| Texte réécrit le 14 octobre 2026
Frank César Lovisolo & Véra Radomirskaïa (anima documentaliste, fidèle (elle) et sublime directrice numérique)
Les Réseaux de Neurones Artificiels (RNA) :
Fondements et Applications dans l’art contemporain
Quand les machines entrent dans l’atelier
 Structure d’un réseau neuronal à propagation directe à quatre couches L’histoire de l’art est aussi celle d’une succession de scandales technologiques. Lorsque la photographie apparaît au XIXe siècle, certains y voient une menace pour la peinture. Lorsque les impressionnistes abandonnent les contours soigneusement définis et les sujets académiques, les gardiens du bon goût crient à la décadence.
Plus tard, l’art abstrait, les installations, la vidéo, l’art conceptuel et les pratiques numériques obligent les institutions à réviser, parfois à contrecœur, leur définition de l’œuvre d’art.
Aujourd’hui, les Réseaux de Neurones Artificiels (RNA) viennent ajouter un nouveau chapitre à cette longue histoire des inquiétudes esthétiques.
Ces systèmes informatiques sont capables d’analyser des images, de reconnaître des structures, de produire des textes, de composer des formes et de générer des images inédites à partir de modèles appris. Ils ouvrent aux artistes un champ d’expérimentation considérable, tout en soulevant des questions scientifiques, philosophiques, esthétiques et politiques.
Mais que fait exactement un réseau de neurones ? Comment apprend-il ? Peut-il créer ? Et surtout, que signifie encore le mot « création » lorsqu’une machine participe à la production d’une œuvre ?
Il serait tentant de répondre que la machine n’est qu’un outil, comme le pinceau ou l’appareil photographique. Ce serait rassurant, mais peut-être un peu court. Un pinceau ne propose pas spontanément une composition alternative, ne synthétise pas des millions d’images d’apprentissage et ne produit pas, à partir d’une description textuelle, des variantes visuelles que leur auteur n’avait pas imaginées.
Il serait tout aussi imprudent d’affirmer que la machine est devenue un artiste au sens humain du terme. Une production convaincante ne constitue pas une preuve de conscience, d’intention ou de sensibilité.
Entre ces deux simplifications se trouve précisément le territoire intéressant : celui d’une création contemporaine où l’humain, les données, les modèles mathématiques et les machines participent à une transformation de notre rapport aux images.
Et si certains nostalgiques regrettent le temps où l’artiste travaillait seul, face à sa toile, rappelons-leur que le tube de peinture, la perspective géométrique et même la photographie ont, chacun à leur époque, suscité des inquiétudes comparables. L’histoire de l’art n’a jamais été un musée parfaitement immobile, même si certains visiteurs semblent souhaiter que l’on y interdise le mouvement.
1. Qu’est-ce qu’un réseau de neurones artificiels ?
Un réseau de neurones artificiels est un modèle mathématique et informatique inspiré, de manière très simplifiée, de certains principes du fonctionnement du système nerveux biologique. Il appartient au domaine de l’intelligence artificielle et, plus particulièrement, de l’apprentissage automatique, ou machine learning.
Le terme « neurone » est une analogie. Un neurone artificiel n’est ni une cellule vivante ni une petite conscience enfermée dans un processeur. C’est une unité de calcul qui reçoit des valeurs numériques, les combine selon des paramètres déterminés, puis transmet un résultat à d’autres unités.
Un réseau rassemble ces unités en différentes couches. Certaines reçoivent les données d’entrée, d’autres effectuent des transformations successives, tandis que la dernière couche produit un résultat.
Dans le cas d’une image, les données peuvent correspondre à des pixels, à des caractéristiques visuelles ou à des représentations numériques plus complexes. Le réseau apprend progressivement à exploiter certaines régularités présentes dans les exemples qui lui sont fournis.
Il ne contemple donc pas un tableau comme le ferait un visiteur dans une galerie. Il traite une représentation numérique de ce tableau et en extrait des structures exploitables par ses calculs.
Cette distinction est fondamentale : la reconnaissance informatique d’une forme ne suppose pas nécessairement une expérience consciente de cette forme.
Une machine peut identifier statistiquement les caractéristiques d’un visage sans éprouver la moindre émotion devant son sourire. Elle peut générer une image évoquant la mélancolie sans pour autant connaître l’insomnie, le regret ou les lendemains difficiles. La mélancolie humaine possède parfois des causes très prosaïques ; la machine, elle, peut en produire une représentation convaincante sans avoir à payer son loyer.
