AI艺术完整发展史：从 AARON 到 Midjourney（1973–2025）

最后更新: 2025-12-25 10:25:33

人工智能如何从学术探索走向艺术革命，以及这为何重要

本指南带你回顾 AI 艺术从早期基于规则的系统，到如今扩散模型的发展历程，清晰呈现每一次技术突破如何不断拓展艺术创作的边界与可能性。

当一件由机器人创作的艺术品拍出近50万美元

2018 年 10 月，纽约佳士得拍卖行发生了一件前所未有的事。一幅略显模糊、带着 18 世纪欧洲绘画气息的肖像作品，以 43.25 万美元成交。买家是谁？匿名收藏家。卖家是谁？法国艺术团体 Obvious。那艺术家呢？不是人类，而是一段算法。

《埃德蒙·德·贝拉米肖像》并非出自人类之手，而是由生成对抗网络（GAN）创作完成。这个模型在 15,000 幅历史肖像画的数据上进行训练。画作角落的“签名”也不是艺术家的名字，而是一段数学公式：“min max Ex[log(D(x))] + Ez[log(1 D(G(z)))].”

艺术界一时间分成了两派。有人认为这是划时代的转折点；也有人斥之为噱头，甚至是丑闻——尤其是在曝出该团队使用了开源代码，却未对原始开发者 Robbie Barrat 进行恰当署名之后。但无论争议如何，有一点已经不可逆转：AI 生成艺术正式登上舞台，这一次，瓶中的精灵再也回不去了。

但大多数人并不知道：2018 年那场拍卖并不是 AI 艺术的起点，甚至相去甚远。真正的故事要追溯到 45 年前——在一间大学计算机实验室里，一位英国画家觉得，画笔已经不够有挑战性了。

快速时间线：

1960s：早期计算机艺术与算法艺术实验为后续发展奠定基础

1973：Harold Cohen 启动 AARON

2015: DeepDream 与早期风格迁移技术在网络上爆火

2014–2018：GANs 推动图像真实感飞跃，AI艺术开始走进画廊与拍卖市场

2021：CLIP 打通文字与图像的理解能力

2022：扩散模型兴起，Midjourney / DALL·E / Stable Diffusion 将 AI 绘画推向大众

2023–2025：版权归属、数据集授权、作品溯源工具与监管议题持续升温

意外的先驱：一位画家如何创造了第一个 AI 艺术家

哈罗德·科恩与 AARON（1973–2016）

1968 年，Harold Cohen 正值创作巅峰。他曾代表英国参加威尼斯双年展，抽象画作在多家知名画廊展出。但他内心始终有一丝不安。正如他后来回忆的那样：“也许，工作室之外，正在发生着更有意思的事情。”

科恩在加州大学圣地亚哥分校任教期间接触到了计算机。但他并未把计算机当作数字化既有作品的工具，而是提出了一个更根本的问题：计算机本身，是否能够创造艺术？不是复刻，不是模仿，而是真正地创造？

最终诞生的是 AARON，这个名字部分取自《出埃及记》中摩西的兄弟亚伦。1974 年，科恩在加州大学伯克利分校首次展示它时，AARON 只能生成抽象图案。但真正革命性的地方在于：它并不是简单地执行预设指令。科恩将自己作为画家所理解的构图、封闭性和形式等规则编写进系统，而在这些规则框架内，AARON 能够自行做出创作决策。

可以这样理解：Cohen 教会了 AARON 视觉语言的“语法”，而真正写出句子的，是 AARON 自己。

到了 20 世纪 80 年代，AARON 已经能够创作出清晰可辨的图像——人物、植物、室内场景一应俱全。Cohen 会让它通过一只机器人绘图臂“自由发挥”（这只机械臂是在大学研究环境中与合作者共同打造的，用于探索代码如何在现实世界中“作画”），由此生成极其精细的绘画作品。每一幅都是独一无二的；风格一眼就能认出是 AARON，却又彼此不同。

令人着迷的是，科恩始终无法完全预判 AARON 会创作出什么。他发现，一些编程指令竟然生成了他从未设想过的形态。机器向他展示了他自己的艺术体系中那些此前未被看见的可能性。

AARON 持续演化了 40 多年。2001 年版本已经能够生成色彩丰富的人物与植物场景；2007 年的版本（“Gijon”）则创作出类似丛林的风景画。2016 年科恩去世时，他留下的不只是数千件作品，还有一个影响深远的问题：当 AARON 能够以全新的构图“惊艳”其创造者时，它是否已经具备了创造力？

