Estetica artificiale

Che cos’è l’estetica? Pensiamo alle innumerevoli scelte estetiche che compiamo ogni giorno: abbinare i vestiti, selezionare le foto che ci piacciono, scegliere un taglio di capelli, un trucco, un luogo da visitare, un oggetto da acquistare, una musica da ascoltare e così via. In tutti questi casi, l’estetica riguarda esperienze piacevoli mediate dai nostri sensi. Il termine comprende anche concetti come stile e giudizi estetici, ovvero valutazioni sul valore di un’opera d’arte, sebbene il modo in cui estetica e arte si relazionino sia diventato sempre più oggetto di dibattito contemporaneo. Nella vita quotidiana prendiamo decisioni estetiche anche quando creiamo grafici, scattiamo ed elaboriamo foto e video, disegniamo immagini, progettiamo spazi e architetture. L’estetica abbraccia sia oggetti naturali sia oggetti artificiali, e le esperienze associate a essi. […]

- On-line - indice

Apparato iconografico a colori

Capitolo 1. “Anche un’IA lo saprebbe fare!”

Fig. 1.1. Immagini che riproducono tradizionali dipinti paesaggistici cinesi realizzati con una rete generativa avversaria (GAN, Generative Adversarial Network) nel 2020.
Fig. 1.1. Immagini che riproducono tradizionali dipinti paesaggistici cinesi realizzati con una rete generativa avversaria (GAN, Generative Adversarial Network) nel 2020.
Figura 2.2. Tom Pasquini, Interactive Mondrian Tutorial, https://openprocessing.org/sketch/843344/, consultato il 25 settembre 2024. È un esempio di uno dei numerosi tutorial online per imparare Processing, un popolare linguaggio di programmazione e ambiente di sviluppo per le arti e il design visivo. In questo tutorial si impara a scrivere un codice che genera immagini interattive animate nello stile di Mondrian. Il testo e il codice del tutorial sono visualizzati nel riquadro di sinistra; il riquadro centrale mostra il codice che si può modificare direttamente, eseguire e vedere come una nuova immagine; il riquadro di destra mostra tutte le “biforcazioni” (nuove versioni) di questo sketch create da altri collaboratori su openprocessing.org.
Figura 2.2. Tom Pasquini, Interactive Mondrian Tutorial, https://openprocessing.org/sketch/843344/, consultato il 25 settembre 2024. È un esempio di uno dei numerosi tutorial online per imparare Processing, un popolare linguaggio di programmazione e ambiente di sviluppo per le arti e il design visivo. In questo tutorial si impara a scrivere un codice che genera immagini interattive animate nello stile di Mondrian. Il testo e il codice del tutorial sono visualizzati nel riquadro di sinistra; il riquadro centrale mostra il codice che si può modificare direttamente, eseguire e vedere come una nuova immagine; il riquadro di destra mostra tutte le “biforcazioni” (nuove versioni) di questo sketch create da altri collaboratori su openprocessing.org.

Capitolo 4. L’IA e i miti della creatività

Figura 4.1. The Next Rembrandt, dipinto stampato in 3D creato utilizzando algoritmi di IA, 2016. Tramite un algoritmo di riconoscimento facciale, i ricercatori hanno identificato e classificato i modelli caratteristici di Rembrandt per rappresentare i tratti umani. Queste informazioni sono poi state impiegate dall’IA per imitare lo stile dell’artista, generando nuovi lineamenti e altri elementi per questo dipinto generato ex novo.
Figura 4.1. The Next Rembrandt, dipinto stampato in 3D creato utilizzando algoritmi di IA, 2016. Tramite un algoritmo di riconoscimento facciale, i ricercatori hanno identificato e classificato i modelli caratteristici di Rembrandt per rappresentare i tratti umani. Queste informazioni sono poi state impiegate dall’IA per imitare lo stile dell’artista, generando nuovi lineamenti e altri elementi per questo dipinto generato ex novo.
Figura 4.2. Stile percepito delle immagini IA. Assem Zhunis e Lev Manovich, esempi di immagini generate dal modello di IA StyleGAN2 (2021) addestrato su 81.000 dipinti del sito wikiart.org. Queste immagini sono state utilizzate in un esperimento in cui le persone dovevano indovinare se ciascuna immagine fosse stata realizzata da un artista umano o da un’IA. La maggior parte dei partecipanti ha ritenuto che le immagini realistiche mostrate nella fila inferiore provenissero da artisti umani, mentre ha attribuito alla generazione mediante IA le immagini astratte nella fila superiore.
Figura 4.2. Stile percepito delle immagini IA. Assem Zhunis e Lev Manovich, esempi di immagini generate dal modello di IA StyleGAN2 (2021) addestrato su 81.000 dipinti del sito wikiart.org. Queste immagini sono state utilizzate in un esperimento in cui le persone dovevano indovinare se ciascuna immagine fosse stata realizzata da un artista umano o da un’IA. La maggior parte dei partecipanti ha ritenuto che le immagini realistiche mostrate nella fila inferiore provenissero da artisti umani, mentre ha attribuito alla generazione mediante IA le immagini astratte nella fila superiore.

