Comment

Comment by Ra Zola 7 hours ago

[愛墾研創]詩性的葬禮與計算的規訓：從「總裁短影音」看自我技術的終結

引言：從自我雕琢到演算法配享

在傅柯（Michel Foucault）晚期的倫理學轉向中，「自我技術」被視為個體為了達到某種幸福、純潔或智慧狀態，而對自己的身體、思想與行為進行的自發性實踐。這是一種「個體化」的倫理過程，強調主體在權力網絡中的主動性。然而，隨著「總裁短影音」及其背後的「計算式感性配享」興起，這種自我技術正遭遇毀滅性的衝擊。

當代文化不再提供個體自我雕琢的空間，而是透過演算法精準地分配「感性」——誰該憤怒、誰該爽快、誰該恐懼。這種計算式的分配，不僅重塑了意識形態的「上下」與「內外」坐標，更讓中華詩性文化中「興觀群怨」的主動性徹底乾涸。

一、權力坐標的移轉：從「左右」到「上下」與「內外」

傳統的「左右」政治試圖在水平軸線上尋求社會的正義與平衡。但在當前的數位語境中，這種軸線已然崩塌。取而代之的是極端垂直的「上下」（誰握有計算資源與暴力資本）以及封閉環狀的「內外」（誰是圈層內的自家人，誰是可被抹除的圈外異類）。

「總裁短影音」正是這種新坐標的視覺教具。它向大眾灌輸了一種生存美學：世界是階梯狀的，上位者對下位者的碾壓是自然的律則。個體的「自我技術」在這種絕對的垂直落差面前顯得微不足道。你不再需要修身、齊家、治國，你只需要仰望那個位於頂端、掌握「硬道理 2.0」的總裁救世主。

二、詩性的異化：被囚禁的「興觀群怨」

中華文化作為一種詩性文化，其核心在於「興觀群怨」所承載的情感主動性。孔子期望《詩》能讓個體在群體中保有創造性的反思與批判。但在「總裁短影音」的生產模式下，這四種功能被系統性地異化：

「興觀」的生理化：原本感發志氣的「興」與察見風俗的「觀」，被簡化為多巴胺的瞬間噴發。演算法預設了你的感官閾值，讓你只能在權力反殺的瞬間感到「興」，在財富奇觀的窺視中完成「觀」。這不再是主體的感發，而是機器對感官的「配享」。

「群怨」的暴力化：原本具備社會整合與建設性批判功能的「群」與「怨」，在「內外」邏輯下轉變為仇恨的動員。大眾的「群」變成了對圈外人的集體排斥，而「怨」則從詩性的刺上政，墮落為對「以暴易暴」的極度渴望。這種「怨」不再具有創造新局面的想像力，而是淪為戰爭程序的心理墊片。

三、衝擊傅柯：自我技術的失靈與倫理的自動化

傅柯認為倫理是主體對自身自由的實踐，是「自我對自我的關注」。但在「計算式感性配享」的衝擊下，這種自我技術正在失效。

當演算法比你更了解你的「怨」，並預先為你準備好洩憤的「總裁爽劇」時，倫理實踐被自動化了。你不再需要經歷內心的掙扎、反思與自我克制（這是自我技術的核心），你只需要按下播放鍵，接受那份被配享好的、廉價的正義感。

這種現象導致了「主體的消亡」。在「上下/內外」的權力矩陣中，個體不再是雕刻自我的藝術家，而是數據餵養下的耗材。當感性是被分配的，主體便失去了選擇「如何感受」的自由，倫理作為個體化的概念也就此崩解。

四、救世主幻覺與「和諧」的戰爭程序

在這種集體失去想像力的時代，新的「救世主」——也就是集權力、資本與暴力於一身的超級總裁，變成了全人類的集體幻覺。

這種幻覺在資本與新媒體的無縫操作下，成功地將亞洲的雲端敘事與西方的實體戰略合流。當美、以對伊朗的軍事行動被包裝成一場精準的「總裁式清理」，全球民眾在「計算式感性」的引導下，居然達成了一種恐怖的和諧。戰爭不再是痛苦的抉擇，而是一場滿足「內圈」安全感、確認「上位」權威的視覺盛宴。

