法国诗人保罗·瓦雷里在谈及20世纪艺术场域中的技术变革时曾有这样的预言：“人们必须估计到，伟大的革新会改变艺术的全部技巧，由此必将影响到艺术创作本身，最终或许还会导致以最迷人的方式改变艺术概念本身。”①瓦雷里的预言一定程度上为人工智能的视觉生产所证实。作为人类视觉表征世界的新入局者，无论是Midjourney的图片创作、Pika的动图生成还是Sora的影像生产，它们都代表着人工智能技术在人类视觉场域审美实践的不同进阶。尽管其视觉生产仍带有某种先锋性质，属于这一技术话语进入人类图像表意场域的先遣形态，但不难看出这一技术形态蕴含的对人类图像表意模式强大的重构势能，乃至由此可及的对当代审美文化范式进行改写的可能性。鉴于此，引入一种辩证主义的视角深度考察这一技术装置对人类视觉表征世界可能的影响尤显必要。它可以使我们在惊羡于人工智能视觉生产及其缔造的审美景观的同时，能够保持一种更为审慎的姿态，对视觉表征场域人工智能的审美实践作出理性评估，为愈益成熟的人工智能艺术生产乃至这一技术治下文化范式的建构提供一种预案。 一、Sora作为“世界模拟器”的出场与视觉表征世界的变局 2024年，由Open AI公司推出的多模态文生视频模型Sora的出场无疑是人工智能视觉生产的标志性事件。这一号称“世界模拟器”的人工智能装置，打破了Midjourney、DALL-E等大语言模型文生图片以及Pika文生动图的技术阈限，以长达60秒的视频叙事实现了人工智能在视觉表征领域的技术升级，从而宣告了这一“非人化”行动者的影像生产愈发现实。严格而言，Sora并非人工智能视觉生产的专利，在此之前的诸多文生图模型就已实现了图像符号的智能化生成。单就图像符号作为这一技术媒介的加工物而言，十余年前微软小冰的诗歌创作实际上也是对图像符号加工的产物。此后，通过输入图像文本来生成语言文本，成为多数大语言模型进行文本创作的基本程式。图像符号一直参与了人工智能的艺术生产，只是微软小冰以及ChatGPT等大语言模型的生成物主要是语言文本，Sora等则是将图像文本作为这一技术媒介的最终生成对象。 作为人工智能视觉生产的代表形态，Sora的影像生产大致体现为三个基本环节：首先，对海量视觉数据的深度学习以及在此基础上展开的视频生成的预训练，在此基础上，Sora将这些视频数据压缩至低维的潜在空间，再分解为包含时空信息的视觉子块(Patches)，这是后续影像生成的材料基础。其次，实现对输入文本指令的深度理解，这一过程离不开大语言模型的支持。作为Sora影像生产的启动装置，输入端的文本指令通常简短甚至抽象，通过扩散自注意力模型(Diffusiontransformer)这种广泛应用于自然语言处理的深度学习模型，Sora对输入的文本指令从时间与空间两个维度进行扩展，增强文本指令的描述性与故事性，以便对文本指令与具体语境进行精准抓取。最后，征用预训练的视觉子块生成一个初始的视频序列，并通过对物理规则的深度学习与理解来整合视频影像的多视角信息，强化视觉信息的连贯性及因果关系，对齐影像意指与文本指令的意义关联，将初始的随机像素转化为具有清晰内容与结构、符合语义要求的影像画面。Sora的影像生产实现了对物理世界及其规律的精确复现，显示了人工智能描画现实世界甚至想象世界的巨大技术优势。透过其颇为复杂的影像生产机制，不难发现Sora的影像生产体现出对传统图像生产机制的某种背离。抛开其生产主体的“非人化”不论，其影像生产完全摆脱了传统图像符号“认知—生产”的生成原则。在Sora的生产机制中，并不存在现实世界这一标的物，其所占据的是庞大的视觉数据库及其形成的具有时空信息的视觉子块，“破碎—重组”当是对这一智能媒介数据处理最形象的描述。它生产的影像不再是主体对现实世界的认知体验与审美再现，而是对视觉子块的一种重组与转换。这意味着Sora生成的影像很难再是对现实世界的即时反映，现实世界沦为这一视觉生产机制的“他者”。 