包括惠特尼美术馆在内的多家重要艺术机构都曾展出科恩（Cohen）与 AARON 相关的作品和文献，凸显了其在数字艺术史中的重要地位。时至今日，你仍然可以看到 AARON 持续生成图像的作品，不过在科恩去世之后生成的内容，至今仍被认为在艺术真实性上存在争议。

AARON 之前：生成艺术与早期计算机实验（1960 年代）

在当今这些模型出现之前，艺术家早已开始用算法来生成视觉形式。20 世纪 60 年代的计算机绘图仪作品和基于规则的「生成艺术」，首次提出了一个至今仍定义着 AI 艺术的核心理念：艺术家不再直接重复绘制，而是设计一套系统，由系统自行生成超越人工重复的多样化结果。

喧嚣之前的静默年代：炒作浪潮前的 AI 艺术（20世纪80年代–2000年代）

在科恩开发 AARON 的同时，其他艺术家也在探索计算创意，但学术圈之外几乎无人察觉。

Karl Sims 或许是这一时期在数字艺术圈里最接近“家喻户晓”的名字。20 世纪 80 年代，他在 MIT 媒体实验室工作，后来加入了超算公司 Thinking Machines。Sims 利用“人工进化”的理念创作 3D 动画：先生成随机的三维形态，让它们发生变异，从中挑选有趣的结果，再不断重复这一过程。本质上，这就是为数字生命体打造的一套自然选择机制。

他在1991年的作品《Panspermia》和1992年的《Liquid Selves》在享有盛誉的数字艺术节 Ars Electronica 上斩获最高奖项。那些催眠般、充满有机感的 3D 动画——看起来并不完全像自然界中的任何事物，却又仿佛拥有生命——正是 Sims 所开创并奠定的美学风格。

Scott Draves 则通过《Electric Sheep》（1999）走了一条完全不同的路。它是一个屏幕保护程序——还记得这玩意儿吗？——但关键在于，它会“学习”。这个系统分布在成千上万台电脑上，生成不断演化的分形动画，被称为“sheep”。观众可以为自己喜欢的图案投票，系统就会“繁殖”出更多类似的模式。直到今天它仍在运行。访问 electricsheep.org，你现在就能看到它的演化过程。

在这一时期，“生成艺术”这一概念逐渐普及。艺术家通过编写代码来设定规则和参数，再由算法在这些约束中自由生成作品。2001 年，专为艺术家打造的编程语言 Processing 问世，大大降低了创作门槛，让更多人能够参与其中。

但问题在于：在大多数人看来，这些作品并不算“AI”。它们确实是很酷的数字艺术项目，却谈不上智能——它们并不知道自己在创作什么，只是在按照既定规则运行，不管这些规则有多复杂。

这一切即将改变。

深度学习彻底改变了一切（2012–2015）

2010年代初，发生了一次根本性的转变。三股力量在此交汇：

首先，GPU（图形处理器）的算力提升到了足以训练超大规模神经网络的水平。颇具讽刺意味的是，最初为游戏而设计的芯片，反而推动了 AI 的重大突破。

其次，大规模数据集开始出现。2009 年推出的 ImageNet 收录了数百万张带标注的图像。神经网络终于拥有了足够的训练样本，能够真正学会并捕捉图像中的规律。

第三，深度学习算法迎来了质的飞跃。2012 年，深度学习模型在图像识别基准测试（以 ImageNet 为代表）上取得突破性成绩，彻底碾压了传统计算机视觉方法。这一里程碑清楚地表明：神经网络已经能够在大规模数据上学习视觉模式。研究者逐渐意识到，只要把神经网络做得足够“深”（层数更多），提供足够的数据和算力，它们就会展现出令人惊讶的“智能”行为。

在艺术领域，其影响极其深远。

Deep Dream 的关键时刻（2015）

2015 年 6 月，谷歌工程师 Alexander Mordvintsev 发布了一项看起来有点“怪”的成果。当时他在研究如何把神经网络识别物体的过程可视化。他提出了一个有趣的想法：如果一个网络被训练来识别“狗”，那反过来会发生什么？如果让它不断强化图像中所有看起来像“狗”的模式，会得到怎样的结果？

