Arte visiva con intelligenza artificiale, spesso abbreviata in Arte AI, si riferisce ad opere visive prodotte o migliorate da programmi di intelligenza artificiale (AI), prevalentemente attraverso modelli da testo a immagine. La pratica della creazione artistica automatizzata ha un precedente storico che risale all’antichità. La disciplina formale dell’intelligenza artificiale è emersa negli anni ’50 e successivamente gli artisti hanno iniziato a integrare l’intelligenza artificiale nei loro processi creativi. Notevoli opere d'arte generate dall'intelligenza artificiale hanno realizzato mostre museali e ricevuto riconoscimenti. Storicamente, l'intelligenza artificiale ha provocato numerose indagini filosofiche riguardanti la cognizione umana, le entità sintetiche e l'essenza dell'arte all'interno di quadri collaborativi uomo-intelligenza artificiale.
La diffusa disponibilità di modelli testo-immagine, tra cui Midjourney, DALL-E e Stable Diffusion, durante l'ondata di intelligenza artificiale degli anni 2020 ha consentito agli utenti pubblici di produrre rapidamente immagini con uno sforzo minimo. Il dibattito sull'arte basata sull'intelligenza artificiale negli anni '20 si è spesso incentrato sulle preoccupazioni relative alla violazione del copyright, alla falsa rappresentazione, al danno alla reputazione e alle sue implicazioni per gli artisti convenzionali, in particolare sul potenziale disoccupazione tecnologica.
Nell'agosto 2023, la Corte Suprema degli Stati Uniti ha stabilito che l'arte generata dall'intelligenza artificiale non è idonea alla protezione del copyright, citando la sua mancanza di paternità umana. Successivamente, nel marzo 2026, la Corte ha rifiutato di esaminare un caso riguardante l'ammissibilità al copyright delle opere d'arte prodotte dall'intelligenza artificiale.
Contesto storico
Genesi e primi sviluppi
Il concetto di arte automatizzata può essere fatto risalire agli automi dell'antica civiltà greca, dove a figure come Dedalo ed Eroe di Alessandria veniva attribuito il merito di aver ideato meccanismi in grado di generare testo, produrre suoni ed eseguire performance musicali. Nel corso della storia sono emersi automi sofisticati, un esempio dell'automa di Maillardet, sviluppato intorno al 1800, che dimostrò la capacità di produrre vari disegni e poesie.
Durante il XIX secolo, Ada Lovelace ipotizzò che le "operazioni informatiche" possedessero il potenziale per generare musica e poesia. L'articolo fondamentale di Alan Turing del 1950, "Computing Machinery and Intelligence", esplorava la fattibilità di macchine che emulassero in modo convincente il comportamento umano. Successivamente, il campo accademico dell'intelligenza artificiale fu formalmente istituito in un seminario di ricerca tenutosi al Dartmouth College nel 1956.
Fin dal suo inizio, i ricercatori sull'intelligenza artificiale hanno approfondito indagini filosofiche riguardanti l'essenza della mente umana e le ramificazioni dello sviluppo di entità artificiali dotate di intelligenza simile a quella umana; Queste profonde domande sono state storicamente affrontate in vari ambiti, tra cui la mitologia, la letteratura e la filosofia, fin dai tempi antichi.
Integrazione artistica
Dopo la diffusione dell'intelligenza artificiale negli anni '50, gli artisti iniziarono a sfruttare l'intelligenza artificiale per la creazione di opere d'arte. Queste produzioni venivano occasionalmente classificate come arte algoritmica, computer art, arte digitale o arte dei nuovi media.
AARON è uno dei sistemi artistici basati sull'intelligenza artificiale più influenti e pionieristici, avviato da Harold Cohen alla fine degli anni '60 presso l'Università della California a San Diego. Impiegando una metodologia simbolica basata su regole caratteristica dell'era della programmazione GOFAI (Good Old-Fashioned Artificial Intelligence), AARON è stato progettato da Cohen per codificare computazionalmente l'atto del disegno, generando immagini tecniche. La sua mostra inaugurale ebbe luogo nel 1972 al Los Angeles County Museum of Art. Tra il 1973 e il 1975, Cohen sviluppò ulteriormente AARON durante una residenza presso l'Artificial Intelligence Laboratory dell'Università di Stanford. Nel 2024, il Whitney Museum of American Art ha presentato l'arte dell'intelligenza artificiale che abbraccia tutta la carriera di Cohen, presentando iterazioni ricostruite dei suoi primi apparati di disegno robotico.