Capitolo 5. Dalla rappresentazione alla previsione: una teoria dell’immagine artificiale

Figura 5.2. Lev Pereulkov [Artificial Experiments 1–10], 2023.
Figura 5.2. Lev Pereulkov [Artificial Experiments 1–10], 2023.
Figura 5.3. Esempi di fotomontaggi degli anni venti: a sinistra László Moholy‑Nagy (1928), a destra Gustav Klutsis (circa 1925).
Figura 5.3. Esempi di fotomontaggi degli anni venti: a sinistra László Moholy‑Nagy (1928), a destra Gustav Klutsis (circa 1925).
Figura 5.4. Esempi generati con Midjourney versione 4 utilizzando il breve prompt testuale “cielo del mattino”.
Figura 5.4. Esempi generati con Midjourney versione 4 utilizzando il breve prompt testuale “cielo del mattino”.
Figura 5.5. Lev Manovich, immagine generata con Midjourney versione 3 (2022) utilizzando il seguente prompt: “Immenso aeroporto moderno del futuro del 1965 in Siberia fatto d’acqua e ghiaccio, dipinto su grande tavola di legno da Hieronymus Bosch, colori pastello brillanti con riflessi bianchi, obiettivo 23f, molto dettagliato –ar 4:3 –s 1250 —test”.
Figura 5.5. Lev Manovich, immagine generata con Midjourney versione 3 (2022) utilizzando il seguente prompt: “Immenso aeroporto moderno del futuro del 1965 in Siberia fatto d’acqua e ghiaccio, dipinto su grande tavola di legno da Hieronymus Bosch, colori pastello brillanti con riflessi bianchi, obiettivo 23f, molto dettagliato –ar 4:3 –s 1250 —test”.
Figura 5.6. Lev Manovich, immagine generata con Midjourney versione 4 (2023) utilizzando il seguente prompt: “Foto di due studenti delle superiori russi, pelle chiara, luce da studio molto morbida, obiettivo 50 mm, monocromatica, toni argento, alta qualità, ultrarealistico –v 4 –q 2”. Questa immagine illustra anche un punto che affronterò più avanti, ovvero il fatto che l’IA genera spesso nuovi artefatti mediali più stereotipati o idealizzati di quanto intendessimo.
Figura 5.6. Lev Manovich, immagine generata con Midjourney versione 4 (2023) utilizzando il seguente prompt: “Foto di due studenti delle superiori russi, pelle chiara, luce da studio molto morbida, obiettivo 50 mm, monocromatica, toni argento, alta qualità, ultrarealistico –v 4 –q 2”. Questa immagine illustra anche un punto che affronterò più avanti, ovvero il fatto che l’IA genera spesso nuovi artefatti mediali più stereotipati o idealizzati di quanto intendessimo.
Figura 5.7. Lev Manovich, disegno senza titolo, penna su carta, 1981.
Figura 5.7. Lev Manovich, disegno senza titolo, penna su carta, 1981.
Figura 5.8. Uno dei miei tentativi di generare una nuova versione dell’immagine mostrata nella figura 5.7 con Stable Diffusion AI, autunno 2022.
Figura 5.8. Uno dei miei tentativi di generare una nuova versione dell’immagine mostrata nella figura 5.7 con Stable Diffusion AI, autunno 2022.
Figura 5.9. Lev Manovich, immagine generata in Midjourney usando il prompt “dipinto di Malevic´ e Bosch”, autunno 2022.
Figura 5.9. Lev Manovich, immagine generata in Midjourney usando il prompt “dipinto di Malevic´ e Bosch”, autunno 2022.
Figura 5.10. Immagini generate in Midjourney v5 utilizzando il prompt “di Caspar David Friedrich –v 5”. Fonte: www.midlibrary.io/styles/caspar-david-friedrich.
Figura 5.10. Immagini generate in Midjourney v5 utilizzando il prompt “di Caspar David Friedrich –v 5”. Fonte: www.midlibrary.io/styles/caspar-david-friedrich.
Figura 5.11. Immagini generate in Midjourney v5 utilizzando il prompt “peonie appassite di Caspar David Friedrich –v 5”. Fonte: www.midlibrary.io/styles/caspar-david-friedrich.
Figura 5.11. Immagini generate in Midjourney v5 utilizzando il prompt “peonie appassite di Caspar David Friedrich –v 5”. Fonte: www.midlibrary.io/styles/caspar-david-friedrich.