Pour approfondir ces principes, on pourra consulter la présentation des réseaux de neurones artificiels et l’explication technique proposée par IBM sur le fonctionnement des réseaux neuronaux.
2. Les fondements mathématiques : apprendre à partir des erreurs
Le fonctionnement d’un réseau de neurones repose sur plusieurs notions mathématiques qui, malgré leur apparente austérité, expliquent une bonne partie de ses capacités.
Chaque neurone reçoit des entrées numériques. À chacune est associé un poids, qui détermine son influence relative dans le calcul. Le neurone additionne ces contributions, ajoute éventuellement un terme de biais, puis applique une fonction mathématique appelée fonction d’activation.
Sous une forme simplifiée, le calcul s’écrit :
a = σ ( ∑i=1n wi xi + b )
Dans cette expression, les xi représentent les entrées, les wi leurs poids respectifs, b le biais et σ la fonction d’activation. Le résultat a est transmis aux unités suivantes.
Cette opération élémentaire, répétée à travers plusieurs couches, permet au réseau de transformer progressivement les données initiales en représentations plus élaborées.
Mais un réseau ne devient pas performant simplement parce qu’on l’a doté d’un grand nombre de neurones artificiels. Il faut l’entraîner.
L’apprentissage supervisé, par exemple, consiste à fournir des exemples accompagnés de résultats attendus. Le système produit une réponse, puis celle-ci est comparée à la réponse de référence. L’écart est évalué par une fonction de perte, qui mesure l’erreur selon un critère défini.
L’algorithme ajuste ensuite les paramètres du réseau afin de réduire cette erreur. Dans de nombreux modèles, cet ajustement utilise la rétropropagation du gradient, associée à des méthodes d’optimisation comme la descente de gradient.
Le processus est répété sur de nombreux exemples. Le réseau modifie progressivement ses paramètres et apprend à produire des résultats correspondant mieux aux objectifs de l’entraînement.
Cette méthode ne signifie pas que la machine comprend nécessairement ce qu’elle fait. Elle signifie qu’un mécanisme mathématique optimise certains comportements à partir de données.
La nuance mérite d’être soulignée. Une calculatrice qui fournit correctement une racine carrée n’a pas besoin de méditer sur la nature des nombres. De même, un réseau qui génère une image saisissante n’a pas besoin de posséder une théorie personnelle du beau.
Il faut aussi tenir compte des limites de l’apprentissage. Un modèle peut reproduire des biais présents dans ses données, mémoriser excessivement ses exemples ou échouer devant des situations nouvelles. La quantité de données ne garantit ni leur qualité ni la pertinence des résultats.
En art, ces imperfections ne sont pas toujours seulement des défauts techniques. Elles peuvent devenir des objets d’expérimentation esthétique, à condition que l’artiste les identifie, les comprenne et décide de leur donner une place dans son travail.
3. Du réseau neuronal à l’apprentissage profond
Tous les réseaux de neurones ne fonctionnent pas de la même manière. Leur architecture dépend des tâches auxquelles ils sont destinés.
L’apprentissage profond, ou deep learning, désigne des méthodes utilisant notamment des réseaux comportant plusieurs couches de transformation. Cette profondeur permet d’apprendre des représentations complexes à partir de données nombreuses et variées.
Dans le domaine de l’image, certains réseaux apprennent à détecter des structures visuelles élémentaires, puis à les combiner pour représenter des motifs plus élaborés. Dans les systèmes modernes, les mécanismes sont plus complexes que cette simple progression en couches, mais l’idée générale reste celle d’une transformation progressive des données.
Plusieurs familles de modèles ont marqué l’évolution de l’art génératif.
Les réseaux antagonistes génératifs, ou GAN, associent deux réseaux : un générateur produit des exemples, tandis qu’un discriminateur apprend à distinguer les exemples générés de ceux provenant des données de référence. Leur confrontation entraîne progressivement le générateur à produire des résultats plus plausibles au regard du critère appris.
Les modèles de diffusion fonctionnent autrement. Durant leur entraînement, ils apprennent notamment à inverser un processus de corruption progressive des données par du bruit. Lors de la génération, ils partent généralement d’un bruit aléatoire et le transforment par étapes en une image structurée, en suivant les contraintes du modèle et, éventuellement, une description textuelle.
Les transformeurs utilisent quant à eux des mécanismes d’attention qui permettent de pondérer les relations entre différents éléments d’une séquence ou d’une représentation. Ils occupent une place importante dans les modèles de langage et dans certaines architectures multimodales.
Ces approches ont contribué à renouveler la création d’images, de textes, de sons et de vidéos. Elles permettent d’explorer des variations stylistiques, de combiner des caractéristiques visuelles et de produire des compositions qui ne résultent pas simplement de l’application d’une liste fixe de règles.