Dagli anni '80, Karl Sims presenta l'arte derivata dalla vita artificiale. Ha conseguito un Master of Science in computer grafica presso il MIT Media Lab nel 1987 e ha lavorato come artista residente dal 1990 al 1996 presso Thinking Machines, un importante produttore di supercomputer e società di intelligenza artificiale. Sims ha ricevuto il Golden Nica al Prix Ars Electronica sia nel 1991 che nel 1992 per i suoi lavori video che incorporano l'evoluzione artificiale. Nel 1997 ha sviluppato Galápagos, un'installazione interattiva sull'evoluzione artificiale, per il NTT InterCommunication Center di Tokyo. In riconoscimento del suo contributo eccezionale allo sviluppo tecnico, Sims ha ricevuto un Emmy Award nel 2019.
Nel 1999, Scott Draves, in collaborazione con un team di ingegneri, ha sviluppato e lanciato Electric Sheep, un salvaschermo software gratuito. Questa iniziativa informatica volontaria anima ed evolve fiamme frattali, distribuendole su computer collegati in rete per visualizzarle come salvaschermo. Il sistema utilizzava l'intelligenza artificiale per generare un'animazione continua attraverso l'interazione del pubblico. Draves ha ricevuto il premio Fundacion Telefónica Life 4.0 per Electric Sheep nel 2001.
Stephanie Dinkins ha avviato il progetto Conversations with Bina48 nel 2014. Questa serie ha coinvolto Dinkins che documentava i suoi dialoghi con BINA48, un robot sociale progettato per assomigliare a una donna nera di mezza età. Nel 2019, Dinkins è stata insignita del premio Creative Capital per il suo sviluppo di un'intelligenza artificiale in evoluzione, informata dagli "interessi e dalla cultura delle persone di colore".
Sougwen Chung ha iniziato Mimicry (Drawing Operations Unit: Generation 1) nel 2015, stabilendo uno sforzo di collaborazione continua tra l'artista e un braccio robotico. Chung ha ricevuto il Lumen Prize nel 2019 per le sue performance prolungate con un braccio robotico che utilizza l'intelligenza artificiale per emulare il suo stile di disegno.
Christie's a New York ha ospitato un'asta di opere d'arte basate sull'intelligenza artificiale nel 2018, durante la quale l'opera d'arte generata dall'intelligenza artificiale Edmond de Belamy è stata battuta per 432.500 dollari. Questo prezzo di vendita ha superato significativamente il valore stimato di 7.000-10.000 dollari di quasi 45 volte. Il collettivo parigino Obvious è stato responsabile della creazione di quest'opera d'arte.
Il film giapponese generAIdoscope è stato presentato in anteprima nel 2024. Co-diretto da Hirotaka Adachi, Takeshi Sone e Hiroki Yamaguchi, la produzione comprendeva video, audio e musica interamente generati dall'intelligenza artificiale.
La serie televisiva anime giapponese Twins Hinahima è stata pubblicata nel 2025. La sua produzione e animazione incorporava l'assistenza dell'intelligenza artificiale per attività come il taglio e la conversione di fotografie in illustrazioni di anime, con successivo ritocco eseguito dallo staff artistico. La maggior parte degli altri elementi, inclusi personaggi e loghi, sono stati disegnati manualmente utilizzando varie applicazioni software.
Storia tecnica
Il deep learning, caratterizzato da un'architettura multistrato progettata per emulare il cervello umano, è emerso negli anni 2010, innescando una profonda trasformazione nel campo dell'arte dell'intelligenza artificiale. Quest'era di deep learning presenta principalmente diversi paradigmi di progettazione artistica generativa, tra cui modelli autoregressivi, modelli di diffusione, reti generative avversarie (GAN) e flussi di normalizzazione.