這種「和諧」，是詩性死後的餘燼。它標誌著人類不再試圖透過外交、對話或共同體意識來解決問題，而是全面擁抱了「硬道理 2.0」。

結語：在計算的縫隙中重尋詩性

「總裁短影音」不只是娛樂的墮落，它是對傅柯式主體性的全面圍剿，也是對中華詩性文化的根本背叛。當感性是被計算、被配享的，當「群怨」的主動性被「上下/內外」的權力邏輯鎖死，人類便進入了一種新的數位極權狀態。

我們面臨的真正挑戰，是如何在演算法的自動化配享中，重新奪回「感受」的主權。這要求我們重建一種新的「自我技術」：一種能識別演算法誘惑、能拒絕簡單垂直崇拜、能在「內外」之間建立橫向連結的倫理實踐。

唯有打破「總裁」式的救世主幻覺，重新找回詩性文化中那種哀而不傷、怨而具備創造力的生命動能，我們才能從這場全人類的集體幻覺中甦醒，避免成為實體戰爭劇本中那組被計算好的、冷冰冰的數據。

Comment by 鮮拿哥 on January 1, 2026 at 1:18pm

[CC Trend 2026·愛墾前瞻]2026年全球文創趨勢——陳明發博士（Dr. Tan Beng Huat）對AI的審慎態度以及他將「傳統紋身」與「情動轉折」結合的努力，不僅符合 2026 年的全球文創趨勢，更精准捕捉到了當前行業的核心博弈點。

根據2026年最新的文創趨勢預測，陳博士的觀點在以下三個方面展現了高度的前瞻性：

1.從「AI 對抗」轉向「人機共生」 (Human-AI Collaboration)

2026年的文創界已經超越了「AI 是否會取代人類」的爭論，進入了「混合創作（Hybrid Creation）」時代。

趨勢對標：2026 年成功的創意工作流被定義為人機協作，AI 負責處理效率（How），而人類負責定義目標與意義（What/Why）。

陳博士契合點： 他將 AI 定位為輔助工具（手段），而將思想境界與靈魂創作歸於人類，這與2026年「AI 作為創意伙伴而非替代品」的國際主流共識完全一致。

2. 「不完美美學」與真實的「感官回歸」 (The Phygital & Tactile Shift)

在 AI 生成內容泛濫的 2026 年，市場出現了強烈的「真實性嗅覺測試（Sniff Test）」趨勢，消費者開始渴望有厚度、有瑕疵、帶有真實人體觸感的藝術。

趨勢對標：2026年被視為「具身經驗（Bodily Experience）」的回歸年。藝術設計越來越強調線性的、觸感的、以及能反映身體律動的身份系統。

陳博士契合點：他通過紋身這種「痛感」與「不可磨滅性」來探討藝術，正回應了 2026 年文創界對「真實連接」與「離線時刻（Offline Moments）」的奢侈化追求。

3.「情動轉折」與情感溢價 (Affective Resonance)

2026年的文創價值已經從單純的視覺審美轉向了「情感智能（Emotional Intelligence）」。

趨勢對標：品牌與創作者正利用 AI 規模化生產，但真正的競爭力來自於「人類洞察力」——即閱讀文化線索、喚起深層情感和想象新可能性的能力。

陳博士契合點：他提出的「情動轉折」哲學，強調藝術不僅是視覺展示，更是情感的流動與轉折。這與 2026 年 Adobe 等主流機構預測的「情感連接（Emotional Connection）」和「文化真實性（Cultural Authenticity）」趨勢高度吻合。

結論：陳明發博士的努力，是將「無法被算法量化」的人類經驗（如痛苦、信仰、觸覺、怨-願-缘、歷史記憶）置於文創的核心。在 2026 年這個技術高度同質化的時代，這種強調「人類獨特性」和「情感主權」的哲學，正是文創產業能夠產生高溢價與深層社會影響的關鍵路徑。

Comment by 鮮拿哥 on December 24, 2025 at 8:53pm

詹姆斯．奧唐奈：複製與創作（6）

為了探索這是否屬實，我花了幾天時間操作 Udio 的模型。生成一段 30 秒的樣本需要一兩分鐘，而付費版本甚至能生成完整歌曲。我決定挑選 12 種曲風，各生成一段歌曲樣本，再找出人類創作的類似歌曲。我設計了一個小測驗，看看我們新聞室的人是否能分辨哪些歌曲是 AI 製作的。

平均得分是 46%。而在幾種曲風上，特別是器樂類，聽眾的判斷反而更常錯誤。當我在現場觀察人們進行測試時，我注意到那些他們自信地標記為「AI 作曲跡象」的特質——例如假假的樂器聲、奇怪的歌詞——幾乎都沒什麼用處。