效果令人目眩。迷幻，甚至带着致幻感。把一张云朵照片喂给网络，它会在云层中到处“看见”狗脸、眼睛和建筑元素，并将它们不断放大，生成超现实的景观。艺术圈瞬间沸腾。

Google 将其命名为 DeepDream（官方称为“Inceptionism”）。短短几周内，艺术家们就开始创作并展示大量 DeepDream 作品。它迅速发展成一种独立的美学风格——画面中充满眼睛、旋转的有机纹理，极具辨识度。直到今天，你依然可以一眼认出一张 DeepDream 风格的图像。

它在文化层面的重要性，不只是画面本身，而是一种认知上的冲击：原来这就是神经网络“看”世界的方式。它看到的并不是我们眼中的现实，而是模式、关联和统计关系。当这些被可视化出来时，就像一场发烧般的梦境。

它怪得离谱，但人们却爱上了它。

风格迁移：神经网络成为艺术家（2015–2016）

差不多在同一时期，研究人员发现了如何用神经网络实现“风格迁移”：把一张图片的艺术风格，应用到另一张图片上。想把你的照片变成梵高《星夜》的画风？几秒钟就能完成。

尽管 Gatys 等人在 2015 年发表的技术论文晦涩难懂，但基于该方法的应用很快遍地开花。2016 年，Prisma 一夜爆红——从那一刻起，只要有一部智能手机，任何人都能生成看起来“像大师画作一样”的艺术作品。

批评者认为这并不是真正的创作新艺术，而只是算法层面的模仿。但它清楚地证明了一点：神经网络已经能够理解艺术风格，并将其成功复现。这在当时是全新的突破。

GAN 生成对抗网络：实现突破的关键技术（2014–2020）

对艺术家来说，GAN 的意义在于：它让“风格”可以从数据中被学习，你无需为每一条规则手工编码，也能探索一个完整的视觉宇宙。

GAN 的工作原理（不涉及数学）

2014 年，时任蒙特利尔大学博士生的 Ian Goodfellow 在一篇论文中首次提出了生成对抗网络（GAN），这篇论文随后成为机器学习领域被引用次数最高的研究之一。深度学习奠基人之一 Yann LeCun 更是评价 GAN 为“过去十年里机器学习领域最有意思的想法”。

核心概念是：想象两个神经网络相互博弈。

网络 1（生成器）： 负责生成看起来“以假乱真”的图像。

网络 2（判别器）： 负责区分真实图像与伪造图像。

一开始，生成器只会输出杂乱的随机噪声，效果惨不忍睹，判别器一眼就能识破。但巧妙之处在于：生成器会从失败中学习，不断调整策略去“欺骗”判别器；而判别器也会随之变得更精明。就这样，双方你来我往、反复博弈，经历成千上万次迭代，生成效果逐步逼近真实。

最终，生成器会变得足够强大，连判别器也无法稳定地区分真假。到那时，这个神经网络就能从零开始生成以假乱真的图像。

突破性进展：GANs 不再需要为每一种可能的输出都依赖人工标注的训练数据。它们学习训练内容背后的统计分布——无论是人脸、风景还是任何题材——并能生成几乎无限的变化。

从怪异人脸到以假乱真的艺术（2015–2018）

早期的 GAN 作品嘛……只能说相当“实验性”。如果你还记得 2015 年前后那些扭曲诡异、让人直犯恐怖谷的 AI 生成人脸——没错，那就是早期的 GAN。研究人员最初只是把它们当作概念验证分享出来，结果很快就在网上变成了表情包级的存在。

但技术进步的速度远超想象。到 2017 年，NVIDIA 推出的 Progressive GAN 已能生成 1024×1024 分辨率的人脸图像，逼真到几乎无法与真实照片区分。2018 年，StyleGAN 再次突破，不仅将清晰度推向新高度，还首次让创作者能够精细控制图像的不同特征。

艺术家们开始大胆实验。德国艺术家 Mario Klingemann 创作了装置作品《Memories of Passersby I》（2018），由两块屏幕组成，持续生成源源不断的人物肖像。画面像记忆一样缓缓流过，永不重复。这件作品最终在苏富比以 4 万英镑成交。

Helena Sarin 选择了一条不同的路径：她用自己的手绘作品而非照片来训练 GANs。这样既能充分利用 AI 的生成能力，又能保持对艺术创作的掌控。她的 “AI Candy Store” 系列拥有一眼可辨的 AI 气质，同时又深深融入了她的个人风格。

