Как алгоритмы судят красоту: выставка в MIT о столетней истории вычислительной эстетики
Выставка в MIT Gallery исследует попытки научить компьютеры понимать красоту — от математических формул 1930-х до нейросетей вроде Stable Diffusion. Оказывается, вопросы про «AI и творчество», которые сегодня кажутся новыми, обсуждаются уже сто лет.
Показывает, что шумиха вокруг «AI в творчестве» не так нова, как кажется, и помогает понять долгую историю попыток формализовать красоту — что полезно для осмысленной дискуссии о роли AI в дизайне и архитектуре.
Эстетика по формуле: столетняя попытка научить машины понимать красоту
Выставка «Beyond Data-Driven Aesthetics» в MIT Keller Gallery превращает алгоритмы и теории машинного обучения в физические инсталляции и интерактивные визуализации. Её автор, исследователь Александрос Харидис, показывает: вопросы про AI и творчество, которые сегодня звучат на каждом углу, на самом деле имеют глубокие корни в XX веке.
От Бёркхоффа до Stable Diffusion
В 1930-х математик Джордж Бёркхофф пытался количественно измерить красоту формулами. В 1956-м на легендарной Дартмутской конференции, где родился термин «искусственный интеллект», креативность и эстетическая оценка уже были в списке ключевых направлений. Сегодня система AICAN генерирует картины, балансируя между знакомыми стилями и отклонением от них — та же идея, новая упаковка.
Пять подходов к вычислительной красоте
Выставка организована вокруг пяти тем: Aesthetic Measure (измерение красоты математически), Aesthetic Guidelines (правила-ориентиры), Algorithmic Aesthetics (алгоритмическая эстетика), Aesthetic Appropriation (присвоение стилей) и Aesthetic Novelty (новизна через машинное обучение).
Каждая тема — это «окно» в конкретный подход, взятый из научной публикации и переведённый в пространственный опыт: от реконструкции софта до физических объектов и дата-визуализаций.
Дизайн как метод исследования
Харидис показывает: сам дизайн может быть способом интерпретации сложных технических концепций. Вместо диаграмм и таблиц — материальные объекты, которые можно потрогать и с которыми можно взаимодействовать. Это делает «чёрные ящики» машинного обучения более понятными.
Следующий шаг исследователя — применить эти идеи к реальной среде: понять, как вычисления (на правилах или на данных) могут информировать дизайнеров о том, что реально улучшает человеческий опыт в пространствах и объектах, которыми мы пользуемся.
Ключевые выводы
- Вопросы про AI и творчество не новы: креативность и эстетическая оценка обсуждаются в контексте вычислений с 1956 года
- Попытки количественно измерить красоту математически начались ещё в 1930-х (работа Джорджа Бёркхоффа)
- Дизайн и физические инсталляции могут служить методом интерпретации сложных алгоритмов и «чёрных ящиков» ML
- Современные AI-системы типа AICAN используют старые идеи когнитивной эстетики (баланс знакомого и нового)
- Вычислительная оценка выходит за рамки функциональности: вопрос в том, как алгоритмы могут улучшать человеческий опыт
Автор: Ксения Лаврова · Источник: news.mit.edu
**История повторяется, только инструменты меняются.** Когда в очередной раз слышишь «AI убьёт креативность», полезно вспомнить: математики пытались загнать красоту в формулы ещё в 1930-х, а на первой AI-конференции в Дартмуте креативность была в топ-7 приоритетов. Ничего не вышло тогда в смысле замены человека, вряд ли выйдет и сейчас — но инструменты реально становятся мощнее.
Что здесь ценно: выставка не пересказывает хайп, а **переводит абстрактные алгоритмы в физический опыт**. Вместо диаграмм нейросетей — объекты, с которыми можно взаимодействовать. Это редкий пример, когда академическое исследование становится понятным не через упрощение, а через *другой язык* — дизайн. И вопрос «как вычисления могут улучшать человеческий опыт, а не просто оптимизировать метрики» — один из самых важных для AI в архитектуре и продуктовом дизайне.
Комментарии