彼得．韋蘭（Peter Weyland）：「…火柴末端跳躍的火焰，是泰坦巨神普羅米修斯送來的禮物，是他從眾神那裡偷來的禮物，眾神害怕如果它落入我們毛茸茸的小爪子裡，我們會用它做什麼……我們可以創造賽博仿生體，在短短幾年內，他們將與我們幾乎無法區分。……這得出了一個明顯的結論：現在，我們就是神……。」（註1）
彼得．韋蘭（Peter Weyland）：「告訴他，我創造了你。我用自己的形象創造了你，所以你是完美的，永不失敗。我配得上永生，因為我們——我們是神。」（註2）
電影《異形》系列在新世紀重新開機以後，逐漸地從僅僅是太空生物災難驚悚片，朝向探討「造物者」與「受造物」其存在與意義的哲學性辯證與探討。彼得．韋蘭（Peter Weyland）希望通過打造的人型機器人（Android，又稱仿生人）大衛（David），向造物主工程師（Engineer）證明自己身為受造物（Creature）成為了造物者（Creator）；而身為人型機器人的大衛則透過打造異形（Alien），向前者證明自己已經從受造物成為了超越彼得．韋蘭的更完美的創造者。
《異形：普羅米修斯》關於「造物者」與「受造物」以及「創造」意義的辯證與思考，似乎十分合襯這個以基因工程、人工智慧、機械人科技等各種科技重新「創世紀」（Re- Genesis）的年代，從《異形：普羅米修斯》回望及探討藝術家打造繪畫機器的歷史以及他們的創造辯證，或許可以說：當自覺的受造物意欲證明自我時，其終極的證明或許始終是：「以自身的形象造物」（註3），而藝術家打造藝術機器恰恰是這永恆追尋的最佳證明。
上帝是鐘錶匠與演化控制論
英國神學家威廉．帕雷（William Paley，1743–1805）在其1802年完成的著作《自然神學》（Natural Theology，1802）中，提出了一個深具科技想像的造物者比喻：「上帝是鐘錶匠」，帕雷的鐘錶匠隱喻，其核心概念在於當我們偶然發現一只鐘錶時，會自然地認為這個鐘錶有一個設計者，因為它精密的齒輪結構與精確的運作不可能是隨機產生的。
同樣地，依循牛頓運動定律運行的日、月、星辰也一如鐘錶的齒輪般環環相扣，規律而穩定，順此推論至複雜的生物構造也顯示出必然存在一位「設計者」上帝。帕雷無法預知，未來，達爾文會以「演化」推翻「鐘錶匠」上帝。同樣地，也不會想到在更久之後會有導演將「鐘錶匠」置換成「工程師」，並引入了一個全新的概念：「演化控制論」（Evolutionary Cybernetics）。（註4）而雷利．史考特的「工程師」，事實上，是新版本的「鐘錶匠」。
帕雷的「鐘錶匠比喻」或許是受到了「繪畫機器」的啟發。1768年至1774年間，瑞士的鐘錶匠皮耶．雅克．德羅茲（Pierre Jaquet-Droz，1721–1790）協同兒子亨利．路易斯（Henri-Louis）以及尚．佛德里克．雷索（Jean-Frédéric Leschot，1746-1824）打造了音樂家（musician）、製圖家（draughtsman）以及作家（writer）等三個自動機器人。他們以發條為動力，透過內部精密的凸輪和齒輪系統運作，並且透過更換不同的凸輪，即可以改變機器人的書寫內容或繪畫動作，具備了最初的程式編寫的概念，同時也被視為現代電腦的先驅。這些機械受造物不僅可視為電影《異形：普羅米修斯》中大衛的先驅，更是最早的「繪畫機器」。從人類最初的創造物開始，似乎便已開始了讓創造物具備創造能力的企圖與企望。
西洋棋、繪畫機器與資訊美學
儘管，身為人工智慧先驅的克勞德．艾爾伍德．夏農（Claude Elwood Shannon，1916–2001）沒有打造繪畫機器，但的確引入了另一個人類創造思維活動：「棋藝」。從夏農的「西洋棋機器」到1997年打敗世界棋王卡斯帕洛夫（Garry Kimovich Kasparov，1963-）的「深藍」，再到2016年打敗李世乭（Lee Sedol，1983–）的AlphaGo，棋藝機器徹底戰勝了人腦（註5），而演算法也開始在創造性領域展現出媲美甚至超越人腦的可能。但或許「繪畫機器」是另一種故事。早期電腦創作藝術的重點並非「人工智慧」，而是「演算法」和「程式」。諸如1960年代德國的弗里德．納克（Frieder Nake，1938-）與喬治．尼斯（Georg Nees，1926-2016）等「電腦藝術」先驅，利用演算法與隨機數據繪製幾何圖像，開啟了「機器藝術」的新範疇。而匈牙利女性藝術家維拉．莫爾納（Vera Molnar，1924-2023）則是在滿是男性工程師的環境中，稀少卻又珍貴的女性身影。
1965年11月，納克與尼斯合作在斯圖加特Wendelin Niedlich畫廊舉辦展覽，二人開始利用Zuse Graphomat Z64平面製圖機進行創作。二人其後參與了1960年代許多重要的群展，諸如1968年倫敦的《賽博奇緣》（Cybernetic Serendipity）、南斯拉夫札格瑞布（Zagreb）的《趨勢四：電腦與視覺研究》（Tendencies 4: Computers and Visual Research）以及1970年義大利威尼斯雙年展的《研究與設計．實驗性展覽的提案》（Ricerca e Progettazione. Proposte per una esposizione sperimentale）等。除電腦繪畫外，尼斯其後於1966年起，他開始製作「電腦雕塑」作品，並於紐倫堡雙年展（Biennale Nürnberg）中展出木製雕塑與多幅圖形作品。
