AfI/IAf #4: “AIs can be artists too” / “Les IAs peuvent aussi être artistes”

These past few years, we’ve had plenty of articles on AIs that had created amazing paintings, incredible texts or uncannily realistic music. While the results were sometimes not as truly unbelievable as the article’s buzz-title suggested, we have to admit that there’s an ever-growing trend of “creative AIs”, or AI artists. But this begs the question: can AI really be creative? Isn’t this ability to invent, to create, inherently human?

This article is also available on Medium.

To learn more about this project, read the introductory article.

In this article, I’ll first discuss what creating can mean (and suffice it to say I won’t establish a firm and truly accurate definition, given how complex the topic is…), how this can relate to the results AIs have produced over the years and to which extent this poses fundamental questions on what it means to be human.

What does “creating” mean?

Taking a look at the online Collins dictionary, we see that “create” can have two meanings: either to cause [something] to happen or exist, or to invent or design [a new product or process]. For the word “creation”, the dictionary does have a special focus on “skill, imagination or artistic ability”.

All in all, I believe it is impossible to give one true definition for creation, or art – we all have a feel for what we like and what we consider art or not. But most of us agree that it’s indeed about inventing something brand new, about bringing a new idea to the community usually by performing in some specific skill. There is something unique in this act of creation because it’s about willingly taking time to bring something new to the Earth.

Surely, in this sense, AIs can’t be considered as artists: they don’t knowingly create new products or processes, they just follow the rules they learnt… right?

What of all the randomness, and the little quacks and quirks? The black-box moments where we can’t explain how the algorithm came to that conclusion? The unexpected patterns and connections an unsupervised learning AI finds in your dataset? Is it proof of the inventiveness of the program, or of its maker?

Who is truly the artist when AIs create?

In 2018, the art world was faced with an unprecedented event: the well-known auction house Christie’s featured a painting that had been created by an AI: “Edmond de Belamy”.

Portrait of Edmond Belamy, 2018, created by GAN (Generative Adversarial Network). Sold for $432,500 on 25 October 2018 at Christie’s in New York. Image © Obvious

This art piece was realized by the collective Obvious and is part of a series of 11 portraits of the fictitious Belamy family. The 3 French guys behind Obvious used GANs (Generative Adversarial Networks) to analyze and somewhat “mix together” the training dataset composed of 15,000 paintings from WikiArt (painted between the 14th and 19th century). Initially valued at $7,000 to $10,000, the AI-generated painting was eventually selled for $432,500.

This memorable moment was one of the first times an AI had created something that was actually “valued” according to the art world standards. However, criticisms were soon voiced, in particular regarding the actual authors of the painting. Was it possible to attribute credit to the AI itself? Or should we thank the Obvious? Given that the GAN algorithm was adapted from prior research and implementations, people started to question how much the collective had actually contributed…

This question of responsibility and credits has always been difficult in the art world. There are plenty of examples of artworks that were wrongly attributed to the master when the student had actually made it, or to the husband rather than the wife (as was the case for the Flora sculpture that was first thought to be a work of Leonardo Da Vinci [article in French], or for the Dutch painter Judith Leyster).

Let’s focus back specifically on responsibility for artworks created by algorithms – this question is not that recent either! As explained in this short document by W. Wiggins (2017), in 1973, Harold Cohen had already programmed AARON, an autonomous and evolving piece of software capable of making works of art. Cohen was a painter who took an interest in coding and managed to get a grasp on the (frankly quite unfriendly) FORTRAN programming language. This project allowed him to codify his way of creating art and “externalizing, stabilizing [his] speculations about image-making behavior”. While he even stated that this transition from pure artist to coder-and-painter was a necessary step in his life, this idea of mixing art and computer science was by no means obvious at the time.

The question, though, remains: are the pieces produces by AARON the work of the algorithm, or the work of Cohen? Cohen himself eventually played along and had the artworks credited to both him and AARON (The Telegraph, 22 May 2016). But AARON was merely following a set of rules with no imagination whatsoever – it is reciting something that Cohen taught it beforehand. So was it really an artist like its creator or a tool?


I think that at its core, creation is tightly linked to imagination. In the video game Detroit: Become Human (by Quantic Dream, 2018), we follow the adventures of 3 androids in a futuristic society that, for various reasons, derive from their scheduled tasks and show unexpected behaviors. I won’t spoil any big part of the story, don’t worry – however, at one point, the android Markus who is at the service of a rich artist, is asked by said artist to try and paint something. At first, the robot simply copies what’s in front of it like a printer would spit out a photo; but the painter then asks it to close its eyes and create something drawn from its imagination.

In Detroit: Become Human (Quantic Dream, 2018), the android Markus can paint various images depending on the player’s choice – Image from:

We don’t currently have AIs capable of inventing and imagining stuff like in this video game, but it does emphasize the importance of this skill in the creative process.

An AI is not able to reflect upon itself, go back in its memories and look at past experiences to consciously start this process on its own. Think of the famous GPT-3 algorithm that was created by OpenAI and officially presented in this 2020 ArXiv article: numerous articles in the press have praised its amazing results and its ability to generate super credible texts. And I absolutely agree that those results are excellent! Yet, you have to give it the “incentive” to start: you have to tell it what topic to write on, what style to use, etc. Basically, you have to tell the “artist” what to create… because it can’t make it up on its own! Is it still its “creation” then?

In my opinion, that’s were we could draw a (debatable) line between “creators” and “makers”: whereas the first ones come up with the idea and are integral part of it, the latters contribute to its coming alive. Both are absolutely essential, and creators can be makers too, of course – they often are the ones who realize the thing they invented. But it’s not always the case, and when working on a big project, you might be a creator for one chunk and a maker for another. In the case of GPT-3, however, the algorithm is a fabulous maker but I think it is not a creator because it cannot be the spark that lights the creative state. This initial push is still, at the moment, a human skill.

There is something magical to reaching this creative state where you play around with not fully-formed ideas. Of course, this ability we have of letting fuzzy thoughts collide together in our heads is impossible to re-implement in our algorithms since we don’t clearly know how it works in our brains (despite the numerous studies and books on this topic). More generally speaking, creation seems to be related to feelings and emotions – artists tend to convey personal beliefs that are important to them and touch them some way or another, they try to share with us the passion that this thought brings them.

And at the time, the AIs we make aren’t beings that can feel. In this interview of Sherry Turkle, the MIT professor talks about people’s relationship to robots and the importance of empathy for us humans. She shares her own experience and shows how paramount it is to remember to “[not] treat people like objects. Even worse, [to not] treat objects like people.” Although I don’t like with the whole character and Turkle’s personality is a complex one to fully understand, I do agree with her on that point: machines cannot tap into their emotions to feed a creative process – they don’t have imagination.

Could synthetic data generation be a form of art?

If we focus back on the definition of the word “create” and consider it as “causing something to exist”, then perhaps this initial step of imagination can be taken out of the process and outsourced to someone else – say, a human. In which case, maybe AIs can still be creative.

What is synthetic data generation?

A growing field of AI is the subdomain of synthetic data generation. Roughly put, the idea is to create artificial training examples for the machine to learn from that “look alike” the actual original ones. Those new examples can either be used instead of or in addition to the original training dataset.

Note: here, to “look alike” means to have the same overall statistical behavior. You want your new dataset to still have the same average value, standard deviation and other specific patterns as your original data – basically, you want to replicate your initial distribution.