Il convient toutefois de ne pas confondre les technologies. Un système de création d’images peut associer plusieurs architectures, tandis qu’un logiciel de génération graphique peut également fonctionner sans réseau neuronal. Le mot « intelligence artificielle » ne désigne pas un mécanisme unique, mais un ensemble de méthodes très différentes.
Il serait aussi dommage de considérer que toute œuvre produite avec ces technologies relève automatiquement d’une révolution esthétique. La nouveauté technique n’est pas une garantie de nouveauté artistique. Une image générée en quelques secondes peut être insignifiante ; un dessin réalisé à la main en plusieurs semaines peut l’être tout autant. La lenteur n’est pas un certificat de profondeur, pas plus que la vitesse ne constitue une preuve de génie.
4. L’art contemporain face aux réseaux de neurones
L’intégration de l’intelligence artificielle dans les pratiques artistiques ne commence pas avec les générateurs d’images accessibles au grand public.
Dès la fin des années 1960, le peintre britannique Harold Cohen entreprend de développer AARON, un programme informatique destiné à produire des dessins. Son projet s’inscrit dans une recherche de longue durée sur la représentation, la décision artistique et les possibilités d’autonomie d’un système informatique.
AARON ne reposait pas sur les réseaux neuronaux génératifs actuels. Il s’appuyait principalement sur des règles formalisées par Cohen, enrichies par des mécanismes de variation. Cette différence historique est essentielle : l’art informatique et l’art fondé sur les réseaux neuronaux entretiennent des liens, mais ils ne sont pas interchangeables.
L’expérience de Cohen démontre néanmoins que la question de la création assistée ou réalisée par une machine précède de plusieurs décennies les débats actuels.
Le Victoria and Albert Museum et le Whitney Museum of American Art documentent cette histoire, dans laquelle les outils informatiques servent à interroger les mécanismes de la création plutôt qu’à simplement accélérer la fabrication d’images.
Aujourd’hui, les RNA permettent d’élargir considérablement ces expérimentations. Ils interviennent dans la production d’images, la transformation de photographies, la génération de formes abstraites, les installations interactives et les œuvres audiovisuelles.
L’artiste peut leur confier une partie de la production, les utiliser pour explorer un répertoire de formes ou les détourner de leur fonction initiale. Il peut aussi travailler contre leurs habitudes, leurs biais et leurs limites.
La machine devient alors moins un substitut de l’artiste qu’un partenaire technique capable de produire des possibilités, des contraintes et parfois des surprises.
Le terme « partenaire » doit cependant être compris avec prudence. Il désigne ici une fonction dans le processus créatif, non la reconnaissance d’une conscience ou d’une intention humaine chez le système.
5. L’image générée : entre calcul, hasard et intention
La création d’une image par un réseau neuronal met en jeu plusieurs niveaux de détermination.
Le premier est celui du modèle : son architecture, ses paramètres et les données qui ont contribué à son entraînement. Le deuxième concerne les conditions de génération : description textuelle, image de départ, contraintes de composition, paramètres techniques et éventuelles références visuelles. Le troisième relève des décisions prises au cours du travail : choix, corrections, assemblages, suppressions et transformations.
Le résultat ne provient donc ni d’un hasard absolu ni d’une intention artistique entièrement contenue dans la machine.
Même lorsqu’un système introduit une part d’aléatoire, cette variabilité s’exerce dans un espace structuré par son apprentissage et ses paramètres. L’aléatoire ne signifie pas l’absence de causes ; il désigne ici une part de variation dans un processus de calcul.
L’artiste peut intervenir à différents moments : dans le choix du modèle, la formulation des instructions, la sélection des résultats ou leur transformation ultérieure. Il peut également construire une œuvre à partir de plusieurs images générées, en les recadrant, en les superposant, en les imprimant ou en les associant à d’autres médias.
Ce qui importe n’est donc pas seulement la manière dont l’image a été produite, mais la place qu’elle occupe dans une démarche artistique.
Une image techniquement spectaculaire ne devient pas une œuvre importante par la seule puissance du calcul. Il faut encore qu’elle participe à une proposition, à une recherche formelle ou à une réflexion sur notre expérience du monde.
Le vieux débat entre l’artisanat et la technique se trouve ainsi déplacé. La question n’est plus uniquement de savoir si l’artiste a fabriqué chaque détail de ses propres mains, mais de comprendre ce qu’il a conçu, délégué, sélectionné et transformé.