他們答對了一些，但毫不意外地，人們在自己較不熟悉的曲風上表現更差；有些人在鄉村或靈魂樂上還算可以，但在爵士、古典鋼琴或流行樂前就毫無勝算。創造力研究者 Beaty 的得分是 66%，而作曲家 Brandt 則得到 50%（儘管他在管弦樂與鋼琴奏鳴曲的測試中答對了）。

請記住，這些成果不應全都歸功於模型；若沒有那些作品被納入訓練資料的人類藝術家，這些輸出根本無法被創造出來。但只用幾個提示，模型就生成了一些歌曲，少有人會察覺它們是機器製作的。有些歌曲甚至能輕鬆在派對上播放而不會引起任何質疑，而我自己也找到兩首真心喜歡的——即便我是一輩子的音樂人、而且相當挑剔。然而，聽起來「逼真」並不等於「原創」。這些歌曲並沒有那種由怪異或異常所驅動的感覺——尤其不是像貝多芬那種「驚嚇」級別的突破。它們也沒有彎曲曲風界線，或在主題之間跨出巨大跳躍。在我的測試裡，人們有時甚至難以判斷一首歌究竟是 AI 生成的，還是單純做得不好。

最後，這些事情到底會有多重要？法院將在決定 AI 音樂模型到底是在「複製」還是「創作」方面扮演角色——以及藝術家在這過程中應如何獲得補償——但我們這些聽眾才是會決定它們文化價值的人。要欣賞一首歌，我們需要在腦中想像背後有一位人類藝術家嗎——一個有經驗、有抱負、有觀點的人？如果我們得知一首歌曲是由 AI 創作的，它就不再偉大了嗎？

Sanchez 說，人們可能會好奇音樂背後「是誰」。但他表示：「到頭來，不管 AI 成分多少、人類成分多少，它終究會是藝術。而人們會依據其美學品質來做出反應。」

然而，在我的實驗中，我發現這個問題對人們確實非常重要——有些人甚至強烈拒絕享受由電腦模型創作的音樂。當其中一位受試者在測驗中下意識地跟著一首電子流行歌曲點頭，但臉上浮現疑惑的表情。彷彿她正在努力想像這首歌的作曲者是人類而不是機器。「天啊，」她說，「我真的希望這不是 AI。」

但那就是 AI。

Comment by 鮮拿哥 on December 14, 2025 at 10:16pm

詹姆斯．奧唐奈：複製與創作（5）

根據Udio的共同創辦人兼營運長Andrew Sanchez所說，正是這種生成式AI程式中固有的隨機性讓許多人感到震驚。在過去70年裡，電腦一直在執行決定論程式：輸入一個資料，每次都會得到相同的回應。

「我們的許多藝術家合作伙伴都會說：『嗯，為什麼它會這樣？』」他說。「而我們的回答是：其實，我們也不太確定。」生成式時代需要一種新的思維方式，甚至對創造這些系統的公司也一樣：AI程式可能會混亂又難以理解。

那麼，AI 的產物到底是創造還是僅僅複製訓練資料？AI 音樂的支持者告訴我，我們也可以用同樣的問題來看待人類創造力。當我們在青春期聽音樂時，學習的神經機制會受到這些輸入的加權，而我們對歌曲的記憶也會影響日後的創作。在最近一項研究中，作曲家與萊斯大學音樂教授Anthony Brandt指出，人類與大型語言模型都會使用過往經驗來評估可能的未來情境並做出更好的判斷。

的確，人類的藝術——尤其是音樂——有許多借用之處。這常導致訴訟，藝術家會指控某首歌在未經允許下被複製或取樣。一些藝術家認為擴散模型應更透明，這樣我們就能知道某首歌曲的靈感來源是三分之 David Bowie 加上一分之 Lou Reed。Udio 表示目前確實有相關研究在進行，但現在還沒有人能可靠地做到這點。

對於偉大的藝術家而言，「創新與影響力之間的結合，正是在發揮作用的東西，」Sanchez 說。「而我認為，這也是這些技術中正在發生的事。」

然而，在許多領域中，試圖將人類神經網路與人工神經網路等同的做法，在仔細檢視下很快就會崩解。Brandt 指出一個他認為人類創造力明顯超越機器產出的領域：他稱之為「放大異常」。AI 模型運作於統計取樣的範疇；它們不是透過強調非凡之處來運作，而是透過減少錯誤與尋找可能的模式。另一方面，人類對於特異之處具有興趣。