There are plenty of reasons synthetic data generation can be useful.

As I’ve mentioned in previous articles of this series, data is everything in artificial intelligence. But because it is so important, and because it can be hard (or long) to acquire, it is also very costly. Data is now a market, and a very lucrative one. For example, the GAFAM is known to be richer than in reality given the amount of data they have on all of us. So even though Amazon’s turkers don’t gain much from their tedious activity, you can be sure that at other points of this long chain data is more precious than gold. Synthetic data generation can reduce the amount of data you need to collect “by hand” (at a high price) and augment it with additional examples that should not modify the behavior of the AI – if your data generation is done correctly!

Another important use of synthetic data generation is for security: if your data generation algorithm is good enough, you might not even need to work on actual sensitive data but instead use fake similar data and train the AI on this “harmless” dataset. Think of all the sectors that are now injecting machine learning everywhere in their products: banks, transportation, energy, entertainment… the list goes on and on! And all of these industries have professional secrecy, NDAs or equivalent confidentiality systems. With the rise of AI companies providing a PaaS (Platform-as-a-Service) solution, this question is becoming more and more essential. Any client in any of these sectors needs to be cautious whenever they fill in their data in the product and ask for computation – whoever is providing the service has direct access to their datasets and could potentially be ill-intended. What if those providers had access not to your actual data but to the synthetic one? In theory, it should behave the same, so the ML solution should get the same results and be just as efficient. However, you would not run the risk of having the provider have a complete version of your true production data.

Also, this data is artificial and does not correspond to any real events: therefore, it can model fake situations that did not (or cannot) occur in real-life, if you need to include those into your learning process. And since you don’t need to wait for events to happen, you can generate as much as data as you want whenever you want and use it for testing!

Note: make sure to check out this article if you want more examples of the data generation applications 😉

Still, remember that synthetic data generation for production/industry use is not trivial: if you want your generated data to really mimic the original one, you need to make sure you understood and fully encompassed the initial dataset.

On the other hand, what if you wanted to explore new possibilities? What if could create unexpected, unrealistic, perhaps unthought of situations thanks to the power of randomness?

Data generation as a form of creation

As B. Cengiz points out in this article (in French), today’s AI is not the same as the program Cohen wrote back in the 70s – as we moved into the “data-driven algorithms” era, we started to create more “autonomous” AIs. Rather than following rules, those new algorithms analyze datasets to extract relevant features and reuse or reproduce them the best they can.

Generating new data with those AIs therefore resembles the copy of great master’s art pieces, but some research teams aim specifically at originally. For example, the CAN (Creative Adversarial Network) is a new type of neural network that tries to avoid any similarity with existing artwork. It was published by the Rutgers University in 2017 (see the ArXiv article by Elgammal and al.) and is offered as “a new system for generating art”. It is an extension of the better known GAN that puts two networks in competition so as to teach one to dupe the other.

Example of images generated by CAN extracted from Elgammal and al.’s article

Note: for more info on GANs and generating art using those, check out the previous series I did in collaboration with Cali Rezo a few years back on AI & Art! 🙂

Nonetheless, most professionals in the domain seem to agree on the fact that AIs are not the creators (like Valentin Schmite in this article, in French): they can simply be new tools, like a camera or a pencil, or perhaps new muses – like a first draft that would then inspire the artist to create the final piece. They might allow artists to go further and discover uncharted territories, to rethink their work process or to invent brand new things… still, they are not themselves artists.

Note: if you want a full set of examples where AI and art are mixed together, I really recommend you take a look at the Beaux Arts magazine article 😉

So AIs are just new tools in the palette of artists – yet they can produce very interesting results and are slowly growing on the public. Artificial intelligence and other red-hot topic in tech are making their way into the art world and even the art market, and these new technologies impact the field more and more.

The impact of new tech on the art market

Just like any other field, the world of art is full of disparities: artists obviously have different points of view on the world, but they often also have very different creation methods, sources of inspiration… and different public recognition (be it as global acknowledgment or as plain old income) – the price of artwork can vary a lot and it can be hard to see a logic (or even fairness). On the one hand, people like Jeff Koons have world-renowned productions that, in my opinion, are of limited interested, because he lacks sincerity: he cares more about about going viral than actually sharing something personal – and he ripped off several artists! On the other hand, plenty of creators struggle to make a living and have to take on day jobs to make ends meet (even Bach had to give classes to earn money). And, of course, there is a big palette of in-betweens…

I won’t dare pretend I’m an expert on the subject, but it does make me wonder: what makes an artist more or less famous? Is it about being at the right place at the right time? Or is it about pleasing the crowd? Or is it about trying something new and unseen before? Or simply following some basic rules to make the buzz?

And to which extent does this make sense for creative AIs?

Keeping it safe? Going beyond? Going viral?

Nowadays, cinema is a very respected art. However, the first movie ever shown to a public, Arrival of a train at La Ciotat (Les Frères Lumières, 1895), terrorized – or at least astonished – the audience because people felt like the train was going to hit them (more in this article by N. Patrick, Aug. 2016). At this time, we were barely getting used to photographs so having a moving train coming for you was a real shock!

Our standards have of course evolved a lot since then; today, in movies, we want explosions and unrealistic situations, we want amazing scenery, outstanding action… Nonetheless, those artistic gambles are often the necessary step for the birth of a new genre or art form. Be it Leonardo Da Vinci’s sadly unachieved flying ornithopter, Beethoven jazz-like music (notably at the end of the 2nd movement of its Sonata 32, here interpreted by A. Brendel), Arthur Rimbaud‘s audacious new forms of poetry or Hilma af Klint‘s pioneer work in abstract painting, history is full of geniuses that dared go beyond, sometimes at the risk of lacking the required technology to finish their work, of being ignored or even despised by their contemporaries.

All this begs the question: could and should creative AIs “play safe” and follow well-known rules, or could we use randomness, uncontrollable algorithms and usually disadvantageous black box phenomena to invent brand new genres? Is it possible this “AI volatility” that is so annoying in an industry use case and makes way for bias, faillible decisions and incorrect representations of the world could this time be a plus? All painters paint their own vision of the world; all musicians compose songs that convey emotions that they want to share; all filmmakers wish to create movies that show a specific point of view on a given topic – creation is about transcribing the (or a) world as you see it at a given moment in time. With this in mind, the limitations of AIs and their incomplete knowledge of the world I talked about previously may perhaps become an asset.

The rise of non-fungible tokens

In 2020, the interest for crypto-currency grew drastically. You’ve probably heard of the Bitcoin and perhaps one of its competitor, the Ether. As can be easily found on finance-related websites, the exchange rate for Bitcoins (BTC) has risen suddenly last year, going from an honorable ~$9,000/BTC in March 2020 to an astounding ~$56,000/BTC this year!

Obviously, the Coronavirus pandemic has had an enormous impact on our global economy and strong currencies like the dollar have been hit hard; but it has also impacted cryptocurrencies. The Bitcoin is different from usual currencies because it has been written in stone beforehand how much of this money could exist… thus changing the value of a BTC is the only way to change the relationship of this currency to the others. This combines with the “Halving” phenomenon that is inherent to the Bitcoin’s system: since “miners” need to solve harder and harder problems to get Bitcoins, you regularly reach points where you’ve basically cut in half the reward for mining bitcoins. These events have occurred 3 times so far (in 2012, 2016 and 2020) and each time they were followed by a boost of the cryptocurrency and higher prices.