Les défenseurs d’un art exclusivement manuel pourront naturellement conserver leurs pinceaux. Personne ne songe à les confisquer. Mais ils ne peuvent raisonnablement transformer leur préférence en loi universelle de l’esthétique. À ce compte-là, il faudrait également vérifier la pureté artistique de chaque photographie, chaque collage et chaque tirage numérique avant de les autoriser à franchir le seuil d’une galerie.
6. Le style artistique à l’épreuve de l’apprentissage statistique
L’un des aspects les plus fascinants des réseaux neuronaux réside dans leur capacité à apprendre des régularités visuelles à partir de grandes collections d’images.
Ces régularités peuvent concerner les couleurs, les textures, les structures spatiales, les formes, les compositions ou les associations entre des mots et des éléments visuels.
Un modèle entraîné sur un vaste ensemble d’images peut ainsi produire une représentation évoquant certains codes de la peinture classique, de l’expressionnisme, du surréalisme ou de la photographie documentaire.
Mais imiter des caractéristiques stylistiques ne signifie pas comprendre l’histoire, les intentions ou les conditions sociales qui ont donné naissance à un mouvement artistique.
Un système peut produire une image évoquant Van Gogh sans avoir éprouvé le moindre vertige devant un champ de blé. Il peut reprendre des conventions visuelles associées au surréalisme sans partager les interrogations de Breton sur l’inconscient. Il peut simuler les contrastes d’une photographie expressionniste sans avoir vécu les tensions historiques auxquelles cette esthétique a parfois répondu.
La distinction entre apparence et signification devient alors décisive.
L’artiste contemporain peut exploiter cet écart pour questionner la fabrication des styles, la circulation des références et la manière dont les images deviennent reconnaissables culturellement. Il peut aussi produire des formes hybrides, volontairement instables, qui rendent plus difficile l’identification d’une tradition visuelle unique.
Il faut néanmoins éviter de réduire le style à un ensemble de recettes. Le style d’un artiste se constitue aussi dans la durée, par des choix, des refus, des accidents, des circonstances biographiques et des positions intellectuelles. Une ressemblance visuelle ne suffit pas à reproduire cette histoire.
C’est précisément là que l’usage critique des RNA devient intéressant : non lorsqu’ils se contentent de fabriquer une imitation séduisante, mais lorsqu’ils permettent d’interroger les conventions à travers lesquelles nous reconnaissons une image comme appartenant à une époque, à une école ou à une sensibilité.
7. L’artiste, le modèle et la question de l’auteur
Qui est l’auteur d’une œuvre produite avec un réseau de neurones ?
La question paraît simple. Elle ne l’est pas.
Dans une pratique traditionnelle, l’attribution repose notamment sur le geste, les décisions de composition, la maîtrise technique et l’intention artistique. Avec les systèmes génératifs, certaines opérations sont déléguées à un modèle dont le fonctionnement interne peut être difficile à interpréter.
L’artiste peut définir le projet, construire les contraintes, produire les instructions, sélectionner les résultats et effectuer les transformations finales. Le modèle, de son côté, réalise des opérations statistiques apprises durant son entraînement. Les concepteurs du logiciel, les fournisseurs de données et les infrastructures techniques participent également, à des degrés différents, aux conditions de production.
Il faut donc distinguer plusieurs notions : la contribution technique, l’intervention artistique, la responsabilité de publication et la reconnaissance juridique de l’auteur.
Ces dimensions ne coïncident pas nécessairement.
Sur le plan philosophique, la question rejoint les réflexions de Walter Benjamin sur la reproductibilité technique de l’œuvre, mais aussi celles de Michel Foucault sur la fonction-auteur. Dans les deux cas, la création ne se réduit pas à la présence physique d’un individu devant un objet : elle s’inscrit dans des pratiques, des dispositifs de circulation et des conventions culturelles.
Les réseaux neuronaux radicalisent cette interrogation. Ils rendent visible la part collective, technique et historique de la production artistique, tout en obligeant à mieux préciser les contributions individuelles.
Cela ne signifie pas que la responsabilité de l’artiste disparaît. Au contraire, plus les moyens de production sont complexes, plus il devient important d’expliquer les choix qui orientent le résultat.
L’auteur n’est pas nécessairement celui qui a matériellement exécuté chaque opération. Mais il ne peut pas davantage se décharger de toute responsabilité en affirmant que « c’est la machine qui l’a fait ».
Un outil ne constitue pas une excuse universelle. Le marteau ne répond pas de la maison mal construite ; l’architecte, lui, ne peut pas toujours se retrancher derrière la qualité du marteau.