Capitolo 6. Percezione umana e sguardo artificiale

Figura 6.1: Che cosa vedi?
Figura 6.1: Che cosa vedi?
Figura 6.2. ChatGPT riconosce correttamente quest’immagine come una scarpa.
Figura 6.2. ChatGPT riconosce correttamente quest’immagine come una scarpa.
Figura 6.3. Gioconda triste e felice.
Figura 6.3. Gioconda triste e felice.
Figura 6.4. Georges Braque, Violino e brocca, olio su tela, 1909-1910.
Figura 6.4. Georges Braque, Violino e brocca, olio su tela, 1909-1910.
Figura 6.5. La Regina con la cuffia da doccia (da Evans 2015).
Figura 6.5. La Regina con la cuffia da doccia (da Evans 2015).
Figura 6.6. L’artista Georgia O’Keeffe (1887-1986) “tiene il suo nuovo cellulare”.
Figura 6.6. L’artista Georgia O’Keeffe (1887-1986) “tiene il suo nuovo cellulare”.
Figura 6.7. Immagini generate da GAN nel 2021.
Figura 6.7. Immagini generate da GAN nel 2021.
Figura 6.8. Immagine generata da Dall‑E 3 con il prompt: “Un PC ambientato nello stile delle nature morte olandesi del XVII secolo”.
Figura 6.8. Immagine generata da Dall‑E 3 con il prompt: “Un PC ambientato nello stile delle nature morte olandesi del XVII secolo”.
Figura 6.9. Foto ravvicinata di un’ape.
Figura 6.9. Foto ravvicinata di un’ape.