Coinmetrics logarithmic chart of Bitcoin price action following halvings. (Coin Metrics Network Data Pro)

Needless to say that this creates a new parallely economy… and encourages the development of new systems that also take advantage of the blockchain to offer brand new services.

Note: it’s important to remember that the blockchain is just a technique that can be applied in various ways. Basically, you have a blockchain whenever you have a network of transactions that are all chained together in a long sequence so as to guarantee the integrity of each exchange, and where everyone in the network has a copy of the entire chain so far. Applying it to exchanging money is nowadays the most famous use for the public, but the blocks in the chain may contain whatever type of data you want.

Non-fungible tokens are a specific type of blockchain assets. Contrary to cryptocurrency that is really used like common money for trading and can therefore be sent or received by anyone in the chain at any point, non-fungible tokens, or NFTs, are more like those personal wax seals people used to have to secure their mail: they contain additional metadata and unique identification codes, so one NFT is always different from another. That’s why they’re called “non-fungible”: whereas a Bitcoin can be transformed into another Bitcoin with exact same value at any point in time, a NFT is “not fungible” into another.

And so, because they cannot be reproduced and cannot be traded like cryptocurrency, NFTs have made their way into several sectors, most notably real-estate and art.

For example, the AI Sophia, who had already been applauded for its facial expressions and conversational skills, has recently shown its “artistic talent” by making a self-portrait that sold for nearly $700,000 in an NFT-based exchange (see this article by O. Holland). This artwork is not the sole product of the android, though; a (human) artist, Andrea Bonaceto, first painted a brightly colored portrait of Sophia that the robot later “re-interpreted”. Other paintings were sold at the same moment (bringing the total to about a million dollars!) and Sophia is even to be featured in an exhibit later this year to pursue this project.

Artists have long produced certificates of authenticity (ArtTrust, in French) for their works that are like the identity cards of the creation, signed by the artist. This is a way for the person who purchased the artwork to insure that it is indeed pristine and a creation of the artist. It stipulates the origin, type and particularities of the creation and is therefore a crucial document to have should the artwork ever be reselled to someone else.

NFTs are being used more and more as virtual certificates of authenticity in the world of art. Earlier this year (Feb-Mar 2021), Christie’s got famous for yet another (article by T. Locke) where Mike Winkelmann (aka Beeple)’s ‘Everydays: The First 5000 Days’ sold for over $69.3 million! The artwork was initially bidded at $100, though… But the real unique thing about this auction is that, for the first time, Christie’s allowed the artwork to be paid in Ether – and this is because it was a NFT-based transaction that offered all necessary guarantees for this to be possible.

According to Mark Cuban, a well-known auctioneer of digital goods and owner of NFT-based assets (on his blog, in Jan. 2021):

This generation knows that a smart contract and the digital good it reflects or a CryptoAsset are a better investment than old school see, touch or feel uses.

I find it sort of sad to think that, if he’s right, the “youngsters” prefer contracts and insurances over personal experience… but perhaps it’s true and we are living in a world that is too complex to function properly without rules in black and white? I certainly hope it’s not the case…

NFTs are interesting because they make it possible to represent physical assets with all the benefits of the blockchain. By holding a complete history of the object that is being traded, it also insures you know all the intermediaries in the process and know all the places it went through. This traceability that protects the artists themselves was one of the initial motivations for the creators of the NFTs (article in French), even though the system has sometimes been hijacked since then. They also open the possibility of selling a physical asset to multiple owners – though difficult in the real-world, it’s quite easy to have NFTs “distribute” artworks or real-estate to several buyers.

But could AIs help artists?

Creative AIs could even serve a higher purpose and make us think about the process of creation altogether. A few weeks ago, Over the Bridge released an album called ‘Lost Tapes of the 27 Club’. What makes it special? The songs in it were entirely created by an AI to reproduce the styles of multiple artists like Amy Whinehouse, Kurt Cobain or Jimi Hendrix. All of them are part of the infamous “27 Club”, a collection of artists that died at age 27 due to violent incidents, alcohol abuse, etc. By producing brand new songs in the style of those artists, Over the Bridge offers a glimpse of what they could have done, had their lives not ended so soon. For Over the Bridge, it’s a way of pointing a finger at the mental health crisis many artists struggle with and therefore help other potential victims. They stated that:

Through this album, we’re encouraging more music industry insiders to get the mental health support they need, so they can continue making the music we all love for years to come. Because even AI will never replace the real thing.

So, first, the result is really quite impressive – I feel like a lot of the particularities of each artist has been well analyzed and reproduced by the AI. And second, I think the authors are conveying an important and worth-listening-to message. Projects like this one make me wonder: could AI creation help in supporting artists and making statements in the art world?


We like to think that creativity is a human thing, that it is a core skill we as human beings possess and cherish. However, the word “creation” encompasses many things and, to some extent, we can consider that AIs and machine learning software create just as we do. Perhaps going beyond conventional rules could bring us unexpected and truly original realizations: AIs would then contribute to the humanity’s art by actually instilling new ideas and unforeseen works.

Imagination, feelings, emotions, creation… all of those seem to be fundamentally linked – you can’t have one without the others. Ironically enough, we are at an age where too many people have their free time too reduced and too brain-deading of a daily routine to be able to dream and invent – and this is thanks to this “mechanisation” of humans I talked about previously in this series. On the other hand, we applaud at “creative AIs” and we even reward AI creations with high prices according to the standards of the art world. But remember that we are far (if it’s even possible?) from having sentient AIs able to feel – they do not invent, they don’t have this creative spark. Nonetheless, maybe AIs can still be intermediaries, either tools (like OpenAI’s Jukebox music composer or the results of the CNRS Designing ScriptRIGHTS! working group) or suppliers of unfinished drafts that we humans could then interpret, improve and repolish into meaningful artwork.

The question of the paternity of a piece of art is always tricky – throw autonomous black-box algorithms in the mix and you’re in for a real headache. A college student named Liam Porr got famous for getting a post from his blog ranked the first on Hacker News… when this post had actually been written by the GPT-3 AI, as he eventually explained in a (human-written) blog post. This raises the question of responsibility and credentials for those creations (and down the road, the question of royalties or copyright as mentioned by A. Lourié in this article, in French). Plenty of sci-fi books and movies depict robots and AIs as children of their creators (Asimov’s novels have that, and more recently we saw it again in Red Dead Redemption II with the questline “A Bright Bouncing Boy”). This is a very human bound. So should we keep walking this path and consider AIs that generate artwork-like results artists?

I myself believe that we should remain careful not to overstate too much the abilities of AIs – they do what we tell them to do, and they solve the problems we ask them to. We can frame the question in a blurry way to hope for random answers to blow our minds but ultimately we are still implementing maths in a computer and creating results out of numbers that are picked from a narrow pool of valid possibilities. I’m a big defender of AI ethics and I think it is of the utmost importance experts in the field devote enough time to setting boundaries and anticipating the limitations of their algorithms – but I also strongly believe that AI is not the answer to everything. We mustn’t take it as a silver bullet: some problems require human solutions and no amount of computing power, no large dataset can give us the proper answer.

