Le CUDA-tele

Una rete neurale o, meglio, due, per generare figure astratte che ricordano pattern organici.

Questo esperimento, basato ancora una volta sulle Generative Adversarial Network (GAN), ricorda molto da vicino il modo in cui, nel 2018, fu creato per la priva volta artificialmente il ritratto di un uomo, il gentiluomo francese Edmond de Belamy. L'opera, conosciuta col nome di “Portrait of Edmond de Belamy”, fu venduta all'asta da Christie's per 432.500 $, inaugurando il dibattito, oggi ancora più acceso che mai, sulla presunta creatività dell'IA.

Il meccanismo adversarial

Il Generator crea immagini sempre più raffinate, il Discriminator impara a distinguerle da quelle reali. 

Il risultato di questa competizione tra le due reti neurali è un'immagine artificiale molto simile a quella reale ma completamente inventata.
A differenza del Belamy, che è stato addestrato su 15.000 ritratti classici realizzati tra il XIV e il XVIII secolo, questo nuovo esperimento utilizza il Describable Textures Dataset, puntando a generare pattern naturali e primordiali.

Arte non umana
Le opere che ho ottenuto non imitano stili rinascimentali, ma esplorano forme indefinibili: pattern che richiamano Tàpies o Richter, pur restando “non umani” nella loro coerenza strutturale. L'effetto di “quasi-riconoscimento” stimola lo spettatore a cercare familiarità con le texture note senza però trovarla.

Autenticità e CUDA-tela
Il ritratto di Edmond de Belamy è firmato dalla funzione di perdita utilizzata dal modello GAN, che, credo, non abbia potuto utilizzare i proventi derivati dall'asta di Christie's; la paternità d'opera delle immagini come quelle qui riportate, se consideriamo gli algoritmi e l'hardware i nuovi pennelli della creazione artistica, potrebbe essere attribuita (il condizionale è d'obbligo vista la complessità e la novità della materia) a tutti quelli che, come me, hanno messo a punto gli iper-parametri delle reti neurali e “sprecato” parte del loro tempo.

Oltre l'imitazione
Addestrata su texture anziché su opere umane, questa GAN crea un linguaggio visivo originale, libero dal peso della tradizione, che esplora configurazioni visive nuove.

Implicazioni culturali
Musei e collezionisti integrano sempre più l'arte generativa; il mercato degli NFT ha accelerato l'interesse riguardo alle generazioni artificiali, seppure con alti e bassi. L’NFT è un certificato digitale basato su tecnologia blockchain che attesta l'unicità e la proprietà di un'opera digitale. Possiamo pensare alla blockchain come a un libro mastro digitale, condiviso tra tante persone nel mondo, dove si scrivono in modo sicuro e permanente tutte le operazioni (come vendite, scambi, o firme digitali).

Verso una co-creazione
Ricercatori sviluppano sistemi multimodali e feedback in tempo reale per collaborazioni uomo-macchina.
Il futuro è la co-creazione: l'algoritmo esplora spazi vasti, l'artista dirige il tutto con giudizio estetico.

Un'estetica post‑umana
Sette anni dopo il Belamy, l'arte generativa non è più una sorpresa: ha un'estetica propria, fatta di equilibri tra ordine e casualità, elementi organici e artificiali.
Potremmo essere alla nascita di un'estetica post‑umana, una nuova frontiera da esplorare.
Il codice Python è stato progettato per generare arte astratta basata su texture provenienti principalmente da tre dataset e utilizza anche trasformazioni artistiche aggressive che alterano queste texture di base in modi significativi (maggiore saturazione, contrasto, rotazioni, prospettiva, ecc.).

1. DTD (Describable Textures Dataset): questo dataset contiene varie texture naturali categorizzate, come “marmo”, “intrecciato”, “screpolato”, “a bolle”, “a pois”, “a rete”, “venato”, ecc. Queste texture forniscono una base ricca per pattern astratti.
2. Oxford Flowers 102: questo contribuisce con texture organiche derivate da fiori, che includono pattern, petali, colori vivaci, e strutture organiche.
3. CIFAR100: questo aggiunge una varietà più ampia di texture provenienti da oggetti del mondo reale e scene naturali.

Alla fine dell'addestramento, la GAN è riuscita a generare, come previsto, immagini raffigurati una grande varietà di texture non presenti nei dataset di addestramento:

Texture organiche:

- Pattern fluidi simili a marmo o minerali con striature
- Formazioni cellulari che ricordano bolle o strutture biologiche
- Texture simili a corteccia, legno venato o materiali naturali
- Pattern floreali astratti
Texture geometriche:
- Griglie e motivi a reticolo con bordi sfumati
- Pattern intrecciati con variazioni di profondità
- Strutture cristalline con ripetizioni angolari
- Motivi a mosaico con transizioni graduali
Texture dinamiche:
- Vortici e spirali con variazioni di densità
- Onde e flussi che creano movimento visivo
- Esplosioni di colore con gradienti radiali
- Pattern nebulosi con aree di concentrazione variabile
Combinazioni emergenti:
- Ibridazioni tra forme organiche e geometriche
- Texture stratificate con effetti di profondità
- Contrasti tra aree altamente strutturate e zone più sfumate
- Giustapposizioni di micro e macro pattern

La diversità è ulteriormente ampliata dalle tecniche di interpolazione e variazione di temperatura applicate nello spazio latente, che producono una gamma più ampia di stili all'interno di questi pattern di base.

Paradigmi al confronto:

Aspetto	Belamy (2018)	GAN con Texture (2025)
Dataset	Ritratti classici	Texture naturali open-source
Risoluzione	~256×256 px	128×128 px, maggiore dettaglio
Training	2 settimane	~35 minuti ottimizzazioni Tensor Core
Estetica	Ritratto sfocato “old master”	Astrazioni organiche e geometriche dall'aspetto liquido
Accessibilità	Progetto proprietario	Codice open-source
Costo computazionale	Elevato allora	Ridotto grazie a TF32 e AMP