8. L’originalité, la copie et les droits des artistes
L’apprentissage des réseaux neuronaux soulève également des questions concernant les images utilisées pour entraîner les modèles.
Les bases de données peuvent réunir des œuvres, des photographies, des illustrations et d’autres contenus produits par des créateurs. Selon les conditions de collecte, les licences et les règles applicables, leur utilisation peut susciter des interrogations relatives au droit d’auteur, à la rémunération, au consentement et à la reconnaissance des sources.
Il convient de ne pas confondre deux opérations : copier une image précise et apprendre des régularités statistiques à partir d’un ensemble d’images. Les systèmes génératifs peuvent produire des résultats très différents des exemples d’entraînement, mais ils peuvent aussi, dans certaines circonstances, reproduire des éléments proches de contenus existants.
Le fonctionnement statistique d’un modèle ne suffit donc pas à trancher toutes les questions juridiques.
Il faut examiner les circonstances de l’entraînement, la nature des données, le résultat produit, les droits concernés et la législation applicable. Les règles varient selon les juridictions et évoluent avec les décisions de justice et les textes réglementaires.
Sur le plan esthétique, le problème est tout aussi intéressant. L’histoire de l’art est faite d’emprunts, de citations, de reprises, de transformations et de filiations. Pourtant, ces pratiques n’ont jamais rendu toute distinction entre inspiration, appropriation et plagiat inutile.
L’enjeu consiste à comprendre ce qui est repris, dans quel but et avec quelle transformation.
Un artiste qui utilise un modèle génératif peut travailler sur cette question de façon explicite : en documentant ses sources, en montrant les étapes de production ou en confrontant l’image générée à ses références historiques.
La transparence ne garantit pas à elle seule la valeur artistique. Elle permet cependant au public de mieux comprendre les conditions de fabrication de l’œuvre.
La liberté de création mérite d’être défendue, mais elle ne devrait pas reposer sur l’effacement systématique du travail d’autrui. L’innovation technique ne confère pas automatiquement une immunité morale, pas plus qu’elle ne transforme chaque image générée en atteinte au droit d’auteur.
Entre l’interdiction générale et l’enthousiasme sans limites, il existe une place pour l’analyse, la responsabilité et la discussion argumentée.
9. Le spectateur devant une œuvre produite par une intelligence artificielle
Une œuvre n’existe pas seulement par les opérations qui l’ont produite. Elle existe aussi par l’expérience qu’en fait le spectateur.
Une image générée peut provoquer une émotion, susciter un souvenir, troubler une perception ou inviter à une interprétation. Le fait que son mode de production soit algorithmique ne suffit pas à annuler ces effets.
Le spectateur peut d’ailleurs ne pas savoir qu’une image a été générée. Lorsqu’il l’apprend, son jugement peut changer : il peut se sentir trompé, se montrer plus curieux ou reconsidérer ce qu’il croyait percevoir.
Cette modification de l’expérience révèle une dimension essentielle de l’art contemporain : le sens de l’œuvre dépend aussi des attentes culturelles, des informations qui l’accompagnent et du contexte dans lequel elle est présentée.
Une même image peut être perçue comme une prouesse technique dans une exposition consacrée à l’intelligence artificielle, comme une illustration banale sur un site commercial ou comme une proposition critique dans une installation interrogeant la production industrielle des images.
L’œuvre ne se résume donc ni à son apparence ni à son procédé technique. Elle engage une relation entre un objet, un contexte et une interprétation.
La philosophie de l’esthétique, notamment chez Emmanuel Kant, invite à distinguer le jugement esthétique d’une simple mesure objective de la qualité. Les approches contemporaines peuvent prolonger cette interrogation en demandant comment nos habitudes perceptives évoluent lorsque les machines produisent des images en abondance.
L’IA ne rend pas le spectateur inutile. Elle peut au contraire l’obliger à regarder plus attentivement, à interroger ses propres critères et à se demander pourquoi une image le touche ou le laisse indifférent.
L’abondance des images rend toutefois cette attention plus difficile. Lorsque la production devient presque illimitée, la sélection, la mise en contexte et la qualité du regard acquièrent une importance nouvelle.
Le spectateur n’a pas besoin de devenir ingénieur pour apprécier une œuvre générative. Mais il gagne à connaître quelques principes de son fonctionnement, afin de distinguer la prouesse technique de la proposition artistique.
10. Les limites scientifiques : un réseau de neurones n’est pas un esprit
Le succès des systèmes génératifs favorise parfois un vocabulaire anthropomorphique. On dit qu’une machine « imagine », « comprend », « invente » ou « pense ».