相較於尼斯乃至於莫爾納著力於創作技術的探索，納克對於「繪畫機器」、「人工智慧藝術」的創舉，或許還在於理論與觀念的創見。其1974年的著作《美學即資訊處理》（Ästhetik als Informationsverarbeitung）一書中，納克嘗試「美學判斷能否形式化（數學公式化）？」，傳統美學多以哲學、藝術史為基礎，他以數學、資訊理論切入，探討美感能否以「資訊處理過程」的形式來描述。另一個探討的問題是：「藝術作品是資訊嗎？」他將藝術作品視為一種「符號載體」，並強調觀者在接收、解碼、詮釋時的資訊處理作用。最後「電腦能否參與美學生成？」納克進一步提出，電腦不僅是工具，也是「美學的處理系統」，能參與藝術創作與審美判斷的部分過程。受麥克思．賓士（Max Bense）的「資訊美學」的影響（註6），納克將藝術與美感置於「訊息傳遞」的框架中。「美感」不是純粹主觀，而是觀者大腦對資訊的結構化處理結果。其創見在於引入「熵」（註7）、「冗餘」（註8）、「複雜性」（註9）作為審美分析指標，要言之，美感可藉由「熵」、「冗餘」、「複雜度」來近似描述，特別是「秩序與新奇」之間的平衡點。書中強調藝術家角色的轉變：由「直接創作者」變為「規則設計者／系統設計者」，美學判斷不再單純依賴直覺，而是部分數學形式化，但納克強調資訊美學無法涵蓋社會、文化、倫理面向；藝術家應警覺科技背後的社會影響。
相較於「演算法」和「程式」的探索，英國藝術家哈洛德．科亨（Harold Cohen）於1973年開發的AARON才出現了真正意義上的人工智慧繪畫機器。AARON是第一個自主生成圖像的AI程式，能以科亨的1960年代色域抽象風格繪畫特定物件。從AARON開始，繪畫機器開始出現了一定程度的創造性。
2010年代，AI繪圖發展開始進入黃金時代，2014年Ian Goodfellow提出了生成性對抗網路（Generative Adversarial Networks，GANs）的概念，徹底改變了遊戲規則。GANs 包含兩個部分：一個「生成器」（Generator）和一個「鑑別器」（Discriminator）。生成器負責創造假圖像，而鑑別器則負責判斷這張圖像是否為真。
兩者在對抗中不斷進步，而深度學習（Deep Learning）技術的成熟，結合 GANs 的應用，更讓 AI 繪圖的品質大幅提升。2020年代擴散模型（Diffusion Models）的新技術嶄露頭角，從早期單純的演算法圖形，到如今擴散模型的精細控制，「繪畫機器」展現出人工智慧從「模仿」走向「創造」的過程。正是在這樣的時代裡，創作者對於「繪畫機器」的表現與思考，也從過往強調「創作技術」的進步，轉向了探討「繪畫」與「隨機」的本質上，前者指向了「藝術」的本質，而後者則指向了AI的基礎。
創作與AI的本質
有別於聚焦於持續進步的AI繪畫技術，法國藝術家派崔克．崔賽特（Patrick Tresset）打造的「繪畫機器」重新回到學習繪畫的起點：素描。桌面上的機械手臂與攝影機鏡頭以及桌上的素描專用畫紙，繪畫機器便可以進行觀察與素描。相較於「繪畫技術」的追求，崔賽特的繪畫機器更著眼於「繪畫學習」的本質乃至於「繪畫」起點的思辨，不間斷的「素描」練習與各個差異的視角觀察，「繪畫」那通過「身體實踐」迭代的非語言、文字特質，在機器的行為擬仿中投射而出。
相較於崔賽特對於「繪畫」本質的思考，陽春麵研究舍更著意於「隨機」這個當代數位創作中經常提及同時也是AI技術的重要概念。中文裡「Stochastic」和「Random」 二者都被翻譯成「隨機」，然而，二者在數學和演算法領域中，其涵義存在著細微但關鍵的差別。隨機「Random」強調的是單一事件或數據的不可預測性，而 隨機「Stochastic」則描述一個隨時間或步驟演進，且其演進過程包含隨機性的系統或過程，而「隨機」直指了當前AI其「擴散模型」（Diffusion Model）技術的核心。
有別於過去「一步到位」的生成方式，「擴散模型」將過程拆解成多個小步驟，並在每一個步驟中引入隨機性（stochasticity）。這樣的設計，不僅在視覺效果上帶來躍升性的突破，更觸及了AI是否具備展現「創造力」的核心問題。這種隨機性透過「高斯分布」來實現：越靠近原本結果的點，取樣機率越高，越遠則越低，亦即「加雜訊（adding noise）」，也是「擴散模型」名稱的由來。運算生成的結果為「潛空間」（Latent Space），儘管，AI視覺結果的生成過程，我們通常看到的是「降噪（denoising）」的可視化呈現，但真正支撐AI創造力的，其實是「加噪（noising）」。正因為每次在潛空間中引入隨機偏移（stochastic perturbation），模型才能不斷生成不同的圖像，而不是重複性的複製，從而「加雜訊」賦予了AI在潛空間中的漫步與探索，使其生成過程帶有不可預期性（unpredictability），進而具有創造的可能。