Robbie Barrat 当时还是一名高中生，他用古典艺术作品训练 GAN，并将代码开源发布在 GitHub 上。（后来，Obvious 正是使用了这套代码在佳士得进行拍卖，由此引发了关于署名权与艺术创作归属的广泛争议。）

The Next Rembrandt（下一个伦勃朗，2016）

在 Obvious 引发拍卖热潮之前，2016 年就出现了 “The Next Rembrandt” 项目——这是由 ING 银行联合多家荷兰机构发起的一次营销实验。他们对伦勃朗的 346 幅画作进行扫描，用算法学习其艺术风格，最终生成了一幅“全新的”伦勃朗肖像。

它在技术上并非真正的 GAN，但理念非常接近：AI 是否能够以特定艺术家的风格进行创作？这一项目引发了大量媒体关注。评论界一方面肯定了其技术突破，另一方面也质疑这究竟是艺术创作，还是仅仅高度精巧的模仿拼贴。

它也抛出了至今仍在争论的问题：用某位艺术家的作品来训练模型，是一种致敬，还是算法层面的挪用？灵感的边界，究竟在哪里演变成了剽窃？

爆发期：AI 艺术走向主流（2022–至今）

CLIP：让 AI 同时理解文字与图像（2021）

下一次重大突破来自 OpenAI，于 2021 年 1 月发布：CLIP（Contrastive Language–Image Pre-training，对比语言-图像预训练）。技术原理相当复杂，但带来的影响却非常直观：CLIP 让 AI 真正学会了理解文字与图像之间的对应关系。

早期系统依赖人工标注的数据，比如“这是猫”“这是狗”。而 CLIP 从互联网上抓取的 4 亿组图像-文本配对中学习，理解哪些词语通常对应哪些视觉特征。由此，它构建了一个文本与图像可以相互对照、比较的共享“空间”。

为什么这一步如此重要：当 CLIP 与生成模型结合在一起，图像就可以直接从文字描述中生成。只需输入“一个骑着马的宇航员”，系统就能理解并生成相应的画面。

艺术家很快把 CLIP 接入到自己的创作流程中。通过与 GAN 或其他生成模型结合，他们可以用语言来引导图像生成。过程并不算顺滑，但确实可行。

2022 年的革命：DALL E 2、Midjourney、Stable Diffusion

随后，2022 年到来，一切在这一刻骤然改写。

DALL E 2（OpenAI，2022 年 4 月）将 CLIP 与扩散模型相结合（稍后会进一步介绍），实现了从文本生成高质量、连贯一致的图像。早期访问仅向部分艺术家和研究人员开放，等候名单迅速膨胀至超过一百万人。OpenAI 分享的图像创意惊艳、画面统一，且常常美不胜收。

Midjourney（Midjourney Inc., 2022 年 7 月）走的是另一条路线：以社区为核心，基于 Discord 运作，专注于审美与视觉表现。它很快形成了极具辨识度的风格——绘画感强烈、戏剧化、充满奇幻色彩，迅速吸引了大量艺术创作者涌入。Midjourney 的 Discord 服务器也随之成为当时互联网上最活跃的创意社区之一。

Stable Diffusion（Stability AI，2022 年 8 月）真正改变了 AI 绘画的可及性。相比之下，DALL·E 2 仅限网页端且采用受控访问，Midjourney 则需要订阅；而 Stable Diffusion 是开源的，任何人都可以下载、本地运行，甚至进行二次修改。

短短数月内，一个完整的生态迅速成形：网页版工具、移动端应用、Photoshop 插件，以及数百个针对特定风格训练的定制模型接连涌现。这种爆发式增长，前所未有。

到 2022 年末，社交媒体几乎被 AI 艺术刷屏。“提示词工程”成了一项新技能，人们不断分享如何写出更好提示词的经验。同时，争论也从未停歇——有人认为这是艺术的民主化，有人则担心它正在摧毁艺术本身。

扩散模型：魔法背后的核心技术

那什么是扩散模型？它其实源自物理学，灵感来自粒子在介质中扩散的过程。

训练过程：

1. 从一张真实图像开始
2. 逐步向图像中加入噪声，直到变成完全随机的静态噪点（正向扩散）
3. 训练神经网络反向还原这一过程，逐步去除噪声，重建图像（反向扩散）