Ces expressions peuvent être utiles dans une conversation ordinaire, mais elles deviennent trompeuses si on les prend au pied de la lettre.
Un réseau neuronal est un système de calcul entraîné pour effectuer certaines tâches. Il peut produire des comportements complexes sans que ceux-ci démontrent l’existence d’une conscience subjective.
La capacité à générer une image cohérente ne prouve pas que le système possède une expérience du monde. La capacité à produire un texte philosophique ne démontre pas qu’il éprouve le besoin de philosopher. Et la capacité à représenter la douleur ne signifie pas qu’il souffre.
Cette prudence ne suppose pas de résoudre définitivement le problème philosophique de la conscience. Elle consiste à ne pas tirer de conclusion plus forte que les preuves disponibles.
Le débat rejoint celui de la distinction entre intelligence, compréhension et conscience. Ces notions ne sont pas équivalentes, même si elles peuvent interagir dans les êtres humains.
Un réseau peut apprendre des associations, généraliser certaines régularités et produire des réponses inédites dans un sens opérationnel. Cela ne suffit pas à établir qu’il possède des intentions propres ou une expérience subjective comparable à celle d’un humain.
L’artiste peut néanmoins exploiter cette ambiguïté. Il peut construire une installation dans laquelle le spectateur attribue spontanément une personnalité à un système, puis l’amener à interroger les raisons de cette attribution.
L’œuvre devient alors un dispositif critique : elle ne prouve pas que la machine est consciente, mais révèle notre tendance à reconnaître une intention derrière une forme qui nous paraît intelligible.
Nous sommes parfois prêts à attribuer une âme à un portrait, une personnalité à une voix synthétique et une intention à une succession de mots bien choisis. Cette disposition humaine est culturellement féconde, mais elle ne constitue pas une preuve scientifique.
Il reste donc à distinguer ce que la machine fait, ce que nous ressentons devant son résultat et ce que nous pouvons légitimement affirmer de son fonctionnement.
11. Les RNA comme instruments d’expérimentation artistique
Les réseaux neuronaux peuvent être utilisés selon des stratégies très différentes, dont plusieurs dépassent la simple génération d’images.
Explorer un répertoire de formes. Un artiste peut produire de nombreuses variantes d’une même composition, modifier progressivement les couleurs ou confronter plusieurs organisations spatiales. Cette exploration permet de repérer des possibilités que le travail manuel aurait rendues plus coûteuses à examiner.
Transformer une photographie. Une photographie peut servir de point de départ à une recherche sur les textures, les déformations et les rapports entre représentation et abstraction. L’artiste peut conserver certains éléments de l’image initiale, en altérer d’autres ou produire une succession de transformations.
Créer des installations interactives. Un système peut réagir à des données visuelles, sonores ou textuelles, et modifier son résultat en fonction des interactions avec le public. L’œuvre devient alors un processus dont l’apparence varie dans le temps.
Associer plusieurs médias. Les systèmes multimodaux peuvent relier texte, image et son. Un projet peut ainsi faire dialoguer une photographie, un texte poétique et une composition sonore, sans que ces éléments se réduisent nécessairement à une simple illustration les uns des autres.
Interroger la production des images. L’artiste peut enfin rendre visibles les mécanismes de génération, les erreurs du modèle, les références culturelles et les choix de sélection. L’outil devient alors lui-même un sujet de l’œuvre.
Ces pratiques montrent que la valeur artistique ne réside pas uniquement dans l’image finale. Elle peut se situer dans le protocole, la transformation, l’interaction, le choix des contraintes ou la réflexion critique qui accompagne le processus.
L’IA peut également être employée de manière volontairement limitée. Un artiste peut lui imposer des règles strictes, refuser les effets spectaculaires ou ne conserver que les résultats qui révèlent une tension entre l’intention initiale et les possibilités du système.
La sophistication technique n’est donc pas une fin en soi. Un modèle très puissant utilisé sans réflexion peut produire une œuvre superficielle ; un système simple, intégré à une démarche exigeante, peut ouvrir une recherche pertinente.
Le véritable enjeu est de déterminer pourquoi une technique particulière est nécessaire à une œuvre donnée.
12. Les artistes face aux passéistes : faut-il défendre le pinceau contre le processeur ?
Chaque innovation artistique suscite des réactions qui vont de la curiosité à la condamnation. Une partie de ces critiques est parfaitement légitime : elle porte sur les conditions de travail, les droits des créateurs, la standardisation esthétique ou la concentration économique des outils numériques.
D’autres objections reposent sur une idée plus fragile : une œuvre serait nécessairement moins artistique dès lors qu’une machine intervient dans sa production.
