Larte visiva generata da intelligenza artificiale, o arte AI, è una forma di produzione artistica realizzata o modificata tramite sistemi di intelligenza artificiale. Diffusasi soprattutto a partire dagli anni 2010 con lo sviluppo dei modelli generativi, comprende pratiche artistiche, sperimentali e commerciali basate su reti neurali e altri algoritmi di apprendimento automatico. Il tema è oggetto di dibattito in ambito estetico, giuridico ed etico.

Storia

Origini del concetto Nel 1843, Ada Lovelace scrisse che le "operazioni di calcolo" avrebbero potuto essere utilizzate per generare musica e poesieLuigi Menabrea & Ada Lovelace (1843), Sketch of the Analytical Engine, with Notes by the Translator.

Nel 1950, il saggio di Alan Turing Computing Machinery and Intelligence si concentrò sulla possibilità che le macchine potessero imitare il comportamento umano. Nel 1956, nacque la disciplina accademica dell'AI durante un workshop di ricerca al Dartmouth CollegeCrevier, Daniel (1993). AI: The Tumultuous Search for Artificial Intelligence. New York, NY: BasicBooks. p. 109. ISBN 0-465-02997-3..

Nascita dell'intelligenza artificiale Dalla nascita dell'intelligenza artificiale negli anni '50, gli artisti hanno iniziato a utilizzare algoritmi e computer per creare opere. Queste pratiche rientrano in ambiti come arte algoritmica, arte computerizzata, arte digitale o new media art. Esse sono categorie in cui l'artista mantiene generalmente un controllo più diretto sul processo, mentre nell'arte AI l'artista progetta o utilizza sistemi che possono generare risultati parzialmente autonomi..

Sviluppo Uno dei primi sistemi di arte AI è AARON, creato da Harold Cohen a partire dalla fine degli anni '60 presso l'Università della California a San DiegoMcCorduck, Pamela (1991). AARONS's Code: Meta-Art. Artificial Intelligence, and the Work of Harold Cohen. New York: W. H. Freeman and Company. p. 210. ISBN 0-7167-2173-2.. AARON utilizzava un approccio simbolico basato su regole per generare immagini tecniche nell'era della programmazione GOFAI, ed è stato sviluppato con l'obiettivo di codificare l'atto del disegno. AARON fu esposto nel 1972 al Los Angeles County Museum of Art.

Karl Sims creò opere con la vita artificiale a partire dagli anni '80.Nel 1999, Scott Draves e un team di ingegneri crearono e distribuirono Electric Sheep come salvaschermo gratuito. È un progetto di calcolo distribuito che genera e modifica nel tempo animazioni di "fiamme frattali" in base alle preferenze degli utenti, condivise tra computer in rete che le mostrano come salvaschermo. Il sistema utilizza l'AI per creare un'animazione basata sulle preferenze del pubblico.Tra la fine degli anni '90 e gli anni 2020, l'arte generata dall'AI è passata da pratica sperimentale a fenomeno culturale internazionale. Inizialmente confinata a comunità di artisti digitali e festival specializzati, come Ars Electronica, l'arte AI ha progressivamente guadagnato visibilità all'interno del sistema dell'arte contemporaneaGrau, O. (2003). Virtual Art: From Illusion to Immersion. MIT Press..

Negli anni 2010, gallerie e case d'asta hanno iniziato a includere opere generate con AI nelle loro esposizioni e venditeElgammal, A. et al. (2017). CAN: Creative Adversarial Networks. Parallelamente, istituzioni museali e accademiche hanno cominciato a dedicare mostre, programmi di ricerca e collezioni all'arte AIMcCosker, A.; Wilken, R. (2020). Automating Vision: The Social Impact of AI Art. Il deep learning, caratterizzato da una struttura a più livelli ispirata in parte al funzionamento delle reti neurali biologiche, è emerso negli anni 2010. È stato associato a cambiamenti nel campo dell'arte AI. Tra i principali approcci utilizzati vi sono modelli autoregressivi, modelli di diffusione, GAN (reti generative avversarie) e normalizing flows (una tecnica usata per modellare distribuzioni di probabilità complesse).