生成过程：从一张纯噪声图像开始，通过反向扩散逐步去噪，最终生成一幅完整、连贯的图像。文本条件（通过 CLIP 实现）负责引导图像的内容与风格，决定最终“生成什么样的画面”。

为什么在这个应用场景中，扩散模型胜过 GAN：训练更稳定、上手更简单，而且对文本提示的理解和还原能力更强。GAN 依然在部分领域发挥作用，但在 2022 年那波爆发式增长中，真正占据主导地位的是扩散模型。

技术补充：关键论文是 Ho 等人在 2020 年提出的《Denoising Diffusion Probabilistic Models》，更早的 Sohl-Dickstein 等人（2015）已经为此奠定了基础。如果你想真正搞懂扩散模型，这些论文是很好的起点——但要有心理准备，数学推导相当硬核。

数据一览

• 到 2023 年初，这些工具的用户规模已达数百万，AI 生成的图像开始在各大社交平台迅速铺开。
• DALL E：300 万以上用户（等待名单已清空）
• Stable Diffusion：难以准确统计（开源、分布式），但 GitHub 数据显示用户规模达数百万

人们生成了数以亿计的 AI 图像。提供 AI 艺术服务的公司迅速涌现，形成了一整条新兴产业。素材图库平台也忙着摸索并制定相关政策。与此同时，传统艺术家不安地看着“AI 艺术家”成为一种正式的职业称谓。

AI艺术的另一面：学术应用

当大众的目光都聚焦在文生图工具上时，研究者们早已悄然将 AI 引入艺术史研究，掀起了一场深层次的变革。这一支线在 AI 艺术史中常被忽视，却可能在学术层面更具分量与影响力。

用于作品归属鉴定与分析的计算机视觉

艺术史学家一直为作品的归属与作者认定而困扰。如今，神经网络正开始提供新的解决方案。

罗格斯大学艺术与 AI 实验室（Rutgers Art & AI Lab）（由 Ahmed Elgammal 领导）开发了一系列系统，可分析笔触、构图元素和风格特征，用于识别艺术家身份或检测艺术赝品。2017 年，在受控测试环境中，这些系统对未署名作品的作者识别准确率超过 90%。

失传作品的重建：通过对艺术家已知作品进行训练，神经网络可以生成对失传或受损作品的合理推演版本。最著名的案例是：利用 AI 对伦勃朗的《夜巡》进行外推重建——这幅作品在 1715 年被裁切受损，AI 推测并呈现了被裁掉部分可能的原貌。（当然，艺术史学界对其准确性仍有争议，这是一种基于数据的推断，而非真正意义上的“复原”。）

赫库兰尼姆卷轴：2023 年，计算机科学家利用机器学习技术，成功从公元 79 年维苏威火山喷发中被炭化的古代卷轴中读取文字。这些卷轴极其脆弱，无法展开，但通过 CT 扫描结合训练好的神经网络，研究人员得以识别其中的墨迹模式。这意味着，借助 AI，人类在时隔 2000 年后首次能够重新阅读这些古老文本。（来源：Nature，2023）

博物馆与 AI

各大机构也以令人惊叹的方式尝试探索和运用 AI：

大都会艺术博物馆（The Met）曾尝试用 AI 驱动的藏品可视化，将大规模博物馆档案映射到一个“潜在空间（latent space）”，从而发现藏品之间意想不到的关联。：这是大都会艺术博物馆、MIT 与艺术家 Refik Anadol 的合作项目。他们使用神经网络对 The Met 全部藏品（超过 37.5 万件艺术品）进行训练，并将不同类型藏品之间的“潜在空间”——也就是概念层面的中间地带——进行可视化呈现。结果揭示了许多出乎意料的联系：例如，一件古代波斯水壶与一件 19 世纪花瓶，可能在概念上非常接近，而这种关联是人类策展人此前从未察觉到的。

MoMA 的 AI 艺术实验：Refik Anadol 的《Unsupervised》（2022–2023）基于对 MoMA 馆藏数据的机器学习训练，在博物馆大厅生成流动、梦境般的影像投射。艺术界对此评价两极：有人认为只是噱头，也有人将其视为重新体验博物馆档案的一种全新方式。

慕尼黑大学（LMU）的透明 AI 项目： 由 Hubertus Kohle 教授领导，该研究致力于开发可解释的艺术史 AI 工具，能够清楚说明其推理过程。传统神经网络常被视为“黑箱”——你得到结论，却不知道原因。该项目让 AI 的决策过程变得透明，这对学术界的认可至关重要。研究团队正在训练模型，识别艺术作品之间的视觉相似性，并解释其结论所依据的具体特征。