Nel 2014, Ian Goodfellow e i suoi collaboratori dell'Università di Montréal hanno aperto la strada alla rete generativa avversaria (GAN), una classe di reti neurali profonde progettate per replicare la distribuzione statistica dei dati di input, come le immagini. Un GAN opera con due componenti: un "generatore" che sintetizza nuove immagini e un "discriminatore" che valuta l'autenticità di queste immagini generate. Divergendosi dalla precedente arte algoritmica, che aderiva a regole predefinite, i GAN hanno acquisito la capacità di apprendere un'estetica specifica attraverso l'analisi di estesi set di dati di immagini.
Nel 2015, un team di Google ha introdotto DeepDream, un programma che utilizza una rete neurale convoluzionale per identificare e amplificare modelli all'interno delle immagini attraverso la pareidolia algoritmica. Questo processo produce immagini intenzionalmente sovraelaborate caratterizzate da una qualità onirica, che evoca un'estetica psichedelica. Successivamente, nel 2017, un GAN condizionale ha dimostrato la capacità di generare 1000 classi di immagini da ImageNet, un ampio database visivo sviluppato per la ricerca nel software di riconoscimento di oggetti visivi. Condizionando il GAN sia con rumore casuale che con un'etichetta di classe specifica, questa metodologia ha migliorato significativamente la qualità della sintesi delle immagini per i modelli condizionali di classe.
I modelli autoregressivi hanno trovato applicazione nella generazione di immagini, esemplificata da PixelRNN (2016), che genera sequenzialmente singoli pixel utilizzando una rete neurale ricorrente. Dopo l'introduzione dell'architettura Transformer in Attention Is All You Need (2018), è stata prontamente adottata per la generazione di immagini autoregressive, anche se inizialmente senza condizionamento del testo.
Artbreeder, un sito Web lanciato nel 2018, sfrutta i modelli StyleGAN e BigGAN per consentire agli utenti di generare e manipolare varie immagini, inclusi volti, paesaggi e rendering artistici.
Gli anni '20 hanno visto l'adozione diffusa della conversione da testo a immagine. modelli, che producono immagini da suggerimenti testuali, indicando così un'altra fase di trasformazione nello sviluppo di opere d'arte generate dall'intelligenza artificiale.
Nel 2021, OpenAI ha introdotto DALL-E 1, un modello di intelligenza artificiale da testo a immagine che generava immagini utilizzando l'architettura di influenti modelli di trasformatore preaddestrati generativi di linguaggi di grandi dimensioni, simili a quelli presenti in GPT-2 e GPT-3. DALL-E 1 funziona come un modello generativo autoregressivo, condividendo i principi architettonici fondamentali con GPT-3. Allo stesso tempo, più tardi nel 2021, EleutherAI ha lanciato VQGAN-CLIP, un modello open source derivato dal CLIP di OpenAI. Sebbene i modelli di diffusione, che sono modelli generativi progettati per sintetizzare dati da set di dati esistenti, siano stati inizialmente proposti nel 2015, le loro prestazioni hanno superato le Generative Adversarial Networks (GAN) solo all'inizio del 2021. Il modello di diffusione latente, pubblicato nel dicembre 2021, è successivamente servito come tecnologia fondamentale per Stable Diffusion, rilasciato nell'agosto 2022, uno sforzo di collaborazione di Stability AI, il gruppo CompVis presso LMU Monaco, e Runway.
L'anno 2022 ha visto una significativa espansione nella generazione di immagini IA, con il rilascio di Midjourney, seguito da Imagen e Parti di Google Brain, entrambi annunciati a maggio. Microsoft ha introdotto NUWA-Infinity e Stable Diffusion disponibile come sorgente è diventato pubblico nell'agosto 2022. DALL-E2, un'iterazione avanzata di DALL-E, è stata sottoposta a beta testing e successivo rilascio, con il suo successore, DALL-E3, emergente nel 2023. Stability AI supporta Stable Diffusion attraverso varie piattaforme, tra cui la sua interfaccia web, DreamStudio e plug-in dedicati per Krita, Photoshop, Blender e GIMP. Inoltre, l'interfaccia utente open source basata sul web Automatic1111 facilita l'accesso. Il modello principale pre-addestrato per Stable Diffusion è accessibile pubblicamente tramite Hugging Face Hub.