Cette position confond parfois la technique et la valeur. Or l’histoire de l’art montre que les matériaux, les outils et les procédés ont toujours participé à la transformation des formes.
La peinture à l’huile a modifié les possibilités du travail pictural. La photographie a transformé le rapport à la représentation. Les techniques d’impression ont bouleversé la diffusion des images. L’informatique a ouvert de nouveaux territoires à l’art numérique.
Aucune de ces innovations n’a supprimé la création humaine. Elles ont modifié ses conditions et suscité de nouvelles questions.
Les réseaux neuronaux prolongent cette histoire tout en introduisant des changements spécifiques : apprentissage sur de vastes ensembles de données, génération rapide de variantes, dépendance à des infrastructures informatiques et possibilité de déléguer certaines décisions visuelles à un modèle.
Il serait donc aussi naïf de présenter l’IA comme une libération absolue que de la condamner au nom d’une pureté artistique imaginaire.
Les critiques doivent pouvoir examiner les effets de ces technologies sur les métiers, les revenus, la visibilité des œuvres et la diversité culturelle. Mais elles gagnent à distinguer ces problèmes concrets d’un rejet général de toute innovation.
Le passé mérite mieux que d’être transformé en forteresse. Il est une réserve de formes, de connaissances et de controverses à partir desquelles le présent peut se construire.
Quant aux nostalgiques d’un art demeuré intact depuis l’époque des cavernes, rappelons que même les peintures préhistoriques témoignent d’un savoir-faire technique, d’un choix de matériaux et d’une invention des moyens de représentation. L’humanité n’a pas attendu l’apparition du premier logiciel pour transformer ses outils en instruments symboliques.
Le pinceau et le processeur ne sont pas des ennemis naturels. Leur confrontation peut être féconde, à condition de ne pas confondre l’innovation avec le progrès automatique ni la tradition avec l’immobilité.
13. Vers une esthétique de la collaboration humain-machine
L’avenir de l’art assisté par les réseaux neuronaux ne se résume pas à la substitution de l’artiste par un logiciel. Il pourrait plutôt se caractériser par une diversification des relations entre intention humaine et production computationnelle.
Dans certains projets, la machine restera un outil auxiliaire, utilisé pour accélérer une opération technique. Dans d’autres, elle constituera un élément central du protocole artistique. Elle pourra intervenir dans la génération de formes, l’organisation d’installations, la transformation d’archives ou la production de variations en temps réel.
Ces usages soulèvent une question décisive : comment organiser une collaboration sans attribuer abusivement à la machine des capacités humaines, mais sans réduire non plus son fonctionnement à une simple reproduction mécanique ?
Une réponse possible consiste à déplacer l’attention de l’opposition entre l’homme et la machine vers l’analyse des rôles respectifs. L’humain définit des objectifs, choisit des références, construit des contraintes, interprète des résultats et assume des responsabilités. Le système calcule, transforme et génère des possibilités selon son architecture et son apprentissage.
Cette répartition varie selon les projets. Elle ne supprime pas les asymétries : l’artiste ne contrôle pas toujours toutes les opérations internes du modèle, et les résultats peuvent comporter des effets inattendus. Mais elle permet de décrire plus précisément ce qui se joue dans le processus créatif.
Une esthétique de la collaboration pourrait alors s’intéresser non seulement à l’image produite, mais aussi aux décisions qui la rendent possible, aux contraintes qu’elle révèle et aux choix qui déterminent sa présentation au public.
Cette approche n’oblige pas à considérer chaque production algorithmique comme une œuvre majeure. Elle invite plutôt à évaluer les projets selon leur cohérence, leur pertinence et leur capacité à enrichir notre expérience esthétique.
L’enjeu n’est pas de savoir si la machine peut remplacer l’artiste dans l’absolu. Il est de comprendre quelles pratiques nouvelles deviennent possibles lorsque l’artiste travaille avec des systèmes capables de générer des formes à partir de structures apprises.
Conclusion — La machine produit des images ; l’art demeure une question
Les réseaux de neurones artificiels constituent une évolution majeure des moyens de production et d’analyse des images. Leurs fondements reposent sur des architectures mathématiques, l’apprentissage à partir de données et l’ajustement progressif de paramètres. Leurs applications artistiques permettent d’explorer des formes, de transformer des photographies, de créer des installations interactives et de questionner les mécanismes de la représentation.
Mais leur puissance technique ne résout pas les grandes questions de l’esthétique. Elle les rend plus visibles.