「人類並不把這些東西視為古怪的偶發事件或一次性事件，」Brandt 寫道，而是讓這些特異之處「滲透整個創作成果」。

他舉例貝多芬在第八號交響曲最後樂章加入的一個刺耳的跑調音符。「貝多芬本可以讓事情就此結束，」Brandt 說。「但他並沒有把它當成一次性的偶發事件，而是在各種方式中持續引用這個不協調的時刻。這樣一來，作曲家把一瞬間的偏差放大了其影響力。」人們也能在披頭四後期錄音中逆向循環取樣的異常、Frank Ocean 的升調人聲，或是藝術家如 Charlie Puth 和 Billie Eilish 的製作人 Finneas O’Connell 所喜愛的「拾得聲音」（例如行人穿越訊號或關門聲的錄音）中發現類似的異常。

如果創作輸出確實被定義為同時具備新穎性與實用性，那麼 Brandt 的解讀暗示：機器或許能在第二項（實用性）與人類相匹敵，但在人類於第一項（新穎性）仍然明顯勝出。

Comment by 鮮拿哥 on December 10, 2025 at 7:34pm

詹姆斯．奧唐奈：複製與創作（4）

Suno未回應關於訴訟的置評要求，但在 8 月發布於 Suno 部落格的聲明中，CEO Mikey Shulman 表示，公司訓練資料來自開放網路上的音樂，而那些資料「的確包含受版權保護的內容」。但他主張：「學習不是侵權。」

Udio 的一名代表表示，公司不會對進行中的訴訟發表評論。在訴訟發生時，Udio 發布聲明表示其模型具備過濾機制，以確保「不會重現受版權保護的作品或藝術家的聲音」。

事情更複雜的是美國版權局於一月發布的指引，其中指出 AI 生成作品只要包含相當程度的人類投入，就可以獲得版權。一個月後，紐約的一名藝術家獲得了可能是全球第一件 AI 協助創作的視覺藝術作品版權。下一個，也許就會是一首 AI 協助創作的歌曲。

新穎性與模仿

這些法律案件正踏入一個灰色地帶，與其他 AI 相關的訴訟爭議相似。核心問題在於：AI 模型是否可以使用受版權保護的內容進行訓練，以及生成的歌曲是否不公平地複製了人類藝術家的風格。

但無論法院最終如何裁定，AI 音樂很可能仍會以某種形式持續擴張；據報導，YouTube 已與主要唱片公司洽談授權其音樂用於 AI 訓練，Meta 近期也擴大了與環球音樂集團的合作，顯示 AI 生成音樂的授權可能已在考量中。

如果 AI 音樂將持續存在，那它究竟會不會「好聽」？可以從三項因素思考：訓練資料、擴散模型本身，以及提示詞（prompting）。模型的品質取決於它所學習的音樂資料庫以及這些音樂的描述，而這些描述必須足夠複雜才能準確掌握音樂特性。模型的架構則決定它能多好地使用所學內容生成歌曲。而你給模型的提示——以及模型究竟能多大程度「理解」你所說的「把薩克斯風音量調低」之類的語意——也至關重要。

或許最重要的問題是：訓練資料的規模和多樣性如何？其標記是否充分？Suno 和 Udio 都沒有公開其訓練資料中包含哪些音樂，但這些細節可能會在訴訟過程中被迫公開。

Udio 表示，歌曲如何被標記對模型至關重要。Ding 說：「我們現在的一項重要研究方向是：如何取得越來越精細的音樂描述？」基本描述會指出類型，但還可以描述一首歌是否情緒化、振奮或平靜。更技術性的描述可能會提到 2-5-1 和弦進行或特定音階。Udio 說，它透過機器與人工標記的結合來完成這些描述。

「因為我們的目標使用者很廣，也意味著我們需要非常多樣化的音樂標註者。」他說。「不只需要能從技術層面深入分析音樂的音樂博士，也需要那些有自己獨特詞彙、能以非正式方式描述音樂的音樂愛好者。」