Nell'agosto 2023 è stato lanciato Ideogram, distinguendosi per la sua notevole capacità di generare testo leggibile all'interno delle immagini.
L'anno 2024 ha visto l'introduzione di Flux, un modello in grado di generare immagini altamente realistiche. Flux è stato successivamente integrato in Grok, il chatbot utilizzato su X (ex Twitter), e Le Chat, il chatbot di Mistral AI. Black Forest Labs, fondato dai ricercatori originali di Stable Diffusion, ha sviluppato Flux. Tuttavia, Grok passò al suo modello proprietario di testo in immagine, Aurora, nel dicembre dello stesso anno. Allo stesso tempo, diverse aziende hanno avanzato modelli di intelligenza artificiale integrati con servizi di editing delle immagini. Adobe ha lanciato Firefly, incorporandolo in Premiere Pro, Photoshop e Illustrator, mentre Microsoft ha annunciato pubblicamente funzionalità di generazione di immagini AI per Microsoft Paint. Inoltre, la metà degli anni '20 ha segnato l'emergere di importanti modelli text-to-video, tra cui Gen-4 di Runway, VideoPoet di Google, Sora di OpenAI (rilasciato a dicembre 2024) e LTX-2 (rilasciato nel 2025).
L'anno 2025 è stato caratterizzato dal rilascio di numerosi modelli generativi avanzati. GPT Image 1 di OpenAI, lanciato a marzo, ha introdotto funzionalità multimodali e di rendering del testo migliorati, facilitando la generazione di immagini da vari input come schizzi e descrizioni testuali. MidJourney v7, che ha debuttato ad aprile, offriva una raffinata elaborazione dei messaggi di testo. Maggio 2025 ha visto l'introduzione di Flux.1 Kontext di Black Forest Labs, riconosciuto per la sua efficienza nella generazione di immagini ad alta fedeltà, insieme a Imagen 4 di Google, che presentava un fotorealismo migliorato. Successivamente, nel novembre 2025, è stato rilasciato Flux.2, che presenta progressi nel riferimento alle immagini, nella tipografia e nella comprensione rapida.
Strumenti e processi
Avvicinamenti
Gli artisti utilizzano diverse metodologie per generare arte visiva basata sull'intelligenza artificiale. Nell'approccio testo-immagine, l'intelligenza artificiale sintetizza immagini da descrizioni testuali, sfruttando modelli come la diffusione o le architetture basate su trasformatori; gli utenti forniscono suggerimenti e l'intelligenza artificiale esegue il rendering delle immagini corrispondenti. Il metodo da immagine a immagine prevede che l'intelligenza artificiale trasformi un'immagine di input esistente in uno stile o forma nuova, guidata da uno specifico suggerimento o riferimento di stile, esemplificato convertendo uno schizzo in un rendering fotorealistico o applicando un'estetica artistica distinta. Per le applicazioni da immagine a video, l'intelligenza artificiale produce brevi clip video o animazioni da una singola immagine o da una sequenza, spesso incorporando movimento o transizioni, che possono variare dall'animazione di ritratti statici alla costruzione di scene dinamiche. Infine, le funzionalità di conversione del testo in video consentono all'intelligenza artificiale di generare video direttamente da istruzioni testuali, risultando in animazioni, scenari realistici o sequenze visive astratte, che rappresentano un'evoluzione della generazione di testo in immagine con un'enfasi sulla continuità temporale.
