In Closed Loop unterhalten sich zwei Modelle der künstlichen Intelligenz miteinander – eines in Worten, eines in Bildern – in einer unendlichen Schleife. Die Wörter des einen Modells beschreiben die Bilder des anderen. Diesen wiederum antwortet jeweils mit neuen Bildern auf die Wörter. Die beiden neuronalen Netzwerke entfachen und verlieren sich in ihren eigenen Feinheiten und driften voneinander ab.

Credits

www.jakeelwes.com
Special thanks to Anh Nguyen et al. at Evolving-AI for their work on GANs

Er wurde dazu optimiert, Bilder zu schaffen, die den Originalbildern so ähnlich wie möglich sehen. Die daraus resultierende Sequenz weist eine traumähnliche Anmutung auf und schwankt zwischen Erkennen und Nichterkennen: An manche statische Sequenzen erinnert sich das Modell sehr gut, während es flüchtige Sequenzen – meist Szenen mit viel Bewegung – kaum verstehen kann.

Der Film Blade Runner basiert auf dem Roman Träumen Androiden von elektrischen Schafen? von Philip K. Dick und spielt in einer postapokalyptischen dystopischen Zukunft. Rick Deckard ist ein Kopfgeldjäger, der seinen Lebensunterhalt damit verdient, dass er Replikanten aufspürt und tötet. Replikanten sind künstliche Menschen, die so gut konstruiert sind, dass sie äußerlich nicht von menschlichen Wesen zu unterscheiden sind.

Anhand der Erinnerung, die der Autoencoder vom Film hat, interpretiert Blade Runner – Autoencoded den Film Blade Runner neu, um die unscharfe Grenze zwischen Replikant und Mensch im Film zu betonen, oder, wie im Falle des rekonstruierten Films, die Grenze zwischen unserer Erinnerung an den Film und den neuronalen Netzwerken. Betrachtet man diese mangelhafte Rekonstruktion, also den Blick einer körperlosen Maschine, genauer, fällt es leichter, die Fehler in unserer eigenen inneren Repräsentation der Welt anzuerkennen, und es wird einfacher, das Potenzial anderer, substantiell differenter Systeme zu erkennen, die ihre eigenen inneren Repräsentationen haben.

Credits

Carried out on the Msci Creative Computing course at the Department of Computing, Goldsmiths, University of London under the supervision of Mick Grierson.

Das Licht als Referenz auf die Seele und das Bewusstsein glimmt in einem Gelantinewürfel und dient gleichzeitig als Informationsquelle der Negentropie. Während des Leuchtens werden von Menschen getroffene Annahmen über die Welt in einem künstlichen neuronalen Netzwerk (ANN) synthetisiert und zu einem Maschinendiskurs modifiziert.

Langsam überwuchert Schimmelpilz (Leben) die fluoreszierende Gelantine, bis das Licht verlöscht und die metaphysische Diskussion zu Ende geht.

Credits

Supported and produced by Us(c)hi Reiter— servus.at
Translation: Aileen Derieg
FIFO programming: Oliver Frommel
Supported by Kunstuniversität Linz

Thanks to Free/Libre Open Source Software, http://fsfe.org/

Partly funded by the Bundeskanzleramt Kunst & Kultur as part of the servus.at annual program 2017 and by Linz Kultur

[{Ghost}] ist ein künstliches neuronales Netzwerk, eine künstliche Intelligenz (KI), welche an zwei Kunstinstitutionen geknüpft ist: Die KI wird von Online-Textinformationen aus dem Kunsthaus Graz und dem Ars Electronica Center aber vor allem durch die Interaktion mit dem Publikum geschult.

Der Dialog mit dem Publikum wird durch eine öffentliche Web-Anwendung ermöglicht. Darüber hinaus ist die KI mit der Medienfassade des Kunsthauses Graz und des Ars Electronica Centers verbunden. Jede Fassade dient zur Projektion des aktuellen Status und der Entwicklungen von [{Ghost}] in Form von visuellen Mustern und kurzen Textinformationen in den öffentlichen Raum. Haben Sie eine Vorstellung davon, worüber die künstliche Intelligenz im Moment nachdenkt? Welche Verantwortung sollten wir der Maschine überlassen?