Ces dernières années est paru un grand nombre d’articles à propos d’IAs créant des peintures fabuleuses, des textes incroyables ou des musiques très – trop ? – réalistes. Même si les résultats ne sont pas toujours à la hauteur du titre de l’article qui cherche à faire le buzz, il faut bien admettre que cette tendance des “IAs créatives”, ou des IAs artistes, se développe de plus en plus. Mais cela nous force à nous poser la question : une IA peut-elle être créative ? Est-ce que cette capacité à inventer, à créer, n’est pas inhérente aux êtres humains ?

Dans cet article, je parlerai tout d’abord de ce que “créer” signifie (et il est clair que je ne pourrai pas établir une définition ferme et définitive, au vu de la complexité du sujet…), de la créativité des résultats récents de certaines IAs et des interrogations que tout cela soulève sur notre propre condition humaine.

Qu’est-ce que “créer” veut dire ?

Si on jette un oeil au dictionnaire en ligne Collins, on voit que “créer” peut avoir deux sens : c’est soit faire que [quelque chose] arrive ou existe, soit inventer ou concevoir [un produit ou un processus]. Le mot “création” quant à lui se concentre tout spécialement sur les notions de “compétence”, “d’imagination” et “d’habileté artistique”.

Au final, je pense qu’il est impossible de donner une vraie définition pour la création, ou l’art – nous avons tous notre propre vision de ce qu’il faut considérer ou non comme de l’art. Néanmoins, la plupart d’entre nous s’accordent à dire qu’il s’agit d’inventer une chose nouvelle, d’apporter une idée encore jamais vue à la communauté souvent en exerçant une compétence spécifique. Il y a quelque chose d’unique dans cet acte de création car c’est un processus volontaire durant lequel on prend le temps d’apporter du neuf sur Terre.

Dans ce sens, évidemment, les IAs ne peuvent être vues comme des artistes : elles ne créent pas des produits ou des processus volontairement, elles ne font que suivre des règles… pas vrai ?

Mais alors que faire de tout cet aléatoire, des petits cahots de-ci de-là ? De ces moments “boîte noire” où on ne peut expliquer comment l’algorithme a atteint cette conclusion ? Des structures et des connexions inattendues que des IAs en apprentissage non supervisé trouvent dans nos jeux de données ? Est-ce que ce sont les preuves d’une inventivité dans le programme, ou bien chez leur créateur ?

Qui est vraiment l’artiste quand une IA crée ?

En 2018, le monde de l’art a fait face à un évènement sans précédent : la fameuse vente aux enchères de la maison Christie’s qui a montré un tableau réalisé par une IA (article en anglais): “Edmond de Belamy”.

Portrait d’Edmond Belamy, 2018, créé par un GAN (Generative Adversarial Network). Vendu pour 432,500$ le 25 Octobre 2018 à Christie’s, New York. Image © Obvious

Cette oeuvre d’art a été réalisée par le collectif Obvious et fait partie d’une série de 11 portraits de la famille fictive des Belamy. Les 3 français derrière Obvious ont utilisé un GAN (Generative Adversarial Network) pour analyser et “mélanger”, un jeu de données contenant 15 000 tableaux de WikiArt (des peintures réalisées entre le 14e et le 19e siècle). D’abord évaluée pour 7 000 à 10 000 dollars, la peinture générée par l’IA a finalement été vendue pour 432 500 dollars.

Ce moment mémorable a été l’une des premières fois que l’on accordait réellement de la valeur (selon les standards du monde de l’art) aux résultats d’une IA. Pourtant, on a vite entendu des critiques, en particulier à propos des auteurs véritables de la peinture. Pouvait-on attribuer la paternité à l’IA elle-même ? Ou bien fallait-il remercier Obvious ? Etant donné que l’algorithme de GAN était adapté de recherches et implémentations précédentes, beaucoup se sont demandés jusqu’à quel point le collectif avait réellement contribué…

Cette question de la responsabilité et de l’attribution a toujours été difficile dans l’art. Il y a de nombreux exemples d’oeuvres qui ont été attribuées au maître quand elles avait été réalisées par l’apprenti, ou au mari plutôt qu’à la femme (comme pour la sculpture de Flora dont on pensait qu’elle était l’oeuvre de Léonard de Vinci, ou pour la peintre néerlandaise Judith Leyster).

Si on revient au cas plus particulier de la responsabilité pour les oeuvres créées par des algorithmes, la question ne date pas d’hier non plus ! Comme expliqué dans ce court document par W. Wiggins (en anglais, 2017), en 1973, Harold Cohen avait déjà programmé AARON, un logiciel autonome et évolutif capable de réaliser des oeuvres d’art. Cohen était un peintre qui s’intéressait à la programmation et avait réussi à maîtriser le FORTRAN (un langage qui est, honnêtement, assez peu aimable). Ce projet lui a permis de codifier sa façon de créer et “d’externaliser, de stabiliser [ses] spéculations sur la réalisation d’images”. Bien qu’il ait expliqué que cette transition de pur artiste vers peintre et codeur était une étape nécessaire dans sa vie, à l’époque, mélanger art et informatique était une lubie peu commune.

La question demeure : les oeuvres produites par AARON sont-elles à mettre au crédit de l’algorithme, ou de Cohen ? Cohen lui-même a joué le jeu et a signé les oeuvres à la fois de sa main et de celle d’AARON (The Telegraph, 22 Mai 2016). Mais AARON ne faisait que suivre un ensemble de règles sans aucune imagination – il récitait par coeur ce que Cohen lui avait appris au préalable. L’algorithme était-il donc un artiste comme son créateur ou un outil ?


Je pense que, au coeur de la création, il y a l’imagination. Dans le jeu vidéo Detroit: Become Human (par Quantic Dream, 2018), on suit l’aventure de 3 androïdes dans une société futuriste qui, pour diverses raisons, dévient de leurs tâches préprogrammées et commencent à avoir des comportements inattendus. Je ne révèlerai rien de l’histoire principale, pas de panique – mais, à un moment, un riche artiste demande à l’androïde à son service, Markus, de peindre quelque chose. Dans un premier temps, le robot copie simplement ce qu’il voit comme une imprimante; mais le peintre lui demande ensuite de fermer les yeux et de dessiner en utilisant son imagination.

Dans Detroit: Become Human (Quantic Dream, 2018), l’androïde Markus peut peindre différentes images selon le choix du joueur – Image extraite de :

Nous n’avons pas encore d’IAs capable d’inventer et d’imaginer des choses comme dans ce jeu vidéo, mais cela montre l’importance de cette capacité dans le processus de création.

Une IA ne peut pas prendre du recul, fouiller ses souvenirs et s’inspirer de ses expériences passées pour démarrer seule ce processus de manière consciente. On peut penser par exemple à GPT-3, l’algorithme bien connu d’OpenAI qui a été officiellement présenté dans cet article ArXiv de 2020 : de nombreux articles de presse ont vanté ses résultats incroyables et sa capacité à générer des textes extrêmement crédibles. Et je suis parfaitement d’accord que les textes générés sont excellents ! Néanmoins, il faut lui donner “l’impulsion” de départ : il faut lui donner un sujet sur lequel écrire, un style d’écriture, etc. Basiquement, il faut donner l’ordre à “l’artiste” de créer… car il ne peut pas se décider tout seul ! Est-ce encore de la “création” ?