Capitolo 7. Estetica dell’IA ed evoluzione dei media

Figura 7.1. Alcuni delle migliaia di strumenti (“asset”) disponibili in Substance (software di Adobe per la creazione di contenuti 3D). Questi provengono dalla collezione Herbarium. I tipi di asset comprendono modelli 3D, materiali applicati a tali modelli e luci virtuali. Fonte: https://substance3d.adobe.com, consultato il 26 settembre 2024.
Figura 7.1. Alcuni delle migliaia di strumenti (“asset”) disponibili in Substance (software di Adobe per la creazione di contenuti 3D). Questi provengono dalla collezione Herbarium. I tipi di asset comprendono modelli 3D, materiali applicati a tali modelli e luci virtuali. Fonte: https://substance3d.adobe.com, consultato il 26 settembre 2024.
Figura 7.2. Esempi dal sito di riferimento Midlibrary che mostrano alcune tecniche artistiche, generi artistici e stili di pittori, illustratori, architetti, fotografi e stilisti che lo strumento di generazione di immagini Midjourney può simulare. Al settembre 2024 questa risorsa ne elenca 5500 (fonte: midlibrary.io, 24 marzo 2024).
Figura 7.2. Esempi dal sito di riferimento Midlibrary che mostrano alcune tecniche artistiche, generi artistici e stili di pittori, illustratori, architetti, fotografi e stilisti che lo strumento di generazione di immagini Midjourney può simulare. Al settembre 2024 questa risorsa ne elenca 5500 (fonte: midlibrary.io, 24 marzo 2024).
Figura 7.3. Le strutture dei corsi nel Bauhaus e in VKhUTEMAS. Entrambi i programmi iniziavano con il corso di base (l’anello esterno). Fonte: Anna Bokova, VKhUTEMAS Training, 2014, www.avantgardesculpture.com/downloads/VKhUTEMAS-Handout.pdf.
Figura 7.3. Le strutture dei corsi nel Bauhaus e in VKhUTEMAS. Entrambi i programmi iniziavano con il corso di base (l’anello esterno). Fonte: Anna Bokova, VKhUTEMAS Training, 2014, www.avantgardesculpture.com/downloads/VKhUTEMAS-Handout.pdf.
Figura 7.4. Esempi di esercizi degli studenti di VKhUTEMAS. Fonte: Anna Bokova, VKhUTEMAS Training, 2014, www.avantgardesculpture.com/downloads/VKhUTEMAS-Handout.pdf.
Figura 7.4. Esempi di esercizi degli studenti di VKhUTEMAS. Fonte: Anna Bokova, VKhUTEMAS Training, 2014, www.avantgardesculpture.com/downloads/VKhUTEMAS-Handout.pdf.
Figura 7.5. Visualizzazione di David McLure di 12 milioni di didascalie del dataset LAION‑Aesthetics con punteggi estetici elevati (> 6). LAION‑Aesthetics fa parte di un dataset di 5,6 miliardi di immagini con didascalie utilizzato per addestrare il popolare modello di generazione di immagini Stable Diffusion, rilasciato nel 2022. Questa visualizzazione ci dà un’idea del contenuto delle immagini nel set di addestramento – ma non delle tecniche e degli stili artistici che il modello estrae dalle immagini. Le valutazioni estetiche di tutte le immagini in questo dataset sono assegnate da un altro modello di IA.
Figura 7.5. Visualizzazione di David McLure di 12 milioni di didascalie del dataset LAION‑Aesthetics con punteggi estetici elevati (> 6). LAION‑Aesthetics fa parte di un dataset di 5,6 miliardi di immagini con didascalie utilizzato per addestrare il popolare modello di generazione di immagini Stable Diffusion, rilasciato nel 2022. Questa visualizzazione ci dà un’idea del contenuto delle immagini nel set di addestramento – ma non delle tecniche e degli stili artistici che il modello estrae dalle immagini. Le valutazioni estetiche di tutte le immagini in questo dataset sono assegnate da un altro modello di IA.
Figura 7.6. Aleksandr Dejneka (1899‑1969), Operaie tessili, 1927, olio su tela, 171x195 cm. In questo celebre dipinto Dejneka fonde con abilità generale e concreto, astratto e particolare. La macchina e l’architettura della fabbrica sono state ridotte a pattern geometrici quasi astratti. La resa dei corpi enfatizza la loro somiglianza, mentre i volti conservano la loro individualità. Il livello di dettaglio nei volti appare inatteso e quasi esagerato se confrontato con i pattern volutamente regolari delle macchine. Questi sono solo alcuni esempi delle tecniche selettive e variabili di “compressione” impiegate in questo e in altri lavori che dipingerà in futuro.
Figura 7.6. Aleksandr Dejneka (1899‑1969), Operaie tessili, 1927, olio su tela, 171x195 cm. In questo celebre dipinto Dejneka fonde con abilità generale e concreto, astratto e particolare. La macchina e l’architettura della fabbrica sono state ridotte a pattern geometrici quasi astratti. La resa dei corpi enfatizza la loro somiglianza, mentre i volti conservano la loro individualità. Il livello di dettaglio nei volti appare inatteso e quasi esagerato se confrontato con i pattern volutamente regolari delle macchine. Questi sono solo alcuni esempi delle tecniche selettive e variabili di “compressione” impiegate in questo e in altri lavori che dipingerà in futuro.
Figura 7.7. Lev Manovich, dalla serie Drawing Rooms, generata con Midjourney e modificata con il software Lightroom, 2023‑2024.
Figura 7.7. Lev Manovich, dalla serie Drawing Rooms, generata con Midjourney e modificata con il software Lightroom, 2023‑2024.
Figura 7.8. Lev Manovich, dalla serie Drawing Rooms, generata con Midjourney e modificata con il software Lightroom, 2023‑2024.
Figura 7.8. Lev Manovich, dalla serie Drawing Rooms, generata con Midjourney e modificata con il software Lightroom, 2023‑2024.
Figura 7.9. Lev Manovich, serie Architettura per una biblioteca universale, generata con Midjourney e modificata con il software Lightroom, 2023.
Figura 7.9. Lev Manovich, serie Architettura per una biblioteca universale, generata con Midjourney e modificata con il software Lightroom, 2023.
Figura 7.10. Lev Manovich, Nel giardino, generata con lo strumento di immagini Midjourney e modificata con il software Lightroom, 2023.
Figura 7.10. Lev Manovich, Nel giardino, generata con lo strumento di immagini Midjourney e modificata con il software Lightroom, 2023.

Capitolo 8. Dagli strumenti agli autori

Figura 8.1. Arca Musarithmica, Athanasius Kircher (1602-1680).
Figura 8.1. Arca Musarithmica, Athanasius Kircher (1602-1680).

Titoli collegati

Nati cyborg

  • 2025

Intelligenze aliene

  • 2025

La rivoluzione algoritmica delle immagini

  • 2024

informazioni: [email protected] • amministrazione: [email protected] • IG luca.sossella.editore FB Luca Sossella editore in Luca Sossella editore

Copyright ©2023 – Tutti i diritti riservati MML srl – via Francesco Denza 27 –  00197 Roma RM – CF / pIVA / CCIAA 09664620961 Privacy Policy