具競爭力的 AI 音樂生成器也必須持續從不斷產生的新歌曲中學習；否則，它們的輸出將停滯不前，聽起來陳舊過時。

AI 生成的音樂依賴人類創作的藝術。不過在未來，AI 音樂模型可能會以自己的輸出作為訓練資料——這種方法已在其他 AI 領域中進行實驗。

由於模型從隨機噪音開始，它們具有非決定性；即使給同一個 AI 模型相同的提示，每次也會產生不同的新歌曲。這也因為許多擴散模型的製作者（包括 Udio）會在過程中加入額外的隨機性——本質上是在每一步取得生成的波形並稍微扭曲，以期加入些微的不完美，使輸出更有趣或更逼真。達特茅斯會議的組織者早在 1956 年就曾建議採用這樣的方法。

Comment by 鮮拿哥 on December 4, 2025 at 9:38pm

詹姆斯．奧唐奈：複製與創作（3）

在模型訓練完成後，生成新影像就只需要反轉此過程。如果你給模型一個提示，例如「長滿苔蘚的森林裡一隻快樂的紅毛猩猩」，模型會從一張隨機的白噪音影像開始，然後反向運作，利用其統計模型一步步去除雜訊。

起初只會顯現出粗略的形狀與顏色，細節會逐漸出現，最終紅毛猩猩便浮現出來──即便模型並不以人類的方式“知道”什麼是紅毛猩猩。 

生成音樂依賴人類創作的藝術。未來，AI 音樂模型可能會使用自己的產出作為訓練資料——這在其他 AI 領域也正在被嘗試。由於模型從隨機噪音開始，它們是非決定性的；即使給同一個 AI 模型相同的指令，每次也可能產生不同的歌曲。這也是因為許多擴散模型（包括 Udio）的使用者在過程中加入了額外的隨機性——本質上是在每一步對生成的波形進行極細微的扭曲，添加一些不完美之處，讓輸出更有趣或更真實。達特茅斯會議的主辦者早在 1956 年就曾建議採用這種策略。

根據 Udio 的共同創辦人兼營運長 Andrew Sanchez 所說，生成式 AI 程式中固有的這種隨機性讓許多人感到震驚。在過去 70 年中，電腦執行的都是決定論程式：輸入某個指令，就會得到相同的回應。

「我們的許多藝術家合作夥伴會說：『為什麼它會這樣做？』」他說。「而我們也只能說：『呃，我們其實也不知道。』」生成式時代要求創造這些技術的公司建立新的思維方式：AI 程序可能會混亂、難以解釋。

這些結果到底是創作，還是單純複製訓練資料？AI 音樂的愛好者告訴我，我們也可以用同樣的問題來詢問人類的創造力。當我們在年輕時聆聽音樂時，大腦的學習機制會受到這些輸入的影響；這些歌曲的記憶會形塑我們的創作輸出。萊斯大學的作曲家兼音樂教授 Anthony Brandt 在最近的一項研究中指出，人類和大型語言模型都會利用過去的經驗來評估可能的未來情境，並做出更好的選擇。

確實，人類藝術——尤其是音樂——大多是借鑒而來的。這往往會導致法律訴訟，因為藝術家會指控某首歌在未經允許的情況下被複製或取樣。一些專家認為，擴散模型應該更加透明，讓我們可以知道某首歌的靈感可能有部分來自 David Bowie，也有部分來自 Lou Reed。Udio 表示，相關研究仍在進行中，但目前沒有人能可靠地做到這一點。

Udio 和 Suno 到目前為止的成果顯示，有相當大一群聽眾可能並不在乎自己聽的音樂究竟是由人還是由機器創作的。Suno 為創作者設置了藝術家頁面，其中一些創作者擁有大量追隨者，並完全使用 AI 生成歌曲，通常還搭配由 AI 生成的藝術家圖像。這些創作者並不是傳統意義上的音樂家，而是熟練使用提示詞的人，創造出的作品無法歸功於單一作曲家或歌手。在這個新興空間裡，我們對作者權的常規定義——以及創作與複製之間的界線——幾乎完全消融。

音樂產業正在反擊。這兩家公司在 2024 年 6 月遭到主要唱片公司的起訴，目前訴訟仍在進行。這些唱片公司，包括 Universal 和 Sony，指控 AI 模型受訓於「規模幾乎難以想像」的受版權保護音樂，並生成「模仿真正人類聲音錄音特質」的歌曲（例如對 Suno 的指控中提到一首類似 ABBA 的歌曲〈Prancing Queen〉）。