A mon avis, c’est là qu’on pourrait tracer une ligne (sujet à débat) entre les “créateurs” et les “faiseurs” : tandis que les premiers ont l’idée et font partie intégrante de l’oeuvre créée, les seconds contribuent à lui donner vie – à la réaliser. Les deux sont absolument essentiels, et les créateurs peuvent bien sûr être aussi des faiseurs – ils sont souvent ceux-là même qui réalisent l’invention. Mais ce n’est pas toujours le cas et, quand on travaille sur un gros projet, on peut être un créateur sur une partie et un faiseur sur une autre. Dans le cas de GPT-3, l’algorithme est un faiseur phénoménal mais ce n’est pas un créateur car il ne peut pas avoir l’étincelle initiale qui déclenche un état créatif. Cette poussée initiale est encore, pour l’instant, une compétence humaine.

Il y a quelque chose de magique dans le fait d’atteindre cet état créatif dans lequel on jongle avec des idées en cours de formation. Evidemment, cette capacité à laisser des pensées floues s’entrechoquer dans notre tête ne peut pas être ré-implémentée dans nos algorithmes parce qu’on ne sait toujours pas clairement comment nos cerveaux en sont capables (malgré de nombreuses études et livres sur le sujet). De manière plus générale, la création est a priori liée aux sentiments et aux émotions – les artistes ont tendance à partager des croyances personnelles qui sont importantes à leurs yeux et les touchent d’une manière ou d’une autre, ils essaient de nous transmettre leurs passions.

Et, pour l’instant, les IAs que nous créons ne sont pas des êtres qui ressentent. Dans cet interview de Sherry Turkle, le professeur du MIT parle de la relation des gens aux robots et de l’importance de la compassion pour les humains. Elle évoque son expérience personnelle et rappelle qu’il ne faut “[pas] traiter les humains comme des objets. Et plus encore, [ne pas] traiter les objets comme des humains.” Même si je n’apprécie pas le personnage dans son entièreté et que la personnalité de Turkle est complexe à comprendre, je suis d’accord avec elle sur ce point : les machines ne peuvent pas utiliser leurs émotions pour nourrir le processus créatif – elles n’ont pas d’imagination.

La génération de données synthétiques pourrait-elle être une forme d’art?

Si on revient à la définition du mot “créer” et que l’on prend son sens “de faire exister quelque chose”, alors peut-être que l’étape initiale d’imagination peut être enlevée du processus et sous-traitée à quelqu’un d’autre – par exemple, un humain. Dans ce cas, une IA pourrait toujours être considérée comme créative.

Qu’est-ce que la génération de données synthétiques ?

Un sous-domaine de l’IA en pleine expansion est celui de la génération de données synthétiques. Globalement, l’idée est de créer artificiellement des exemples d’entraînement que la machine pourra utiliser pendant sa phase d’apprentissage qui “ressemblent” aux exemples originaux. Ces nouveaux exemples peuvent être utilisés en plus ou à la place du jeu de données originel.

Note : ici, “ressembler” signifie avoir le même comportement statistique. On veut avoir un nouvel ensemble de données qui a la même moyenne, la même déviation standard et les mêmes structures spécifiques que celui de départ – on souhaite répliquer la distribution initiale.

Il y a de nombreuses raisons pour lesquelles la génération de données synthétiques peut être utile.

Comme je l’ai mentionné dans les articles précédents de cette série, les données sont primordiales dans le secteur de l’intelligence artificielle. Mais parce qu’elles sont si cruciales, et parce qu’il peut être difficile (ou long) de les récupérer, elles sont aussi très chères. La donnée est maintenant un marché, et un marché très lucratif. Par exemple, les GAFAM sont connues pour être encore plus riches que l’on pense au vu de la quantité de données qu’elles ont sur nous. Donc même si les turkers d’Amazon gagnent très peu pour leur activité exténuante, il est certain qu’à un autre endroit de la chaîne les données sont plus précieuses que de l’or. La génération de données synthétiques permet de réduire la quantité de données qu’il faut récupérer “à la main” (pour un prix élevé) et d’augmenter le jeu de données avec des exemples additionnels qui ne devraient pas modifier le comportement de l’IA – si les données sont correctement générées !

La génération de données est également importante pour la sécurité : si l’algorithme de génération est assez bon, on peut même éviter de travailler sur les vraies données sensibles et plutôt utiliser de fausses données similaires pour entraîner l’IA sur des données “inoffensives”. Pensez à tous les domaines qui injectent maintenant du machine learning dans leurs produits : les banques, les transports, l’énergie, le divertissement… et la liste est longue ! Toutes ces industries ont des secrets professionnels, des NDAs et des systèmes de confidentialité équivalents. Avec l’essor d’entreprises d’IA offrant des solutions Paas (Platform-as-a-Service), cette question devient de plus en plus pressante. Un client dans un de ces secteurs se doit d’être prudent quand il entre ses données dans le produit et lance le calcul – ceux qui gèrent le service ont un accès direct aux données et pourraient avoir de mauvaises intentions. Et si ces fournisseurs n’avaient pas accès à nos données mais à d’autres, synthétiques ? En théorie, les données auraient le même comportement, donc la solution d’IA devrait obtenir les mêmes résultats et rester aussi performante. Et en même temps, nous n’aurions pas à courir le risque que le fournisseur ait une version complète de nos données en production.

En plus, ces données sont artificielles et ne correspondent pas à des évènements réels : nous pouvons donc modéliser de fausses situations qui n’ont pas eu lieu (ou ne peuvent pas avoir lieu), si on souhaite les inclure dans notre processus d’apprentissage. Et comme nous n’avons pas besoin d’attendre que les évènements arrivent, on peut générer autant de données que l’on veut quand on veut pour nos tests !

Note : jetez un oeil à cet article (en anglais) si vous voulez plus d’exemples d’applications de la génération de données 😉

Il faut cependant se souvenir que la génération de données synthétiques pour la production ou l’industrie n’est pas triviale : si on veut que notre donnée générée ressemble à la donnée originelle, on doit s’assurer de bien comprendre et de complètement cerner l’ensemble de données initial.

Mais si, à l’inverse, on souhaitait explorer de nouvelles possibilités ? Et si on pouvait créer des situations inattendues, irréalistes, peut-être même inimaginables, grâce au pouvoir de l’aléatoire ?

La génération de données : une forme de création ?

Comme B. Cengiz le fait remarquer dans cet article, les IAs d’aujourd’hui ne sont plus les mêmes que le programme que Cohen a écrit dans les années 70 – quand nous sommes entrés dans l’ère des algorithmes “data-driven”, nous avons commencé à créer des IAs plus “autonomes”. Plutôt que de suivre des règles, ces nouveaux programmes analysent des jeux de données pour en tirer des propriétés pertinentes et les réutiliser ou les reproduire au mieux.

Générer de la nouvelle donnée avec ces IAs ressemble alors à la copie de tableaux de grands maîtres, mais certaines équipes de recherches visent tout particulièrement l’originalité. Par exemple, le CAN (Creative Adversarial Network) est un nouveau type de réseau de neurones qui essaie d’éviter toute similarité avec des oeuvres existantes. Il a été publié par l’université Rutgers en 2017 (voir cet article ArXiv par Elgammal et al.) et il offre un “nouveau système pour générer de l’art”. C’est une extension des GANs, plus célèbres, qui mettent en compétition deux réseaux de neurones pour que l’un apprenne à duper l’autre.