这些应用并不直接生成新的艺术作品，却正在改变我们研究艺术史的方式。这种影响或许比任何一张生成的图像都更为长久。

争议焦点：版权、伦理与创造力的未来

争议在这里迅速升温。技术成就令人惊叹，但伦理层面的影响却……相当复杂。

版权之争

核心争议在于：AI 艺术模型的训练数据来自互联网上抓取的数十亿张图片，其中大量受版权保护。创作者并未被征求授权，也没有获得任何报酬。而如今，基于他们作品训练的系统，却能在几秒钟内生成“某某艺术家风格”的图像。

已提起的主要诉讼：

Getty Images vs. Stability AI（2023年1月）：Getty 指控 Stability 在训练 Stable Diffusion 时抓取并使用了数百万张其图库图片。他们提供的证据显示，一些生成的图像中仍残留着部分 Getty 水印，来源清晰可见。

艺术家集体诉讼 Midjourney、Stable Diffusion、DeviantArt（2023 年 1 月）：由艺术家 Sarah Andersen、Kelly McKernan 和 Karla Ortiz 发起，指控相关平台存在大规模版权侵权行为。截至 2024 年底，该案件仍在审理中，法律界对最终判决走向看法不一。

法律上的核心争议在于：用受版权保护的图像来训练模型，究竟属于合理使用（就像学生通过学习现有艺术来提升创作能力），还是构成侵权（未经许可将他人作品用于商业目的）？

法院尚未作出裁决。这一结果将决定整个行业的走向。

艺术家的回应：反击

艺术家并没有坐等法院裁决，而是主动开发技术层面的反制手段。

Glaze（芝加哥大学，2023）：一种软件，通过人眼几乎察觉不到的方式微调数字艺术作品，却能对 AI 训练产生“投毒”效果。模型一旦使用经过 Glaze 处理的图像进行训练，生成结果就会出现明显失真。它更像是一种主动式水印——不是用来标识作品，而是用来干扰和破坏训练。

Nightshade（亦来自芝加哥大学，2023）：相比 Glaze 更为激进。它不仅仅是保护被 Nightshade 处理过的图像，而是会主动削弱模型的整体性能。只要上传足够多标注为“dog”但实际展示的是猫的 Nightshade 图像，模型最终就会对“狗到底长什么样”产生混淆。

这些工具一直备受争议。AI 研究者认为它们是有害的破坏行为，而艺术家则将其视为自我防卫。双方都有各自的道理。

“Do Not Train（禁止训练）”提案： 艺术家与相关倡议者提出，通过在作品中加入元数据标签，明确标注“禁止用于 AI 训练”。部分平台（如 DeviantArt、Shutterstock）已上线了退出（opt-out）机制。然而在实际执行层面，这类措施约束力有限。AI 公司完全可以选择忽略这些标签，而现实中，确实有不少这样做。

创造力之争

比版权争议更深层的，是一个哲学问题：AI 生成的作品，究竟算不算艺术？

反对意见：

• 缺乏人类的主观意图与情感深度
• 主要通过重组既有作品生成，而非真正意义上的原创
• 不需要专业技能——任何人都能输入提示词
• 削弱了艺术的核心价值：人类的创造力与创作过程中的挣扎

支持这一说法的论点：

• 工具并不会让艺术失去价值（就像相机的出现并没有终结绘画）
• 提示词工程与作品筛选本身就是一种技能
• 人类主导并引导 AI，在过程中做出关键的创作决策
• 开启了此前无法实现的全新表达形式

我的观点：这其实是个跑偏的讨论。就像在 1850 年争论“摄影算不算艺术”一样。AI 能不能创作艺术，事实已经给出了答案——我们已经看到了。真正值得思考的是：人类创造力与机器创造力之间，我们希望建立怎样的关系？谁会从中受益？哪些东西会消失？又会带来什么新的可能？

岗位替代的现实

这不是理论探讨，现实中已经有人因此失去了工作。

概念艺术协会在 2023 年的一项调查发现：

• 73% 的概念艺术家表示工作机会正在减少
• 62% 的人曾因 AI 而失去自由职业项目
• 入门级岗位消失速度最快

越来越多的公司开始用 AI 来做前期概念设计、分镜稿和背景设定——而这些，正是过去通常交给初级艺术家完成的工作。有人辩称，这和当年数字工具取代传统技法并无本质区别。但不同的是，变化的速度前所未有，受到冲击的艺术家感到愤怒，也完全可以理解。