陽春麵研究舍的作品《潛像描繪儀》將擴散模型其層層轉換的運算流程，拆解成肉眼可見的物理流程。作品以高爾頓板（Galton Board）裝置來呈現高斯分布，取代電腦中難以可視化的隨機亂數（randomness）。並依據高斯分布取樣像素（sampling）將噪聲圖轉換到潛空間（latent space）。把噪聲加入生成過程，推動影像逐步成形。作品以18世紀末的側面描繪儀，進行生成圖像的輪廓並以線條填充描繪。通過螢幕背光、機械繪製與鏡面的符號組合。《潛像描繪儀》的系列步驟揭示了生成模型的邏輯：它並非單純的數位計算，而是透過隨機性（stochasticity）逐步生成。作品讓我們得以重新思考：是否透過「隨機取樣」（stochastic sampling）與「隨機偏移」（stochastic perturbation）提高「熵」值與「複雜性」得以定義或開啟AI 架構裡的「創造力」？
從隨機過程驅動的適應性計算看，擴散模型可以視為某種「演化過程的隱喻」，但作為受造物的各個「繪畫機器」皆尚未成為電影裡的大衛，畢竟，大衛具備了造物者（creator）主動創造（creation）的意志，而《潛像描繪儀》尚在接受指令的狀態中。而唯有主動的創造意志，受造者才能提升為造物者。
- 註1 原文：“The fire that danced at the end of that match was a gift from the Titan, Prometheus, a gift that he stole from the gods, who were terrified of what we might do with it were it to fall into our hairy little paws…. We can create cybernetic individuals who, in just a few short years, will be completely indistinguishable from us….Which leads to an obvious conclusion: We are the gods now….”。詳請參見：American Rhetoric. “Movie Speech from Prometheus — Peter Weyland’s TED 2023 Address.” American Rhetoric. https://www.americanrhetoric.com/MovieSpeeches/moviespeechprometheusweylandTED2023.html
- 註2 詳見《異形：工程師》（Alien: Engineers）之劇本。同註1
- 註3 一如《聖經》〈創世記 1:27〉神說：「我們要照著我們的形象，按著我們的樣式造人，使他們管理海裡的魚、空中的鳥、地上的牲畜和全地，並地上所爬的一切昆蟲。」 神就照著自己的形象造人，乃是照著他的形象，造男造女。
- 註4 「演化控制論（Evolutionary Cyberneticss）探討的核心問題是：系統如何在變化的環境中適應、學習、進化？訊息處理與自我組織的機制如何推動進化？因此，它不僅限於生物學，還被應用到人工智慧、社會系統、技術發展與哲學。此理論包含三個核心機制：Variation（變異）、Selection（選擇）與Retention（保留）。人工智慧的演化演算法就是「演化控制論」的一種直接實踐。
- 註5 2025年7月，19歲的西洋棋特級大師麥格努斯．卡森（Magnus Carlsen）在不失一子的情形下，於第53手時逼ChatGPT棄子投降。
- 註6 德國哲學家麥克思．賓士以其在「資訊美學」（Informationsästhetik）領域的開創性貢獻而聞名。他的美學理論受到訊息理論與控制論的啟發，試圖將美學從主觀的、感性的範疇轉向客觀的、可量化的分析。
- 註7 熵（Entropy）：系統的不確定性或不可預測性。熵越高，訊息越多樣、越難預測；熵越低，訊息越單一、可預測。在美學中：高熵 →提供新奇性、驚喜感、不可預測性。低熵 → 提供規律、秩序、穩定性。審美價值通常出現在「熵的中間區域」：過於規則的作品會顯得無聊（低熵），過於混亂的作品則難以理解（高熵）。
- 註8 冗餘（Redundancy）：訊息中重複或可預測的部分，用於降低不確定性、加強理解。作品既有重複、可識別的結構，又帶來些許新奇與變化，就能刺激審美快感。
- 註9 複雜性（Complexity）：訊息所包含的結構豐富度，通常可以視為「熵 + 冗餘」的綜合效果。複雜性過低，缺乏吸引力。複雜性過高，觀者無法產生有意義的詮釋。理想的美學經驗來自「最佳複雜性」：在秩序與隨機之平衡。
沈伯丞( 38篇 )