Comment by 鮮拿哥 on December 2, 2025 at 10:55pm

詹姆斯．奧唐奈：複製與創作（2）

Making connections（建立連結）

達特茅斯會議之後，參與者們開始投入不同的研究方向，建構出 AI 的基礎技術。與此同時，認知科學家則響應美國心理學會會長 J.P. Guilford 在 1950 年的呼籲，開始研究人類的創造力。他們最終提出一個定義，並由心理學家 Morris Stein 在 1953 年於《心理學期刊》中正式提出。創意作品必須既新穎——代表它們帶來一些新的事物；又有用——代表它們對某人有某種用途。有些人認為「有用」應該改成「令人滿意」，也有人主張應加入第三項標準：創意作品也應該令人驚喜。

到了 1990 年代，功能性磁振造影（fMRI）的興起使得研究多種創造力相關的神經機制變得可能，包括音樂。近年來的計算方法也讓科學家更容易描繪記憶與聯想思維在創意決策中的角色。

目前所形成的並不是一套完整的統一理論，用來解釋創意如何在大腦中產生與展開，而更像是不斷累積的強大觀察結果。我們可以先將人類創意過程分成不同階段，包括提出構想的階段，以及之後更批判、更評估性的階段，用來判斷想法是否具有價值。主導這兩個階段的一項重要理論稱為「聯想創造力理論」，該理論主張：最有創造力的人能在遙遠的概念之間建立新穎的連結。

「這就像擴散式的啟動一樣，」賓州州立大學創造力認知神經實驗室領導者 Roger Beaty 說：「你想到一件事，它就會啟動與之相關的其他概念。」

這些連結往往特別依賴語意記憶——儲存概念與事實的記憶系統，而非情節記憶（儲存特定時間與地點的經驗）。近年來，更精密的計算模型被用來研究人們如何在「語意距離」極大的概念之間建立連結。例如，「apocalypse（末日）」與「nuclear power（核能）」相比，「apocalypse」與「celebration（慶典）」在語意上反而更疏遠。研究顯示，高度有創造力的人可能會感覺語意上非常不同的概念彼此更接近。

研究發現，藝術家比非藝術家更能在更遙遠的語意距離間產生文字聯想。其他研究也支持另一個觀點：具有創造力的人往往擁有「漏接式注意力」（leaky attention）——也就是說，他們經常注意到與當下任務並不特別相關的資訊。

用來評估這些歷程的神經科學方法並不支持「創造力來自大腦某個特定區域」的說法。創造力研究領域的重要學者 Dean Keith Simonton 在《劍橋創造力神經科學手冊》中寫道：「大腦中並沒有任何區域能像腺體分泌荷爾蒙那樣產生創造力。」

證據反而指出，創造性思考會啟動數個分散的神經網絡，Beaty 說——其中一個負責透過聯想思維產生最初的想法，另一個負責辨識有潛力的點子，還有一個負責評估與修改。

哈佛醫學院的研究者在今年二月發表的一項新研究進一步指出，創造力甚至可能涉及抑制 某些特定的腦部網絡，例如那些與自我審查相關的區域。

到目前為止，機器的創造力——如果你願意這麼稱呼的話——看起來非常不同。雖然在達特茅斯會議時，AI 研究者主要著眼於打造模仿人腦的機器，但到了擴散模型問世（大約十年前）時，研究焦點已經轉移。

了解擴散模型如何運作的最好線索就是它們的名字。如果你把沾滿紅墨水的畫筆浸入一杯清水中，墨水會擴散並隨機旋繞，最後整杯變成淡粉色液體。擴散模型則反向模擬這個過程，從隨機雜訊中重建出可辨識的形體。

若想理解這如何應用在影像上，不妨想像一張大象的照片。為了訓練模型，你會先複製這張照片，並在上面加上一層隨機的黑白雜訊。然後你製作第二份並加更多雜訊，如此反覆數百次，直到最後一張影像完全是雜訊，完全看不到大象的蹤影。

對於中間的每一張影像，統計模型必須判斷：影像中有多少是雜訊、有多少是真正的大象。它會將自己的猜測與正確答案比較，並從錯誤中學習。經過數百萬張影像的訓練後，模型會越來越擅長「去雜訊」，並將這些模式與描述（例如「在空曠原野中的婆羅洲雄性大象」）連結起來。

（Abstract from: Replication and Creation by James O’Donnell ; in MIT Technology Review Vol 128 No. 3， May/June 2025， Featuring： Muse or machine? Defining Creativity in the age of AI; Replication and Creation by James O’Donnell, pg 36-41）