与此同时，一些全新的角色正在出现：AI艺术总监、提示词工程师，以及擅长人机协作流程的AI混合型创作者。这些新岗位是否能以一比一的比例填补被取代的工作岗位，还有待时间检验。

偏见问题

AI 艺术模型会从训练数据中继承偏见。比如输入“CEO”，生成的往往是白人男性；输入“护士”，多半是女性；而“漂亮的人”，则明显偏向年轻、白人、符合主流审美的面孔。

Google 的 Gemini 曾在 2024 年尝试通过提升历史图像中的多样性来“纠偏”，却因过度修正而引发争议——模型在历史准确性、群体呈现与安全性之间如何取舍，成为焦点。比如生成 18 世纪欧洲贵族时出现明显失真，暴露了负责任地调校这些系统的难度。随后 Google 道歉并下线了该功能，这一事件再次说明，在历史真实与多元呈现之间取得平衡并不容易。

偏见并不只体现在人口维度上。AI 艺术也会偏向某些审美——精致、商业化、符合主流审美的“好看”。相比之下，实验性、前卫、甚至刻意“不好看”的作品在输出中更少见，因为它们在训练数据中本就更稀缺，也更少被“奖励”。从这个意义上说，AI 在技术上可能激进，但在艺术上却往往相对保守。

现状（2024–2025）

当前格局

截至 2024 年底 / 2025 年初，AI 艺术领域已逐渐走向成熟，但整体格局依然充满变动与不确定性：

DALL E 3（集成于 ChatGPT Plus）在提示词理解能力上实现了质的飞跃。你可以直接用对话方式描述想要的画面，AI 对细节和语境的理解明显更精准。

Midjourney V6 在审美质量上再次拉高了天花板，文字渲染能力明显提升（虽然仍未做到完全准确），风格控制也更加灵活可控。

Stable Diffusion XL 及其后续版本仍在不断进化，开源社区持续打造各类专用模型，覆盖从动漫、写实到特定艺术风格的创作需求。

Adobe Firefly 代表了“负责任 AI”的路线，仅使用 Adobe Stock 图片和公有领域内容进行训练，并内置商业授权机制。相比 Stable Diffusion，能力略逊一筹，但在商业使用上更具法律安全性。

视频生成：下一片前沿

文生图只是起点。2024 年，AI 视频生成迎来了重大突破：

Runway Gen 2 和 Pika 已能根据文字或图片生成短视频片段。整体质量仍不稳定：物体有时会不自然地变形，物理效果也会“出戏”，但几乎每个月都在明显进步。

OpenAI 的 Sora（2024 年 2 月发布，限量开放）展示了最长可达一分钟、具备高度写实与连贯性的生成视频能力。演示视频令人震撼，也让不少人感到担忧：在 AI 还能直接从文本生成逼真视频之前，深度伪造就已经成为现实问题。

3D 及未来

AI 艺术正不断突破二维图像的边界：

Point E and Shap E（OpenAI）可根据文本提示生成 3D 模型。当前效果仍有局限，但发展趋势已经十分清晰。

NeRF（Neural Radiance Fields，神经辐射场）技术可以从二维图像中重建三维场景，对影视制作、游戏开发以及建筑可视化等领域都产生了深远影响。

音乐、文本与多模态

到 2024 年，AI 音乐生成（Suno、Udio）已经达到了“相当不错”的水平。AI 并没有取代音乐人，但正在让功能性背景音乐的制作变得更简单、更高效，也更低成本。

多模态模型（GPT 4 with vision、Gemini）能够理解和分析图像，生成相关文字，并再基于这些文字创作新的图像。文本 AI 与图像 AI 之间的边界正在逐渐模糊。

未来走向：趋势预测与无限可能

近期（2025–2027）

可能：

• 视频生成能力走向成熟，真正进入主流可用阶段
• 角色一致性大幅提升，同一人物可在多张图片中稳定复现
• 在持续的诉讼推动下，版权与法律边界逐渐明朗
• 行业加速洗牌，小型平台被收购或退出市场
• 反对声音加剧，部分平台与客户开始明确禁止使用 AI 艺术