Immagini
Gli artisti che utilizzano modelli di diffusione hanno accesso a una vasta gamma di strumenti. Questi includono la possibilità di definire prompt sia positivi che negativi, nonché la possibilità di incorporare o escludere componenti come VAE, LoRA, iperreti, adattatori IP e incorporamenti/inversioni testuali. Inoltre, gli artisti possono regolare vari parametri, tra cui la scala di guida (che modula l'equilibrio tra libertà creativa e fedeltà), seed (per la gestione della stocasticità) e upscaler (per migliorare la risoluzione dell'immagine). La manipolazione del rumore pre-inferenza offre un'altra via di influenza, mentre i metodi di post-elaborazione convenzionali vengono comunemente applicati dopo l'inferenza. Gli utenti possiedono anche la capacità di addestrare modelli personalizzati.
Complementari ai modelli di diffusione, sono emerse tecniche procedurali di generazione di immagini basate su regole, che impiegano modelli matematici, algoritmi che emulano pennellate e altri effetti artistici, insieme ad architetture di deep learning come reti generative avversarie (GAN) e trasformatori. Numerose aziende offrono applicazioni e piattaforme web che semplificano il processo, consentendo agli utenti di concentrarsi esclusivamente su suggerimenti positivi senza richiedere la regolazione manuale di altri parametri. Inoltre, esiste un software specializzato per stilizzare le fotografie per replicare le caratteristiche visive di rinomati movimenti artistici.
Gli strumenti disponibili abbracciano un ampio spettro, dalle applicazioni mobili intuitive progettate per i consumatori ai sofisticati notebook Jupyter e alle interfacce utente basate sul Web che richiedono sostanziali risorse GPU per prestazioni ottimali. Tra le funzionalità avanzate c'è l'"inversione testuale", che facilita l'integrazione di concetti definiti dall'utente, come oggetti specifici o stili artistici, appresi da un insieme limitato di immagini. Ciò consente la generazione di nuove opere d'arte basate su descrittori testuali associati (parole assegnate ai concetti appresi, spesso astratti) e attraverso estensioni del modello o tecniche di perfezionamento, esemplificate da DreamBooth.
Impatto e applicazioni
L'intelligenza artificiale possiede la capacità di una profonda trasformazione sociale, favorendo potenzialmente la proliferazione di generi di nicchia non commerciali (ad esempio, derivati cyberpunk come il solarpunk) da parte di creatori dilettanti, facilitando nuove forme di intrattenimento, accelerando la prototipazione, migliorando l'accessibilità alla creazione artistica e migliorando l'efficienza della produzione artistica in termini di impegno, costo o tempo. Questa efficienza si ottiene attraverso funzionalità quali la generazione di bozze preliminari, la definizione di concetti e la produzione di componenti di immagine (inpainting). Le immagini generate spesso servono come schizzi preliminari, risorse sperimentali economiche, fonti di ispirazione o rappresentazioni visive per idee di prova di concetto. Inoltre, i miglioramenti potrebbero comportare l'editing manuale post-generazione, incluso il successivo perfezionamento tramite software di editing delle immagini.
Artisti visivi e designer professionisti hanno utilizzato prevalentemente l'intelligenza artificiale generativa durante la concettualizzazione in fase iniziale (pensiero divergente) piuttosto che nella produzione finale (pensiero convergente). Le discipline che producono output digitali o effimeri, come la progettazione UI/UX e la concept art, integrano queste tecnologie più facilmente di quelle che producono artefatti fisici e permanenti come la scultura o l’architettura. All’interno dei domini fisici, considerazioni di integrità strutturale, limitazioni materiali e “etno-calcolo” culturale spesso limitano l’intelligenza artificiale a un ruolo di potenziamento complementare, piuttosto che a un sostituto diretto dei metodi di produzione tradizionali. Inoltre, gli atteggiamenti in materia di adozione mostrano notevoli variazioni tra le fasi della carriera; i professionisti entry-level spesso percepiscono l'intelligenza artificiale generativa come un'estensione pratica degli strumenti digitali essenziali per la competitività sul mercato, mentre i professionisti senior spesso esprimono scetticismo critico riguardo alla potenziale svalutazione delle competenze incarnate e all'impatto sullo sviluppo delle competenze a lungo termine.