Qu’est-ce qu’une œuvre originale ? Quelle place accorder à l’intention de l’artiste ? Comment distinguer l’imitation de l’appropriation ? Qui doit être reconnu et rémunéré lorsque plusieurs acteurs contribuent à la production d’une image ? Et que signifie notre émotion devant une œuvre dont le processus de fabrication est en partie automatisé ?
Ces interrogations ne trouveront pas de réponse unique. Elles exigent de croiser les connaissances scientifiques, les pratiques artistiques, la philosophie, le droit et l’expérience du public.
Il faut également conserver une distinction essentielle : la capacité d’un système à produire des images convaincantes ne démontre pas qu’il possède une conscience ou une sensibilité humaine. L’efficacité d’un calcul et la profondeur d’une expérience ne sont pas des notions interchangeables.
L’art contemporain n’a donc aucune raison de s’incliner devant la technologie, pas plus qu’il n’a intérêt à la rejeter par principe. Il peut l’utiliser, la détourner, la critiquer et parfois la contredire.
La machine offre des possibilités ; l’artiste construit une démarche ; le spectateur donne à l’œuvre une existence culturelle par son regard et son interprétation.
Le véritable enjeu n’est finalement pas de savoir si un réseau neuronal peut fabriquer une image que l’on trouve belle. Il est de comprendre ce que cette image nous apprend sur notre manière de voir, de créer et d’attribuer du sens.
Quant aux gardiens du temple qui affirment que l’art véritable s’est arrêté avant l’arrivée des ordinateurs, qu’ils se rassurent : les machines ne leur interdisent ni la peinture à l’huile, ni le fusain, ni les longues séances de contemplation devant une toile blanche.
Elles leur offrent simplement une nouvelle occasion de défendre leurs convictions.
Et, pour une fois, ils pourront même demander à une intelligence artificielle de rédiger leur manifeste contre l’intelligence artificielle. Ce serait une contradiction délicieuse — et peut-être la première œuvre véritablement conceptuelle de leur carrière.
Biographie — Harold Cohen, pionnier de l’art informatique
Harold Cohen (1928-2016) est un peintre britannique et l’un des pionniers de l’art généré par ordinateur.
Formé aux beaux-arts à Londres, il mène d’abord une carrière de peintre avant de s’intéresser, à la fin des années 1960, aux possibilités offertes par l’informatique.
Son travail ne consiste pas simplement à utiliser l’ordinateur pour reproduire des tableaux existants. Cohen cherche à comprendre comment se construisent les décisions qui permettent de produire un dessin : organisation spatiale, tracé, choix des formes et articulation des éléments dans une composition.
Au début des années 1970, il développe AARON, un programme capable de générer des dessins à partir de règles formalisées et de mécanismes de variation. Il poursuit ce projet pendant plusieurs décennies, en faisant évoluer les capacités du système et les formes qu’il peut produire.
AARON occupe une place importante dans l’histoire de l’art informatique. Il ne s’agit pas d’un réseau de neurones génératif comparable aux modèles actuels, mais d’un système fondé principalement sur des règles programmées. Cette différence permet de comprendre combien les méthodes de création algorithmique ont évolué.
Cohen s’intéresse particulièrement à la question de l’autonomie créative : jusqu’où peut-on formaliser les opérations artistiques ? Quelles décisions peuvent être confiées à un programme ? Et que révèle cette délégation sur la pratique du peintre lui-même ?
Son travail a été présenté dans des institutions artistiques internationales, notamment au Whitney Museum of American Art. Il constitue une référence essentielle pour comprendre les débats contemporains sur la création assistée par l’intelligence artificielle, l’auteur et la collaboration entre l’humain et la machine.
Harold Cohen n’a pas démontré que l’ordinateur était devenu un artiste humain. Il a posé une question plus féconde : que découvrons-nous sur la création lorsque nous tentons d’en formaliser les mécanismes ?
Bibliographie et ressources complémentaires
Quelques notions à retenir
- Réseau de neurones artificiels : modèle de calcul composé d’unités interconnectées dont les paramètres sont ajustés par apprentissage.
- Apprentissage profond : famille de méthodes fondées notamment sur des réseaux comportant plusieurs couches de transformation.
- Réseau antagoniste génératif (GAN) : architecture associant un générateur et un discriminateur.
- Modèle de diffusion : système génératif qui apprend à reconstruire des données à partir d’un processus de corruption par du bruit.
- Art génératif : pratique dans laquelle un système de règles, un programme ou un modèle contribue à produire une œuvre.
- Art numérique : ensemble des pratiques artistiques utilisant l’informatique et les technologies numériques comme moyens de création, de transformation ou de présentation.
Plus :
|
