зрения - спекулятивный вариант зрения пчелы. Например, видны только области, находящиеся в движении,

или температурные карты. Взяв за основу видеодокументацию опыления пчелами растений, авторы подсчитали оптические потоки, составили датасет на 350 картинок и обучили нейросеть pix2pix, которая переосмыслила первоначально сгенерированное видео от BiGGAN и максимально приблизила его к варианту подходящему для растительного кинотеатра.

Genesis Block (PRANNA)

Погрузимся в эпоху постгуманизма — технологии, созданные алгоритмами, научились воспроизводить сами себя и образуют самореплицирующиеся конструкции. Инсталляция представляет собой конгломераты из неразлагаемых материалов и найденных предметов.

Возможно, это — новые формы жизни на Земле, порожденные человечеством. Как итог размышлений о природе антропоцена, предстает пространство будущего, где брошенные человеком субстанции, мимикрируя под живые организмы, создают собственные экосистемы.