본 연구는 최근 주목받고 있는 생성형 인공지능 기반 예술의 정체성을 밝히기 위해 생성예술의 핵심요소인 시스템을 분석하고 인공지능 이미지 생성 모델을 생성예술의 계보와 이론 속에서 논의한다. 생성예술가이자 이론가인 필립 갈란터(Philip Galanter)는 생성예술을 예술가가 일련의 자연스러운 언어 규칙, 컴퓨터 프로그램 또는 다른 절차적 고안물과 같은 어느 정도의 자율적인 움직임을 가지는 시스템을 사용하는 예술 실천으로 정의한다. 이러한 생성예술의 핵심은 시스템의 사용이고, 컴퓨터와 프로그램을 활용하는 생성예술의 미적 지향점은 복잡시스템이다. 유전시스템이나 인공생명과 같은 복잡시스템을 활용하는 생성예술이 드러내고자 하는 미적 가치는 질서도를 높이는 요소와 무질서도를 높이는 요소를 동시에 사용하면서 예측하지 못한 자기고유성을 드러내는 것에 있다. 그것은 그 시스템이 돌연변이나 노이즈를 얼마나 확장적으로 수용할 수 있느냐와 연관된 것으로 다양성과 복잡성을 확보할 수 있는 관건이 된다. 흥미롭게도, 인공지능을 이용한 이미지 생성기술들 중 최근에 등장한 디퓨전 모델(Diffusion Model, DM)의 경우 생성예술이 지향하는 복잡시스템의 미적 활용에 가깝다. 열역학에서 아이디어를 가져온 디퓨전 모델은 노이즈를 의도적으로 주입하는 정방향 확산과 학습을 통해 노이즈를 제거하는 역방향 복원 과정을 통해 예상하지 못한 다양한 이미지를 생성시킬 수 있다. 결과적으로, 예술가의 직관을 뛰어넘으면서도 예술가가 바라던 결과물에 근접하도록 만드는 디퓨전 모델은 생성예술의 매력적인 도구가 될 수 있다.
This study analyzes the system, which is a key element of generative art, and discusses the AI image generative model in the genealogy and theory of generative art, in order to reveal the identity of generative AI-based art. Philip Galanter, a generative artist and theorist, defines generative art as any art practice where the artist uses a system, which is set into motion with some degree of autonomy, such as a computer program or procedural invention. The core of generative art is the use of systems, and the aesthetic goal of generative art that uses computers and programs is to create a “complex” system such as a genetic system or artificial life. The aesthetic value that generative art seeks to reveal lies in creating unexpected uniqueness while simultaneously using elements that increase from the highly ordered to the highly disordered. It is related to how extensively the system can accommodate mutations and noise, and secure diversity and complexity. Interestingly, the Diffusion Model(DM), which has recently appeared among generative artificial intelligence, is a case of the aesthetic use of complex systems, which generative art aims for. The diffusion model, which takes ideas from thermodynamics, can create a variety of unexpected images through forward diffusion, which intentionally injects noise, and a reverse restoration process, which removes noise through learning. As a result, the diffusion model, which exceeds the artist’s intuition while also bringing it closer to the artist’s desired result, can be an attractive tool for generative art.