Nel 2014, Ian Goodfellow e alcuni suoi colleghi dell'Università di Montréal svilupparono la Generative Adversarial Network (GAN), un tipo di rete neurale profonda capace di apprendere la distribuzione dei dati di addestramento e generare nuovi esempi simili, come le immagini. Le GAN sono composte da due reti neurali, un generatore e un discriminatore, che lavorano in competizione per produrre immagini realistiche. A differenza delle precedenti forme di arte algoritmica basate su regole scritte manualmente, le GAN possono apprendere uno specifico stile estetico analizzando un dataset di immagini di esempio.

Nel 2015, un team di Google pubblicò Deep Dream, un programma che utilizza una rete neurale convoluzionale per individuare e amplificare pattern nelle immagini. Il risultato sono immagini caratterizzate da un'elevata elaborazione. Successivamente, nel 2017, una GAN condizionata (cGAN) imparò a generare 1000 classi di immagini del dataset ImageNet, migliorando la qualità delle immagini per modelli condizionati su classi specifiche. cGAN è una rete neurale che genera dati (ad esempio immagini) a partire da una condizione specifica, così da controllare cosa produce.

I modelli autoregressivi furono utilizzati per la generazione di immagini, come PixelRNN (2016), che genera i pixel uno dopo l'altro usando una rete neurale ricorrente. Dopo che l'architettura Transformer fu introdotta da un team di Google nell'articolo scientifico Attention Is All You Need (2018), venne impiegata anche per la generazione autoregressiva di immagini, inizialmente senza condizionamento testuale.

Il sito Artbreeder, lanciato nel 2018, utilizza modelli come StyleGAN e BigGAN per permettere agli utenti di generare e modificare immagini come volti, paesaggi e dipinti.

Negli anni 2020, la diffusione dei modelli text-to-image è stata associata a un aumento dell'uso pubblico dell'arte generata da AI. La diffusione di strumenti di generazione di immagini basati su AI ha ulteriormente ampliato la partecipazione alla produzione artistica, contribuendo alla nascita di nuove comunità online.

Nel 2021, sfruttando i modelli linguistici generativi di tipo Transformer (come GPT-2 e GPT-3), OpenAI pubblicò una serie di immagini create con il modello DALL-E 1.

Tra il 2022 e il 2023 si diffusero numerosi modelli text-to-image, tra cui Midjourney e Stable Diffusion, che hanno contribuito alla diffusione su larga scala dell’arte generata da AI.

Nel 2024, il Whitney Museum of American Art ha esposto diverse opere che Cohen ha creato con l'AI durante la sua carriera, incluse repliche delle sue prime macchine robotiche in grado di disegnare. Nello stesso anno, in Giappone sono usciti il film generAIdoscope, in cui video e audio sono stati interamente generati con AI, e l'anno successivo la serie televisiva anime Twins Hinahima. In quest'ultima l'AI ha convertito delle fotografie in illustrazioni. Nel 2024 e 2025 sono stati introdotti nuovi modelli di generazione di immagini fotorealistiche, tra cui Flux, creato da Black Forest Labs (società fondata dai ricercatori di Stable Diffusion). Diverse aziende hanno integrato modelli di generazione di immagini nei propri software di editing: Adobe con Firefly (in Première Pro, Photoshop e Illustrator) e Microsoft con funzionalità di generazione immagini in Paint.

Robot e automi in grado di generare arte Origini Le forme di arte generativa risalgono almeno agli automi della civiltà greca antica, quando inventori come Erone di Alessandria venivano descritti come progettisti di macchine capaci di scrivere testi e generare suoni.

La tradizione ellenistica sviluppò ulteriormente il concetto di dispositivi automatici presso la città di Alessandria, dove ingegneri e matematici progettarono teatri meccanici e statue animate basati su sistemi pneumatici e idraulici.