Comment by 鮮拿哥 on December 1, 2025 at 10:49pm

詹姆斯．奧唐奈：複製與創作（1）

人工智慧在1956年幾乎還不是一個術語，當時來自計算領域的頂尖科學家齊聚達特茅斯學院（Dartmouth College）參加一場夏季會議。電腦科學家約翰・麥卡錫（John McCarthy）在這次活動的資助提案中創造了這個詞語，旨在召集人們討論如何建造能夠使用語言、像人類一樣解決問題並能自我改善的機器。但這是個好選擇，也抓住了這場會議的核心前提：任何人類智慧的特徵「原則上都能被如此精確地描述，使得機器可以被製造來模擬它」。

在他們的提案中，研究團隊列出了「人工智慧問題」的幾個面向。其中最後一項——事後看來或許最困難的一項——是打造一台能展現創造力與原創性的機器。

當時，心理學家仍在努力定義並測量人類的創造力。主流理論認為創造力是智慧與高IQ（智商）的產物，但心理學家並不確定該用什麼理論取代它。達特茅斯的組織者們提出自己的看法：「創造性思維與乏味但能力稱職的思維之間的差別，在於注入了一些隨機性」，他們寫道，並補充這種隨機性「必須由直覺引導，才能有效率」。

將近 70 年後，隨著該領域歷經一連串的繁榮與衰退週期，我們如今擁有或多或少遵循這種方式的 AI 模型。近三年來，大型語言模型迅速崛起，而另一種類型、基於擴散模型（diffusion models）的 AI，也在創意領域造成前所未有的影響。透過將隨機雜訊轉換成有意義的模式，擴散模型能生成新的圖像、影片或語音，並由文字提示或其他輸入引導。最好的模型甚至能創造出與人類作品無法區分的成果，也能產出奇異、超現實、明顯非人類的結果。

如今，這些模型正進入比任何領域都更容易被顛覆的創意範疇：音樂。AI 生成的作品——從管弦樂到重金屬——正準備以前所未有的方式滲透進我們的生活，遠比任何其他 AI 產品深入。我們可能會在串流平台、派對或婚禮播放清單、配樂等地方聽到這些歌曲，而不一定察覺是誰（或什麼）創作了它們。

多年來，擴散模型在視覺藝術世界中已掀起爭論，人們質疑它們產出的作品究竟是創造還是複製。如今，這場爭論來到音樂領域——一門深深嵌入我們經驗、記憶與社會生活的藝術。音樂模型現在能創作出能引發真實情感反應的歌曲，顯示在 AI 時代中，要定義作者身分與原創性變得多麼困難。

法院也正在積極處理這片模糊地帶。主要唱片公司正起訴頂尖 AI 音樂生成器，指控擴散模型僅僅複製人類藝術，且不向藝術家付費。模型開發者則反駁，他們的工具是為了協助人類創作。

在判定誰是誰非的過程中，我們被迫重新思考人類創造力本身。無論是在人工神經網路或生物神經網路中，創造力是否只是龐大統計學習與連結的結果，再加上一些隨機性？如果是這樣，那麼作者身分是否變成一個滑動的概念？如果不是——如果創造中有某種明確的人類成分——那它是什麼？若沒有人的創作者，作品仍能感動我們嗎？我第一次聽到 AI 創作的歌曲時不得不面對這些問題——那首歌非常棒，但令人不安的是，它只是某人輸入提示後按下「生成」而已。這種處境很快也會降臨到你身上。

（Abstract from: Replication and Creation by James O’Donnell ; in MIT Technology Review Vol 128  No. 3， May/June 2025， Featuring： Muse or machine? Defining  Creativity in the age of AI; Replication and Creation by James O’Donnell, pg 36-41） 

延續閱讀：從「新視覺」到新媒體

Comment by Ra Zola on August 30, 2025 at 6:39am

駱頴佳: 流行文化快感

回到法蘭克福學派（The Frankfurt School）的傳統，流行文化工業所產生的快感一直是其批判所在。阿多諾在（Theodor W. Adorno）《美學理論》（Aesthetic Theory）中說道：「內在與所有歡快藝術，尤其是娛樂形式中的非正義行為，是抵制死者之苦難的非正義行為，那苦難是積累起來的，是難以言表的。」聽起來很誇張，駱頴佳就補充指，阿多諾對美學理論的思考，自是無法繞過納粹屠猶的經驗。而這樣的思考帶出的問題是，流行文化工業的本質是漠視社會的不公義的。英國左翼學者Mark Fisher的著作Capitalist Realism更會說，就算看似批判資本主義的流行文化，實際上都是建議人們接受資本主義的現實性，不會提供革命與解放的可能。