Exemples d’images générées par un CAN extraites de l’article d’Elgammal et al

Note : pour avoir plus d’infos sur les GANs et leur utilisation pour générer de l’art, vous pouvez lire la série d’articles que j’ai écrite il y a quelques années avec Cali Rezo sur l’IA & l’art ! 🙂

Néanmoins, la plupart des professionnels du domaine semblent d’accord pour dire que les IAs ne sont pas des créateurs (comme Valentin Schmite dans cet article) : elles peuvent être des outils, comme un appareil photo ou un pinceau, ou peut-être des muses – comme un premier brouillon qui inspire l’artiste pour l’oeuvre finale. Elles pourraient permettre aux artistes d’aller plus loin et de découvrir des territoires inconnus, de repenser leur processus de travail ou d’inventer des choses nouvelles… mais ces IAs ne sont pas des artistes elles-mêmes.

Note : si vous voulez un grand nombre d’exemples qui mélangent art et IA, je vous recommande vivement de lire l’article du magazine Beaux Arts 😉

Les IAs sont donc juste un nouvel outil dans la palette des artistes – même si elles peuvent produire des résultats intéressants et sont de plus en plus appréciées du public. L’intelligence artificielle et d’autres sujets brûlants de la tech se font une place dans le monde de l’art et même le marché de l’art, et ces technologies ont maintenant un impact important sur le domaine.

L’impact de la nouvelle tech sur le marché de l’art

Comme tout autre secteur, le monde de l’art est plein d’inégalités : les artistes ont bien entendu des points de vue différents sur le monde, mais ils ont aussi souvent des méthodes de création différentes, des sources d’inspiration différentes… et une reconnaissance auprès du public qui peut varier énormément (aussi bien dans la célébrité que dans les revenus) – le prix des oeuvres peut être très varié et il peut être difficile d’y voir une logique (ou même une justice). D’un côté, des gens comme Jeff Koons ont une renommée mondiale pour des productions qui, pour moi, ont un intérêt limité car elles manquent de sincérité : il préfère faire le buzz que partager quelque chose de personnel – et il a plagié de nombreux artistes ! D’un autre côté, un grand nombre de créateurs se débattent pour gagner suffisamment et doivent prendre un travail alimentaire pour joindre les deux bouts (même Bach devait donner des cours pour avoir un salaire). Et, bien sûr, il y a tout un nuancier d’entre-deux…

Je ne prétendrai pas être experte du sujet, mais ces faits m’interrogent : qu’est-ce qui fait la renommée d’un artiste ? Est-ce qu’il faut être au bon endroit au bon moment ? Est-ce qu’il faut faire plaisir au public ? Ou bien est-ce qu’il faut proposer quelque chose de nouveau, d’encore jamais vu ? Ou simplement suivre des règles simples pour faire le buzz ?

Et dans quelle mesure ces questions ont-elles un sens pour les IAs ?

Rester classique ? Aller plus loin ? Faire le buzz ?

De nos jours, le cinéma est un art respecté. Cependant, le premier film qui a été montré en public, L’arrivée d’un train en gare de La Ciotat (Les Frères Lumières, 1895) a terrorisé – ou tout au moins stupéfait – les spectateurs car ils pensaient que le train allait les percuter (plus de détails dans cet article de N. Patrick, Août 2016, en anglais). A cette époque, on s’habituait à peine aux photographies, alors un train en mouvement qui vous fonce dessus, c’était un choc !

Nos standards ont bien sûr beaucoup évolué depuis ce moment ; aujourd’hui, au cinéma, on veut des explosions et des situations irréelles, on veut des mises en scènes extraordinaires, de l’action remarquable… Et pourtant, ces paris artistiques sont souvent l’étape nécessaire à la naissance d’un nouveau genre ou d’une nouvelle forme d’art. Que ce soit l’ornithoptère volant de Léonard de Vinci – malheureusement inachevé -, la musique très jazz composée par Beethoven (notamment la fin du 2e mouvement de sa Sonate 32, interprétée ici par A. Brendel), les nouvelles formes de poésie audacieuses d’Arthur Rimbaud ou le travail pionnier d’Hilma af Klint en peinture abstraite, l’histoire est remplie de génies qui ont osé aller au-delà, parfois au risque de ne pas avoir la technologie suffisante pour terminer leur travail, d’être ignorés ou mêmes méprisés de leurs contemporains.

Tout ceci pose une question : les IAs créatives peuvent-elles et doivent-elles rester “classiques” et suivre des règles bien connues, ou pourraient-elles utiliser l’aléatoire, des algorithmes incontrôlables et les autres phénomènes de “boîte noire” (qui sont habituellement un désavantage) pour inventer de nouveaux genres ? Est-il possible que cette “IA volatile” qui est si gênante dans l’industrie et crée des biais, des décisions faillibles et des représentations incorrectes du monde, soit cette fois un allié ? Tous les peintres peignent leur vision du monde ; tous les musiciens composent des morceaux qui transmettent les émotions qu’ils veulent partager ; tous les réalisateurs veulent créer des films qui montrent un point de vue particulier sur un sujet donné – la création est un moyen de traduire le (ou un) monde avec la vision que l’on en a à un instant précis. Dans cette optique, les limitations des IAs et leur connaissance incomplète du monde (que j’ai évoquée dans un article précédent) pourraient devenir un atout.

La montée en puissance des jetons non-fongibles (non-fungible tokens)

En 2020, l’intérêt pour les crypto-monnaies a crû drastiquement. Vous connaissez sûrement le Bitcoin et peut-être l’un de ses concurrents, l’Ether. Comme on peut facilement l’observer sur des sites de finances, le taux d’échange des Bitcoins (BTC) a grimpé soudainement l’an dernier en passant d’un honorable 9 000$/BTC en mars 2020 à un stupéfiant 56 000$/BTC cette année !

Evidemment, la pandémie de Coronavirus a eu un impact énorme sur notre économie globale et des monnaies fortes comme le dollar ont été durement touchées ; mais il y a aussi eu un impact sur les crypto-monnaies. Le Bitcoin est différent des monnaies usuelles car il a été décidé une fois pour toutes en amont combien de pièces pouvaient exister… et donc changer la valeur d’un Bitcoin est la seule façon de modifier le rapport qu’a cette monnaie aux autres. Cela se combine au phénomène de “Halving” inhérent au système du Bitcoin : comme les “mineurs” doivent résoudre des problèmes de plus en plus difficiles pour obtenir des Bitcoins, on arrive régulièrement à des paliers où la récompense pour le minage a, en gros, été diminuée de moitié. Ces évènements se sont produits 3 fois jusqu’à maintenant (en 2012, 2016 et 2020) et ils ont chaque fois été suivi d’un boost de la crypto-monnaie et de prix plus élevés.

Graphe logarithmique de l’action du Bitcoin suite aux “halvings”. (Coin Metrics Network Data Pro)

Cela crée bien évidemment une économie parallèle… et cela encourage le développement de nouveaux systèmes qui se servent également de la blockchain pour proposer de tous nouveaux services.

Note : il ne faut pas oublier que la blockchain est seulement une technique qui peut être appliquée de différentes façons. L’idée de base, c’est d’avoir un réseau de transactions qui sont toutes chaînées les unes aux autres en une longue séquence pour garantir l’intégrité de chaque échange, et que ce réseau soit intégralement copié chez chaque participant. Son application aux échanges financiers est aujourd’hui l’usage le plus célèbre, mais les blocs de la chaîne peuvent contenir le type de données que l’on veut.