Durante il Medioevo, tali conoscenze furono in parte preservate e sviluppate nel mondo islamico. L'ingegnere Al-Jazari (XII–XIII secolo) descrisse nel suo Libro della conoscenza dei dispositivi meccanici ingegnosi numerosi automi meccanici, tra cui musicisti e servitori, caratterizzati da meccanismi sequenziali programmabili.

Nel Rinascimento, l'interesse per gli automi fu rilanciato da figure come Leonardo da Vinci, al quale sono attribuiti progetti antropomorfi, tra cui un automa cavaliere in grado di compiere movimenti coordinati.

Nel XVII secolo, lo sviluppo dell'orologeria di precisione in Europa, in particolare tra Svizzera e Francia, rese possibile la realizzazione di automi sempre più complessi.

La mano che scrive è un gioco meccanico realizzato da Friedrich von Knaus nel 1764. Il meccanismo d'orologeria imprime ad una mano un movimento che le fa intingere la penna nel calamaio e scrivere sopra un cartoncino una frase.

Il termine automata di Jaquet-Droz fa riferimento a tre bambole-automa costruite fra 1768 e il 1774 da Pierre Jaquet-Droz, suo figlio Henri-Louis e Jean-Frédéric Leschot. Le bambole sono indicate come la musicista, la disegnatrice e la scrittrice.

Il principio della programmazione meccanica mediante camme e sequenze codificate trovò un'ulteriore evoluzione all'inizio del XIX secolo con il telaio di Joseph-Marie Jacquard, che utilizzava schede perforate per controllare automaticamente i motivi tessili.

L'automa "Disegnatore-Scrittore" di Henri Maillardet fu creato intorno al 1800 e sa realizzare diversi disegni e poesie.

Questi automi potevano tuttavia creare disegni programmati dal costruttore e non erano quindi in grado di aggiungere elementi originali. Epoca moderna Nel corso del XIX e XX secolo, lo sviluppo della meccanica automatizzata, dell'informatica e dei dispositivi controllati da computer (come i plotter e i primi sistemi di computer art) portò alla nascita di macchine sempre più sofisticate per il disegno automatico.

Nel XXI secolo sono stati creati robot in grado di disegnare autonomamente (utilizzando l'AI) aggiungendo elementi originali e non programmati dal costruttore, ad esempio:

e-David (2009), sviluppato all’Università di Costanza, dipinge tele usando una videocamera per correggere costantemente il risultato. Paul (2010-2013), un braccio robotico che realizza ritratti osservando modelli dal vivo attraverso una telecamera. Ai-Da (2019), robot umanoide capace di disegnare e dipingere utilizzando telecamere montate nella regione oculare e algoritmi di AI.

Strumenti e processi

Approcci Gli strumenti disponibili includono applicazioni mobili, interfacce web e notebook di sviluppo che richiedono hardware GPU. Quando utilizzano il text-to-image, gli utenti forniscono prompt testuali, a partire dai quali il modello genera immagini.

Quando si utilizza limage-to-image, l'AI trasforma un'immagine in ingresso in un nuovo stile o forma basandosi su un prompt o su un riferimento stilistico, ad esempio convertendo uno schizzo in un'immagine fotorealistica o applicando uno stile artistico.

Con limage-to-video, l'AI genera brevi clip video o animazioni a partire da una singola immagine o da una sequenza di immagini, spesso aggiungendo movimento o transizioni. Questo può includere l'animazione di ritratti statici o la creazione di scene dinamiche.

Con il text-to-video, invece, l'AI crea video direttamente da prompt testuali, producendo animazioni, scene realistiche o visual astratti. Si tratta di un'estensione dei modelli text-to-image applicata alla generazione di sequenze video

Controllo e personalizzazione

Gli utenti possono configurare diversi parametri e tecniche dei modelli di diffusione per influenzare il risultato finale, tra cui prompt, modelli di personalizzazione, livello di dettaglio, casualità e risoluzione dell'immagine.

Il controllo può essere esercitato sia prima della generazione, ad esempio intervenendo sui dati iniziali, sia dopo, tramite tecniche di post-produzione. Gli utenti possono anche addestrare i propri modelli personalizzati.