不可否认，我们对包括Sora在内的人工智能的最大争议，源于这一技术形态对人类主导权的可能性争夺。讨论人工智能的主体性或许在某个很远的将来才真正具有意义，而就当下“人机”互动的普遍现实而言，这一智能媒介却在另一层面引发对“主体性”的争议。图像符号作为人类表意世界的主流话语，对其的表征与占有并不是全体人类的普遍资格。在人类历史上相当长的一段时间里，它只是少数人的专利，稀缺性这一概念或许能更好地描述这一问题。在前现代社会，图像符号的稀缺性不仅表现为图像资源本身的稀缺性，同时还体现为图像实践能力的稀缺性。如果说前者表现出来的稀缺性受制于一定的社会经济发展水平，那么后者则一定程度上取决于主体的知识水平、审美意识与文化心理，甚至主体在一定程度上所具有的“天才”特征。 前现代社会图像符号的稀缺性特征，赋予了这一符号系统不可言喻的神秘魔力。“赋予人类言语的语词中的神话创生力和人格力最初也给予了形象，也给予了每一个艺术的再现。尤其是在魔法领域内，语词魔力处处都由图像魔力陪伴着。”②图像符号凭依自身的稀缺性获取的“魔力”，推动了这一资源与能力的相对集中，统治阶层以及作为其代言人的知识精英成为图像符号及其实践能力的主要占有者，而底层民众多被屏蔽在这一艺术场域之外。技术的发展特别是当前人工智能对视觉表征场域的介入，打破了一直以来知识精英对图像叙事的垄断。凭依人工智能在视觉表征实践中的自主性，个体通过文本指令的输入便可获取符合自身诉求的影像文本。这一智能媒介的视觉生产不仅为大众提供了丰富的视觉资源，其便捷的影像创作机制也赋予了其极大的创作自由，使他们根据自身的审美旨趣与需要随时输入指令进行影像的自主创作。如此一来，横亘于生产与接受之间的壁垒便逐渐瓦解，大众便不再是图像叙事纯粹的接受者，同样也成为这一艺术符号的生产者。视觉艺术创作长久以来的神秘性与神圣感受到挑战，尼采言下艺术家所具有的“天才”特质也在大众的技术实践中遭受质疑，一种“弥散”的主体性愈发普遍。 需要指出的是，人工智能对视觉生产准入门槛的降低同样体现在对视觉影像形式的“改编”层面。在传统的视觉生产场域，生产者决定着图像符号的表征形式，这一表征形式对图像接受者而言一般体现着单向度特征，亦即除非通过物理性破坏，否则接受者很难通过改变图像符号的形式来对图像叙事施加影响。德国当代哲学家维辛将图像符号的这一特征称为图像符号的“纯可视性”，它体现了图像的独立性与自主性。无论是传统意义上的绘画还是现代意义上的摄影、影视，都是这一“纯可视性”的表现对象，它们都体现着某种叙事的“单向度”。接受者只能被动接受图像符号早已设定的叙事程式，很难在不改变其物理形态的前提下改变或者操控图像叙事。数字技术对人类视觉表征最大的改变，就是赋予数字图像以“互动性”特质。在数字图像场域，接受者不仅可与图像生产者进行同频互动，同时可在不改变数字图像物理形式的前提下对其叙事形式进行“改编”，即便视觉艺术中最具典范意义的风格特征在这一技术操控中都不成问题。以Hypstamatic、Instagram、Prisma等为代表的几代“数字滤镜”的发展就很能说明这一点。生成式人工智能的发展则将图像符号的“定制”与“改编”推向新的境地。凭依特定的程序设计与文本指令的输入，个体即可对影像文本进行自由“改编”，在既有影像形式的基础上添加、删减、改写，甚至对语、图、声符号的统一调配，都可一键生成，当下抖音、快手、小红书等平台愈发普遍的“魔改”影像即为代表。通过“改编”所生成的新的影像文本，不仅是对文本意义表征的背离，还与其形成了一种形式上的“互文”关系，或者可称之为“互象”，体现出美国学者威廉·米切尔所描述的特征：“形象不仅像它们曾经似乎所做的那样直接映现世界，而且反映其他形象的痕迹(也许着色或扭曲)。”③人工智能的技术“改编”不仅是对图像符号“纯可视性”的消解，同样挑战着经典影像的神圣与权威，它在个体视觉表征的恣意狂欢与长久以来人类的视觉表征体例之间形成一种审美张力，从而成为人工智能视觉生产无法回避的衍生话题。