Les jetons non-fongibles (ou non-fungible tokens) sont un type particulier de ressource dans une blockchain. Contrairement aux crypto-monnaies qui sont utilisées comme de la monnaie classique pour du commerce et peuvent donc être envoyées ou reçues par n’importe qui, n’importe où dans la chaîne, les jetons non-fongibles, ou NFTs, sont plus comme ces sceaux de cire personnels dont les gens se servaient jadis pour cacheter des lettres : ils contiennent des informations supplémentaires et des codes d’identification uniques, de sorte qu’un NFT est toujours différent d’un autre. C’est pour cela qu’ils sont dits “non-fongibles” : alors qu’un Bitcoin peut être transformé en un autre Bitcoin avec exactement la même valeur à tout moment, un NFT ne peut pas être “fondu” en un autre.

N’étant pas reproductibles et échangeables comme une crypto-monnaie, les NFTs ont commencé à être utilisés dans divers secteurs, et en particulier l’immobilier et l’art.

Par exemple, l’IA Sophia, qui a déjà été remarquée pour ses impressionnantes expressions faciales et ses compétences conversationnelles, a récemment montré son “talent artistique” en réalisant un autoportrait qui a été vendu pour près de 700 000$ dans un échange basé sur du NFT (voir cet article de O. Holland). Cette pièce n’est pas l’oeuvre de l’androïde seule ; un artiste (humain), Andrea Bonaceto, a d’abord peint un portrait coloré de Sophia que le robot a ensuite “réinterprété”. D’autres peintures ont été vendues au même moment (pour un total d’environ un million de dollars !) et, pour poursuivre ce projet, Sophia participera même à une exposition dans le courant de l’année.

Les artistes réalisent depuis longtemps des certificats d’authenticité (ArtTrust) pour leurs oeuvres qui sont comme la carte d’identité de la création, signée par l’artiste. C’est un moyen pour l’acheteur de s’assurer qu’elle est authentique et qu’elle a bien été réalisée par l’artiste. Il stipule l’origine, le type et les particularités de l’oeuvre, et c’est donc un document primordial dans le cas d’une revente de la création à quelqu’un d’autre.

Les NFTs sont de plus en plus utilisés comme des certificats d’authenticité virtuels dans le monde de l’art. Au début de l’année (en février-mars 2021), une autre vente aux enchères chez Christie’s a fait parler d’elle (article de T. Locke, en anglais) ; on y a vendu l’oeuvre ‘Everydays: The First 5000 Days’ de Mike Winkelmann (aka Beeple) pour plus de 69.3 millions de dollars ! L’enchère commençait pourtant seulement à 100$… Mais ce qui est vraiment unique avec cette vente c’est que, pour la première fois, Christie’s a autorisé la transaction à se faire en Ether – et ceci n’a été possible que parce que l’échange basé sur les NFTs donnait suffisamment de garanties.

Pour Mark Cuban, un commissaire-priseur bien connu de biens virtuels et un collectionneur d’assets basés sur les NFTs (posté sur son blog, en janvier 2021, en anglais):

Cette génération sait qu’un contrat intelligent et le bien virtuel qu’il encadre ou un CryptoAsset sont un meilleur investissement que de voir, de toucher ou de ressentir comme avant.

Je trouve qu’il est un peu triste de penser que, s’il a raison, les “jeunes” préfèrent des contrats et des assurances à l’expérience personnelle… mais peut-être qu’effectivement, nous vivons dans un monde qui est devenu trop complexe pour fonctionner correctement sans écrire les règles noir sur blanc ? Pour ma part, j’espère que ce n’est pas le cas…

Les NFTs sont intéressants car ils nous permettent de représenter des biens physiques avec tous les avantages de la blockchain. En ayant un historique complet de l’objet qui est échangé, on s’assure que l’on connaît tous les intermédiaires dans le processus et tous les lieux par lesquels il est passé. Cette traçabilité qui protège notamment l’artiste lui-même était une des motivations initiales des créateurs des NFTs, même si le système a depuis parfois été détourné. Ces jetons ouvrent aussi la voie à la vente d’une ressource à plusieurs propriétaires – alors que cette découpe est difficile à faire physiquement, il est relativement simple de “distribuer” des oeuvres ou des biens immobiliers à plusieurs détenteurs à l’aide de NFTs.

Mais l’IA pourrait-elle aider les artistes ?

Des IAs créatives pourraient même avoir un but plus noble et nous faire réfléchir sur le processus de création en lui-même. Il y a quelques semaines, Over the Bridge a sorti un album intitulé ‘Lost Tapes of the 27 Club’. En quoi est-il spécial ? Toutes ses chansons ont été entièrement créées par une IA en reproduisant le style de plusieurs artistes comme Amy Whinehouse, Kurt Cobain ou Jimi Hendrix. Tous ces musiciens font partie du tristement célèbre “Club des 27”, un ensemble d’artistes morts à 27 ans suite à des incidents violents, l’abus d’alcool, etc. En produisant de nouveaux morceaux dans le style de ces artistes, Over the Bridge nous offre un aperçu de ce qu’ils auraient pu faire de plus si leur vie n’avait pas été aussi courte. Pour Over the Bridge, c’est une manière de mettre les projecteurs sur les crises liées à la santé mentale avec lesquelles beaucoup d’artistes se débattent, et ainsi d’aider de potentielles victimes. Ils ont notamment dit que :

A travers cet album, nous encourageons des personnes de l’industrie de la musique à rechercher le soutien dont ils ont besoin afin qu’ils puissent continuer à composer cette musique que nous aimons dans les années à venir. Car même l’IA ne peut pas remplacer l’authentique.

Donc, d’une part, les résultats sont vraiment impressionnants – je trouve que beaucoup des particularités chez chaque artiste ont été bien analysées et reproduites par l’IA. Et, d’autre part, je pense que les auteurs transmettent un message important qu’il faut écouter. Des projets comme celui-ci proposent une piste qui vaut le coup d’être étudiée : est-ce que la création des IAs pourrait aider à soutenir des artistes ? Voire à mettre en avant des démarches artistiques ?


Nous aimons penser que la créativité est typiquement humaine, que c’est un don qui nous est propre, que nous possédons et chérissons en tant qu’êtres humains. Pourtant, le mot de “création” fait référence à beaucoup de réalités et, dans une certaine mesure, on peut considérer que les IAs et les logiciels de machine learning créent, comme nous. Peut-être que dépasser les conventions pourrait amener de l’inattendu et des réalisations vraiment originales : les IAs pourraient alors contribuer à l’art humain en y instillant réellement des idées nouvelles et des résultats inédits.

L’imagination, les sentiments, les émotions, la création… tout cela semble fondamentalement lié – l’un ne va pas sans l’autre. De manière ironique, nous sommes à une époque où trop de personnes voient leur temps libre raccourci à outrance et ont des routines trop abêtissantes pour pouvoir rêver et inventer – et ce, à cause de la “mécanisation” des humains dont j’ai parlé plus tôt dans cette série. En parallèle, nous applaudissons les “IAs créatives” et nous récompensons même leurs créations avec des prix prestigieux, selon les critères du monde de l’art. Mais nous devenons nous souvenir que pour l’instant (et à jamais ?), nous n’avons pas d’IA capable de ressentir des émotions – elles n’inventent pas, elles n’ont pas d’étincelle créative. Cela étant dit, les IAs peuvent servir d’intermédiaires, soit en tant qu’outils (par exemple l’IA Jukebox d’OpenAI qui compose de la musique ou les résultats du groupe de recherche Designing ScriptRIGHTS! du CNRS), soit en tant que producteurs de brouillons à terminer que les humains pourraient interpréter, améliorer et raffiner en une oeuvre d’art pleine de sens.