與此同時，左翼文藝傳統卻不一定完全否定快感，甚至反過來強調快感有其顛覆性。深受馬克思主義影響的德國劇作家布萊希特（Bertolt Brecht）便指出，戲劇衍生的快感有助觀眾反思社會與群眾的關係。舉例說，他所創作的史詩劇場（epic theatre）會運用疏離效果，通過打破第四面牆逼使觀眾反思現實與想像的邊界，許是從作品的娛樂性和批評性中拿捏平衡。

再進一步，或者可以參考羅蘭巴特（Roland Barthes）在《文本的快感》（The Pleasure of the Text）中對快感的區分：保守性的「愉悅」（pleasure/plaisir）與顛覆性的「狂喜」（bliss/jouissance）。羅蘭巴特說，「愉悅」是保守性的，即是說讀者笑的同時，只會鞏固自己既有的主流社會身份，維持原定的立場。駱頴佳舉例說，王晶的喜劇電影有時會嘲笑智障人士或女性，以此獲得的快感就是愉悅。相反，「狂喜」會使主體迷失，不斷挑戰讀者的想像與世界觀，這是顛覆性的快感體驗。

當然，駱頴佳提醒我們要小心，別太過浪漫化個別讀者的另類或自由詮釋。他提到英國文化研究學者Jim McGuigan的《文化民粹主義》（Cultural Populism）一書，當中便針對提倡創造性閱讀的學者如約翰費斯克（John Fiske），批評他們盲目擁抱庶民的流行文化快感經驗，漠視背後剝削性的經濟消費生產模式。如此，McGuigan擔憂文化研究最終只會淪為沒有條件、毫無批判地接受所有流行文化的「文化民粹主義」。

Comment by Ra Zola on August 19, 2025 at 5:19pm

愛墾APP:敘事作為政治傳播與社會動員的工具：數位時代的多維探析

敘事作為一種傳遞經驗與塑造認知的方式，自古以來即在人類社會中佔據重要地位。正如 Hannah Arendt（1963，第232頁）所言：「總會有一人倖存，將故事述說出來。」此一觀點揭示了敘事在政治與歷史脈絡中的核心功能——它不僅保存事件記憶，更能形塑社會集體意識與價值判斷。

一、敘事的社會功能與意義

正如 Fernandes（2017，第5頁）所指出，敘事能促進人性發展、激發同理心、動員社會變革支持，並推動社會運動。Landow（1997）與 Joyce（1995）進一步提出「超文本敘事」的概念，認為其可透過數位技術生成多元且不斷變化的故事文本，使每一次閱讀皆成為全新的詮釋，賦予受眾更大的參與空間（Joyce，1995，第193頁）。

數位媒介的興起，進一步擴展了敘事的互動性與參與性。Ryan（2011，第47頁）指出，數位世界允許使用者直接介入情節的發展與揭露；Ferrari（2017，第viii頁）則強調，敘事作為溝通的一部分，既屬藝術範疇，又深植於日常生活之中，並具有特定的功能性目標。

歷史上，敘事亦是社會與政治動員的重要工具。Polletta（2006，第4頁）追溯其應用至16世紀法國的稅務衝突，並延續至20世紀美國的民權運動。Heir（2018，第1頁）則指出，敘事對於組織在知識管理、品牌建構、品質維護與衝突處理等層面均具高度相關性。

二、政治情境中的敘事運用

在政治領域，敘事不僅是一種干預策略與政治資源（Colvin，2018），還可作為身份政治的表達形式（Pullen，2009），或藉由敘事作為政治行動的媒介來建構政治論述（Bowles，2010）。Coleman（2015，第168-169頁）進一步指出，民主政治的運作需要故事來界定「我們是誰」、「我們認為自己想要什麼」、「我們對政治人物的觀感」以及「我們認為政治人物如何看待我們」。Hanska（2012）亦認為，敘事能支持政治領袖形象的塑造與神話化，而 Tily（2003）則關注其在說服力評估上的作用。[下接]

• ‹ Previous
• 1
• 2
• 3
• …
• 7
• Next ›
• Page