Prompt Engineering e condivisione
Le richieste per determinati modelli di conversione da testo a immagine possono incorporare immagini, parole chiave e parametri configurabili, incluso lo stile artistico. Questa specifica di stile viene spesso ottenuta attraverso frasi chiave come "nello stile di [nome dell'artista]" all'interno del prompt o selezionando un'estetica o uno stile artistico ampio. Esistono piattaforme dedicate per la condivisione, lo scambio, la scoperta, il perfezionamento e lo sviluppo collaborativo di suggerimenti su misura per la generazione di immagini specifiche. I suggerimenti vengono comunemente diffusi insieme alle immagini generate su varie piattaforme di condivisione di immagini, tra cui Reddit, e su siti Web specificamente dedicati all'arte basata sull'intelligenza artificiale. È importante notare che un prompt costituisce solo una componente dell'input richiesto per la generazione dell'immagine; altri determinanti cruciali includono la risoluzione dell'output, il seed casuale e i parametri di campionamento casuale.
Terminologia correlata
I media sintetici, che comprendono l'arte generata dall'intelligenza artificiale, sono stati identificati nel 2022 come una tendenza tecnologica significativa destinata ad avere un impatto su vari settori nel prossimo futuro. I ricercatori della Harvard Kennedy School hanno espresso preoccupazione riguardo al potenziale dei media sintetici di diffondere disinformazione politica, in seguito alla loro indagine sull'adozione diffusa dell'arte generata dall'intelligenza artificiale sulla piattaforma X. Sintografia rappresenta una nomenclatura suggerita per la metodologia di produzione di immagini di tipo fotografico attraverso l'intelligenza artificiale.
Contesto filosofico
L'arte visiva generata dall'intelligenza artificiale ha dato vita ad un ampio dibattito filosofico sui concetti di creatività, paternità e sulla natura ontologica intrinseca delle rappresentazioni visive. Un’indagine fondamentale ruota intorno alla questione se il valore intrinseco dell’arte dipenda dall’intenzionalità umana e dalla consapevolezza cosciente. I detrattori sostengono che l’assenza di esperienza soggettiva e di intenti deliberati nei sistemi di intelligenza artificiale impedisce che le loro produzioni siano considerate espressioni artistiche “autentiche”. Al contrario, i sostenitori affermano che il merito estetico risiede nella ricezione di un'opera e nella sua utilità culturale, piuttosto che esclusivamente negli stati interni del suo creatore, posizionando così i sistemi di intelligenza artificiale come strumenti o entità collaborative all'interno di paradigmi più ampi di sforzo creativo.
Le immagini generate dall'intelligenza artificiale mettono fondamentalmente in discussione anche le teorie consolidate della rappresentazione. La fotografia e il cinema sono stati tradizionalmente percepiti come aventi una relazione indicale con la realtà fisica, implicando un collegamento causale con eventi o oggetti del mondo reale. Al contrario, i sistemi di intelligenza artificiale generativa sintetizzano le immagini tramite il riconoscimento statistico di modelli, piuttosto che attraverso la registrazione fisica diretta, attenuando o recidendo così completamente questa connessione indicale.
Il teorico dei media Johannes Grenzfurthner postula che questo cambiamento di paradigma necessita di una "divulgazione ontologica" - una dichiarazione esplicita della natura di un'immagine come fisicamente referenziale, ibrida o interamente sintetica - per mantenere la trasparenza etica e politica all'interno della cultura visiva. Questo discorso in corso colloca l'arte visiva generata dall'intelligenza artificiale all'interno di discussioni filosofiche più ampie riguardanti la tecnologia, l'autenticità e la ridefinizione dinamica dell'espressione artistica.
Analisi dell'arte esistente utilizzando l'intelligenza artificiale
Oltre alla generazione di nuove opere d'arte, sono state sviluppate metodologie di ricerca basate sull'intelligenza artificiale per l'analisi quantitativa delle collezioni d'arte digitali. Questo progresso è attribuibile alla vasta digitalizzazione delle opere artistiche negli ultimi decenni. Come notato da CETINIC e SHE (2022), l'applicazione dell'intelligenza artificiale per esaminare le collezioni d'arte esistenti offre nuove intuizioni sull'evoluzione degli stili artistici e sul discernimento delle influenze artistiche.
