艺术作为算法病毒：生成式崩溃与AI价值趋同的认知可供性框架

本文聚焦生成式人工智能 在艺术创作中的两大核心问题：生成式崩溃（同质化现象 创意收敛）与 AI 价值趋同（审美平均化、偏见固化），提出提出认知可供性框架统一理解这些现象，并强调人类意图是 AI 艺术的核心锚点。生成式 AI 虽革新创作生态，但也挑战艺术本质、作者身份与意义生产。

生成式 AI（Midjourney、DALL-E、Stable Diffusion 等）已能生成视觉、音乐、文本及视频作品，深刻改变艺术创作生态。但随之而来的问题包括：机器创作时艺术本质是什么？生成式 AI 是否导致「艺术崩溃」？AI 价值趋同对艺术领域意味着什么？

技术层面：模式同质化（过度光滑渲染、程式化构图）、创意可预测性（优化导向保守）、反馈循环陷阱（AI 内容进入训练集加剧收敛）；文化层面：审美疲劳（「好看」价值稀释）、作者身份模糊（提示词撰写者/开发者/算法？）、意义生产危机（形式完美但缺乏深层意义）。

RLHF局限：学习人类偏好的统计平均导致平庸审美、固化训练数据中的文化偏见、抑制初期不受欢迎的创新；逆强化学习挑战：艺术意图多元（ conscious 与 emergent 意义冲突）、隐性知识难量化（直觉/情感）、依赖动态历史文化语境。

认知可供性指技术提供的认知工具、感知框架与行动邀请。生成式 AI 的可供性包括：即时实现（降低创作门槛但减少反思）、无限变异（鼓励探索但引发选择麻痹）、风格迁移（模糊原创与引用边界）、去技能化（民主化创作但削弱传统训练视角）。艺术作为「算法病毒」表现为模因传播、认知感染（改变人类审美）、反馈突变（人机共同进化）。

核心作用：自上而下的意图注入（提示词/参数设置区分「使用AI」与「让AI生成」）、自下而上的涌现（AI意外输出激发创意）；伦理维度：意图透明性（标注AI生成内容）、责任归属（提示词撰写者/开发者/平台？）、尊重原创意图（训练数据的艺术家同意边界）。

创作者：批判性使用AI（工具而非替代品）、明确创作意图、刻意意追求独特风格；开发者：纳入多样化审美标准、增强细粒度控制、提升内容透明度；研究者：跨学科协作（艺术史/认知科学/CS）、追踪长期影响、构建AI艺术伦理框架。

生成式崩溃与价值趋同是对艺术传统的挑战，但艺术始终在技术变革中进化（如摄影推动绘画创新）。AI艺术的未来在于人机协作，人类意图是不可替代的核心——选择值得创作、欣赏与记住的内容，是算法无法取代的最终权威。