La question de la paternité d’une oeuvre d’art est toujours compliquée – si on y rajoute des algorithmes “boîte noire”, on est face à un véritable casse-tête. Liam Porr, un étudiant, a été remarqué pour un post de blog classé premier sur Hacker News… alors qu’il avait en réalité été écrit par l’IA GPT-3, comme Porr l’a finalement expliqué dans un autre article (de sa main, cette fois). Cela soulève la question de la responsabilité et des crédits pour ces créations (et, par la suite, la question des droits d’auteur et des copyrights comme mentionné par A. Lourié dans cet article). De nombreux livres ou films de science-fiction nous présentent des IAs et des robots comme les enfants de leurs créateurs (les romans d’Asimov, et plus récemment le jeu Red Dead Redemption II avec sa quête “Un jeune inventeur plein d’avenir” par exemple). C’est un lien très humain. Alors faut-il continuer sur cette voie et considérer comme des artistes les IAs qui génèrent des résultats semblables à des oeuvres d’art ?

Pour ma part, je pense que nous devons rester prudents et ne pas trop surestimer les capacités des IAs – elles font ce qu’on leur demande de faire, et elles résolvent les problèmes que nous leur donnons. Nous pouvons poser une question floue en espérant une réponse hasardeuse qui pourrait nous stupéfier mais, au final, nous sommes toujours en train de coder des mathématiques sur un ordinateur et de créer des résultats en tirant des nombres au hasard parmi un ensemble restreint de possibilités. Je défends ardemment l’éthique de l’IA et je crois qu’il est essentiel que les experts du domaine allouent suffisamment de temps à établir les règles et à anticiper les limitations de leurs algorithmes – mais je pense aussi que l’IA n’est pas la solution à tout. Nous ne devons pas la prendre comme un remède miracle : certains problèmes requièrent des solutions humaines et ce n’est pas la puissance de calcul ou un jeu de données plus grand qui pourront nous donner la bonne réponse.

  1. Online Collins Dictionary:
  2. WikiArt’s website:
  3. CoinMarketCap’s website:
  4. OpenAI’s Jukebox:
  5. CNRS’s Designing ScriptRIGHTS! research group:
  6. Arrival of a train at La Ciotat‘s movie:
  7. Beethoven’s Piano Sonata No.32 Op.111, 2nd movement (by A. Brendel):
  8. T. Brown and al., “Language Models are Few-Shot Learners” (ArXiv,, May 2020. [Online; last access 26-April-2021].
  9. A. Dietrich, “The cognitive neuroscience of creativity” (Psychonomic Bulletin & Review [1011–1026 (2004)],, Dec. 2004. [Online; last access 26-April-2021].
  10. Drexel University, “Where in the brain does creativity come from? Evidence from jazz musicians” (ScienceDaily, Mar. 2020. [Online; last access 26-April-2021].
  11. O. Vartanian and al., Neuroscience of Creativity (The MIT Press,, 2013. [Online; last access 26-April-2021].
  12. A. Elgammal and al., “CAN: Creative Adversarial Networks Generating “Art” by Learning About Styles and Deviating from Style Norms” (ArXiv,, Jul. 2018. [Online; last access 26-April-2021].
  13. Christie’s, “Is artificial intelligence set to become art’s next medium?” (, Dec. 2018. [Online; last access 26-April-2021].
  14. A. Lesage-Münch, “Léonard de Vinci n’a pas sculpté la Flora de Berlin : le CNRS met fin à 100 ans de débat” (, Apr. 2021. [Online; last access 26-April-2021].
  15. W. Wiggins, “Harold Cohen and Aaron: The Birth of Machine Art” (, Apr. 2017. [Online; last access 26-April-2021].
  16. The Telegraph obituaries, “Harold Cohen, artist – obituary” (–obituary/), May 2016. [Online; last access 26-April-2021].
  17. H. Reese, “Why Machines Will Never Feel Empathy: A Q&A With MIT’s Sherry Turkle” (, Mar. 2021. [Online; last access 26-April-2021].
  18. B. Cengiz, “L’intelligence artificielle en art, 1/2 : les algorithmes créateurs” (, Jul. 2020. [Online; last access 26-April-2021].
  19. M. Celeux-Lanval, “L’intelligence artificielle va-t-elle remplacer les artistes ?” (, Mar. 2020. [Online; last access 26-April-2021].
  20. M. Beckonert, “Jeff Koons and ‘Fait d’hiver’: When is plagiarism art?” (, Feb. 2021. [Online; last access 26-April-2021].
  21. N. Patrick, “In 1895 “The Arrival of the Train” was one of the first films shown to the public – it nearly caused panic” (, Aug. 2016. [Online; last access 26-April-2021].
  22. O. Holland, “Sophia the Robot ‘self-portrait’ NFT sells for almost $700K” (, Mar. 2021. [Online; last access 26-April-2021].
  23. T. Locke, “Mark Cuban is bullish on NFTs, and now they’re mainstream after a $69 million auction at Christie’s” (, Feb. 2021. [Online; last access 26-April-2021].
  24. M. Cuban, “The Store of Value Generation is Kicking Your Ass and You Don’t Even Know it” (, Jan. 2021. [Online; last access 26-April-2021].
  25. M. Roosen, “Les NFT sont fascinants, mais à l’origine ils n’étaient pas du tout faits pour gagner de l’argent” (, Apr. 2021. [Online; last access 26-April-2021].
  26. S. Caraan, “‘Lost Tapes of the 27 Club’ Uses AI to Create “New” Songs From Nirvana, Amy Winehouse and More” (, Apr. 2021. [Online; last access 26-April-2021].
  27. L. Porr, “My GPT-3 Blog Got 26 Thousand Visitors in 2 Weeks” (, Aug. 2020. [Online; last access 26-April-2021].
  28. A. Lourié, “Création artistique et intelligence artificielle : de l’art ou du cochon ?” (, Nov. 2017. [Online; last access 26-April-2021].
  29. C. Dilmegani, “Synthetic Data Generation: Techniques, Best Practices & Tools” (, Jan. 2021. [Online; last access 26-April-2021].
  30. C. Dilmegani, “The Ultimate Guide to Synthetic Data in 2021” (, Feb. 2021. [Online; last access 26-April-2021].
  31. L. Conway, “Bitcoin Halving” (, Feb. 2021. [Online; last access 26-April-2021].
  32. R. Sharma, “Non-Fungible Token (NFT) Definition” (, Mar. 2021. [Online; last access 26-April-2021].
  33. ArtTrust, “Certificat d’authenticité œuvre d’art” (, [Online; last access 26-April-2021].
  34. I. Wikimedia Foundation, “Judith Leyster” (, Apr. 2021. [Online; last access 26-April-2021].
  35. I. Wikimedia Foundation, “Arthur Rimbaud” (, Apr. 2021. [Online; last access 26-April-2021].
  36. I. Wikimedia Foundation, “Hilma af Klint” (, Apr. 2021. [Online; last access 26-April-2021].
  37. I. Wikimedia Foundation, “27 Club” (, Apr. 2021. [Online; last access 26-April-2021].

Leave a Reply

Your email address will not be published. Required fields are marked *