L'analisi dell'arte digitalizzata impiega tipicamente due metodologie computazionali primarie: lettura ravvicinata e visione distante. La lettura attenta si concentra su particolari attributi visivi all'interno delle singole opere d'arte. Le attività guidate dalla macchina nell'ambito di approcci di lettura ravvicinata comprendono l'autenticazione computazionale dell'artista e l'analisi dettagliata della pennellata o delle caratteristiche materiche. Al contrario, le metodologie di visualizzazione a distanza consentono la visualizzazione statistica delle somiglianze in un’intera collezione sulla base di una caratteristica designata. Applicazioni tipiche di questo metodo riguardano la classificazione automatica, il rilevamento di oggetti, l'analisi multimodale, l'estrazione di conoscenza nella storia dell'arte e l'estetica computazionale. Inoltre, le immagini sintetiche possono essere utilizzate per addestrare algoritmi di intelligenza artificiale ai fini dell'autenticazione artistica e del rilevamento di contraffazioni.
Inoltre, i ricercatori hanno sviluppato modelli progettati per prevedere le risposte emotive alle creazioni artistiche. Un esempio notevole è ArtEmis, un set di dati completo integrato con modelli di machine learning. ArtEmis comprende annotazioni emotive fornite da più di 6.500 partecipanti, integrate da corrispondenti spiegazioni testuali. Attraverso l'analisi sia dei dati visivi che delle descrizioni testuali associate all'interno di questo set di dati, ArtEmis facilita la produzione di sofisticate previsioni emotive.
Altre forme di arte AI
L'intelligenza artificiale ha trovato applicazioni in ambiti artistici che vanno oltre le arti visive. L’intelligenza artificiale generativa è stata impiegata nella composizione musicale e nello sviluppo di videogiochi, trascendendo le semplici immagini per includere la progettazione dei livelli (ad esempio, per mappe su misura), la generazione di nuovi contenuti (ad esempio, missioni o dialoghi) e la creazione di narrazioni interattive. Inoltre, l’intelligenza artificiale è stata applicata nelle arti letterarie, offrendo assistenza contro il blocco dello scrittore, fornendo ispirazione creativa o facilitando la riscrittura di segmenti testuali. Nell'ambito delle arti culinarie, alcuni prototipi di sistemi robotici possiedono la capacità di degustazione dinamica, aiutando così gli chef nell'analisi in tempo reale della composizione dei piatti e dei profili aromatici durante la preparazione.
Nomenclatura: l'applicazione dell'"Arte"
L'applicazione del termine "arte" alle opere prodotte da software di intelligenza artificiale ha suscitato un notevole dibattito tra artisti, filosofi, studiosi e altre parti interessate. Numerosi commentatori sostengono che classificare le immagini generate dalle macchine come “arte” diminuisce le qualità intrinseche dell’abilità artistica umana, tra cui creatività, abilità e intenzionalità. Le definizioni contemporanee di autentica creazione artistica spesso sottolineano la necessità di intenzioni a livello umano, esperienza personale, emozioni e contesto storico o artistico pertinente.
Una ricerca condotta dalla Biblioteca Nazionale di Medicina indica un pregiudizio intrinseco dell'uomo nei confronti delle opere d'arte attribuite all'intelligenza artificiale. In uno studio in cui i partecipanti hanno valutato due immagini comparabili, una esplicitamente identificata come generata dall’intelligenza artificiale, i soggetti hanno costantemente assegnato un valore artistico inferiore all’immagine prodotta artificialmente. Questa scoperta implica che le percezioni socio-culturali influenzano in modo significativo la classificazione di un'immagine come arte, indipendentemente dalle sue caratteristiche visive intrinseche.
In un rapporto del 2023 presentato alla Convenzione annuale degli osservatori di arte digitale, Samuel Loomis ha ipotizzato che la designazione "arte AI" riconosce la sua dualità intrinseca: una creazione risultante sia dalla direzione umana che da processi generativi guidati dalla macchina, in particolare se valutata rispetto ai parametri critici stabiliti per l'arte tradizionale.