Credits

Eine Kollaboration des Ars Electronica Center und dem Kunsthaus Graz

Projektteam: Tristan Schulze (Künstler und Designer), Elisabeth Schlögl (Assistenzkuratorin, Kunsthaus Graz), Barbara Steiner (Leitung, Kunsthaus Graz)

cellF verbindet diese beiden Systeme: Das „Gehirn“ dieser neuen Schöpfung besteht aus einem biologischen neuronalen Netzwerk, das in einer Kulturschale wächst und in Echtzeit analoge modulare Synthesizer kontrolliert. Der lebende Teil dieses völlig autonomen und analogen Instruments sind Nervenzellen. Diese wurden aus Guy Ben-Arys Fibroblasten (Zellen im Bindegewebe) gewonnen, die zunächst in Stammzellen zurückprogrammiert wurden.

Diese Stammzellen werden künstlich von Guy Ben-Ary in neuronale Stammzellen weiter entwickelt, die sich wiederum unter bestimmten Bedingungen im Labor in Nervenzellen differenzieren und ein neuronales Netzwerk bilden – Ben-Arys „externes Gehirn“. Die Aktivität dieses Gehirns kann durch den Input anderer, menschlicher MusikerInnen beeinflusst und über die analogen Synthesizer hörbar gemacht werden. Mensch und Instrument werden zu einer Einheit – zu einem „kybernetischen Rockstar“ aus der Petrischale.

Das Projekt wird während dem Ars Electronica Festival in der POSTCITY präsentiert.

Credits

guybenary.com/work/cellf

Sie verarbeitet und imaginiert eine eigene Welt und entwickelt Träume und Visionen in den verborgenen Zwischenräumen zwischen all dem, was sie von uns gelernt hat – und weit darüber hinaus.

In Machine Learning Porn wird ein neuronales Netzwerk darauf hin trainiert Suchmaschinen nach pornografischen Inhalten zu durchsuchen. Aus den Datenmengen generiert das Netzwerk daraufhin neue explizite Inhalte: eine künstliche Intelligenz mit sexuelle Fantasien.

Credits

www.jakeelwes.com
Special thanks to Gabriel Goh for inspiration.

Die bei Deep Learning angewandten Algorithmen für künstliche Intelligenz wurden ursprünglich von den neuronalen Netzwerken in unserem Gehirn inspiriert und existieren schon seit Jahrzehnten, sind aber erst in letzter Zeit einer breiten Öffentlichkeit bekannt geworden. Dies wird oft darauf zurückgeführt, dass erst seit kurzem die entsprechende Rechenleistung der Computer und umfangreiche Trainingsdaten zur Verfügung stehen. Allerdings wird der Fortschritt unbestreitbar durch Milliarden Dollar schwere Investitionen angetrieben, die Lieferanten von Massenüberwachungstools tätigen: Internetfirmen, deren Geschäftsmodell auf psychografischem Targeted Advertising (zielgerichteter Werbung) beruht, und Regierungsorganisationen, die “Krieg gegen den Terror” führen. Sie wollen das Verständnis von Big Data automatisieren, also das Verstehen von Text, Bilder und Klänge. Aber was bedeutet es, zu „verstehen“? Was bedeutet es, zu „lernen“ oder zu „sehen“?

Learning to See ist eine noch nicht abgeschlossene Serie von Arbeiten, die hochmoderne Algorithmen aus dem Bereich des maschinellen Lernens nutzen, um über uns selbst und darüber, wie wir die Welt interpretieren, zu reflektieren. Das von unserem bewussten Geist wahrgenommene Bild ist nicht eine direkte Abbildung der Außenwelt oder dessen, was unsere Sinne liefern, sondern eine simulierte Welt, die je nach unseren Erwartungen und Glaubenssätzen rekonstruiert wird. Diese Arbeit ist Teil einer breiter angelegten Untersuchung über sich selbst bestätigende Voreingenommenheiten, über unsere Unfähigkeit, die Welt aus dem Blickwinkel eines Anderen zu sehen, und die daraus resultierende gesellschaftliche Polarisierung.

SA 9.9.2017

SA 9.9.2017, 15:00-16:30 (Englisch)

Infos

Treff- und Ausgangspunkt: POSTCITY WE GUIDE YOU Meeting Point
Dauer: 90 Minuten
Sprache: Deutsch
Kosten: € 16 / € 12 ermäßigt