可能性：

• 视频通话或直播中实现实时视频生成
• AI艺术成为专业创意工作流程中的标准工具
• “认证人类创作”艺术作为高端品类兴起
• AI艺术史在重要博物馆举办大型专题展览（不再局限于单件装置）

中期 (2027–2030)

推测但合理：

• 文本、图像、视频、3D 与音频生成在单一模型中实现统一
• 基于个人艺术风格训练的定制化 AI 模型逐渐普及
• 通过头显设备实现 AR/VR 融合，让 AI 艺术进入真实物理空间
• 法律框架逐步建立，对训练数据达成（可能相当复杂的）折中方案
• 诞生全新的、原生于 AI 的艺术流派，而非对前 AI 时代风格的改编

长期视角：关键问题

AI 会超越人类的创造力吗？这个问题本身就问错了——两者本就不是同一回事。

人类艺术家会被淘汰吗？可能性不大。随着 AI 轻松生成的内容大量涌现，市场对“真正具有人类气息”的作品需求，反而可能会增加。

AI生成的艺术作品究竟归谁所有？目前仍在法院中争议不断。按照现行的美国版权法，由于缺乏人类作者，这类作品不享有版权、无人拥有——但这一规则很可能会发生变化。

如何补偿那些其作品被用于训练 AI 的艺术家？这是一个名副其实的“百亿美元难题”。可能的解决方案包括：授权许可费、按使用次数的微支付、以及类似音乐行业的强制许可制度——但目前都尚未实现规模化落地。

是否应该设立“无 AI 区域”？有人认为，某些应用场景（如儿童读物、纪念性作品、法律证据）应当保留给人类创作者；也有人将这种主张斥为卢德主义。相关争论仍在持续。

历史的启示

回顾 50 多年的 AI 艺术发展史，可以看到一些清晰的规律逐渐浮现：

1. 工具不断走向大众化。AARON 需要编程能力，GAN 需要机器学习知识，而今天的工具只需要一个 Discord 账号。每一代技术，门槛都在降低。
2. 最初的热潮往往高于现实。每一次突破都会伴随“艺术已死”的宣言。但艺术从未消失，只是在不断进化。
3. 法律与伦理框架总是落后于技术。我们至今仍在讨论三年前落地的技术所引发的版权问题。法律推进缓慢，而技术不会停下脚步。
4. 对职业被取代的担忧并非空穴来风，但也并不完整。确实，有些岗位会消失，但新的岗位也会出现。转型期充满阵痛，尤其是身处其中的人。
5. 艺术会继续存在。摄影没有杀死绘画，数字工具没有消灭传统媒介，AI 也不会终结人类创造力。但它将改变我们如何创作、为何创作，以及创作什么。

结语：书写下一个篇章

从1973年哈罗德·科恩（Harold Cohen）耐心地进行程序创作，到今天数以百万计的人在几秒钟内生成图像，AI艺术的发展史，本质上是一段关于人类创造力与计算能力关系不断演变的故事。

当下我们面临的问题已不再主要是技术层面的——技术本身已经可用，而且进步飞快。真正的问题在于人本身：

• 如何确保 AI 是在放大人类创造力，而不是取而代之？
• 对于让 AI 得以成立的艺术家作品，我们该如何进行公平回馈与补偿？
• 在这个全新的创作生态中，谁能够参与其中，又是否人人都有机会？
• 创作中有哪些部分，是我们希望始终只属于人类的？
• 在技术快速演进的过程中，如何守护艺术家的职业发展与生计？

这些问题没有简单的答案。它们需要艺术家、技术人员、企业、政策制定者与公众之间的持续对话与协商。AI艺术史尚未写完——我们正身处其中最具决定性的一章。

可以确定的是，忽视 AI 并不会让它消失，假装它没有带来真实挑战也无济于事。真正可行的前进路径，只有主动参与：正视问题、拥抱可能性，并坚持公平与责任。

也许我们一直在问错问题：AI到底算不算“真正的创作”？创造力从来不是非黑即白的能力，它存在于连续的光谱之中，诞生于协作之中，也常常来自意想不到的组合。如果说 AI 艺术走过的前 50 年给了我们什么启示，那就是——创造力比我们想象得更广阔、更奇异。而人类，无论结果好坏，似乎都执意要与之共享。

下一章正在书写之中。欢迎你以更有深度的方式参与其中。