编辑推荐:
近年来,计算技术和实验技术的突破在审美品味科学中产生了重要发现。本文回顾了两种互补方法的关键发现:机器学习(machine learning)和大规模人类实验(large-scale human experiments)。研究人员认为,这些方法共同代表了计算品
近年来,计算技术和实验技术的突破在审美品味科学中产生了重要发现。本文回顾了两种互补方法的关键发现:机器学习(machine learning)和大规模人类实验(large-scale human experiments)。研究人员认为,这些方法共同代表了计算品味科学(science of computing taste)的根本性转变,即从测量偏好和选择转向重建产生这些偏好的复杂高维表征。利用这些表征(称为“品味空间”(taste spaces)),研究人员可以超越询问人们喜欢什么,进而解释他们为什么喜欢,以及审美品味如何在个体、文化和人工系统之间被学习、构建和转化。最后,研究人员讨论了这些进展如何为应对未来几十年的一些决定性科学挑战创造新的机会,例如理解个体和文化之间审美品味的丰富多样性,以及人工智能(artificial intelligence, AI)日益扭曲人类品味的方式。
引言
审美品味渗透于人类生活的几乎每个方面,影响着衣着、音乐以及无数定义日常体验和社会生活的选择。关于喜欢什么以及为何喜欢的问题,已在哲学、心理学和社会学中被争论了数百年,形成了关于品味本质及其在个体和社会中运作模式的不同观点。既有实证研究主要通过自我报告判断来考察审美品味,例如询问参与者是否喜欢某件艺术品、是否觉得它美丽或有趣。然而,审美品味是一种高度主观的现象,受到感知和认知机制及其与社会文化环境相互作用所构成的复杂影响。传统方法将主观体验简化为简单的评分或选择,因此难以捕捉品味的复杂性和高维性。近年来计算和实验技术的进展使得在所需规模上研究审美品味成为可能。机器学习模型通过从大量图像、音乐、视频和文本中学习高维表征来重建品味空间,捕捉真实环境中审美对象的统计结构和关系;大规模行为实验则通过量化根据感知、情感或意义组织审美对象的心理表征,直接从人类行为中重建品味空间。两者共同代表了审美品味科学中的根本性转变。
通过大数据计算品味
大数据时代为在真实世界中研究审美品味创造了前所未有的机会。人们通过数字平台观看视频、收听音乐、表达好恶、发布评论以及创作和分享作品,这些数字痕迹为品味的行为了解提供了独特视角。机器学习与生成式人工智能的进展使文化制品可以以向量形式在高维空间中被表示,这些模型将刺激的原始内容转化为捕捉相似性和变化模式的数值表征。这种学习到的潜在表征通常称为嵌入(embeddings),使得品味空间可以被建模为根据视觉、听觉或语义内容定位文化对象的高维结构。除了文化对象的内容,个体也可以根据其行为模式被映射到共享嵌入空间中,例如通过点击或点赞。基于大规模音乐嵌入,有研究分析了约七百亿次音乐交互,量化了个体在音乐消费广度上的差异,区分了探索多样音乐区域的“通才型”听众和集中于较窄范围的“专才型”听众。后续工作进一步量化了两百五十万听众的流媒体模式,发现居住在大城市的人们会探索更广阔的音乐空间,且探索广度随年龄系统变化——在青春期快速扩展,二十多岁时达到顶峰,之后逐渐收窄。品味空间还能揭示行为如何适应环境变化,例如当人们前往新的城市或国家时,其收听行为会多样化,并逐渐移向目的地特有的品味空间区域。此外,品味空间也可根据文化制品本身的属性构建,如从图像、音乐、文本中提取的低层和高层特征。在视觉艺术中,审美偏好可由具体性、色调等低层特征和效价、语义内容等高层特征的组合预测,表明品味变化可以在构成文化对象的结构化特征空间中得到理解。多维图像嵌入已被用于在连续视觉空间中表征数千件艺术品,捕捉美学复杂性和风格相似性,并揭示艺术风格的长期变化、艺术家职业生涯轨迹以及他们偏离时代审美的时间点。对大型音乐数据的类似方法则用于追踪流行音乐的演变、识别艺术家独特风格,以及揭示消费模式如何因战争等重大社会事件而转变。大数据的意义不仅在于提供更多数据,更在于使研究者能够在高维空间中对文化制品和人类行为模式进行建模与量化,从而为研究品味如何在不同个体和社会中被建构、表达和转化提供共同框架。
通过人类实验计算品味
大规模人类实验通过直接测量行为来重建心理品味空间,补充了大数据方法。实验范式可以有选择地探测这些空间的不同方面,例如感知、情感和意义,并系统比较个体和文化差异。由于心理表征是潜在且高维的,通常需要大量行为数据,而这些数据往往耗时且昂贵。可扩展行为方法通过将人类判断与计算搜索相结合来解决这一问题,使研究者能够高效地采样大型心理空间。例如,人机交互(human-in-the-loop)范式综合人类反应与计算机算法,估算跨越颜色、语音、音乐和面孔的巨大偏好地形。这些方法恢复了主观体验的连续图,揭示了先前无法访问的整个刺激空间中审美偏好的精细结构。迭代连续复制(serial reproduction)是另一种高效范式,用于采样视觉和音乐等复杂审美领域的潜在心理表征。在该范式中,绘画或旋律等刺激在参与者之间反复再现,从而从逐代累积的系统性误差中推断出潜在的心理表征。跨文化应用这些范式可以揭示这些结构在多大程度上反映共同的认知约束或受文化环境影响。实验导出的品味空间针对审美体验的不同方面。感知相似性是其中一个基础方面,提供了支撑审美体验的知识和联想的关键信息。对大量相似性判断的集合可以重建自然对象的心理组织,揭示跨越低层感知属性(如形状和颜色)以及高层概念属性(如类别、功能和价值)的可解释维度。这些空间的结构已被发现能预测独立任务中的行为,包括分类、社会判断和偏好选择。情感是审美体验的另一核心方面。传统上,情感研究使用由效价和唤醒度定义的低维模型,但近期工作显示出更丰富的高维结构。通过收集数千次人类判断的大规模实验,研究者开发了在大型视频、音乐和视觉艺术集合上重建主观情感图的方法。这些研究表明,情感体验不能由少数离散类别或维度充分描述,而更适合被描述为大型情感空间中的连续梯度,这些空间围绕敬畏、怀旧、愉悦和恐惧等多个维度组织。最后,意义是审美品味的核心,但因其高度情境性和个体性而难以研究。计算语义建模和自由引导范式现在可以从自然语言中量化意义的不同方面。通过在高维语义空间中表征语言,这些方法可以揭示个体如何组织概念,并将意义和联想赋予审美对象。跨文化地,这些方法可以恢复跨语言共享的结构以及颜色、气味和声音等感知体验如何被组织和表征的系统性文化差异。语言还能为更丰富的审美意义提供窗口,这些意义通过情境解释和个人意义浮现。例如,有研究发现听众对音乐构建的个人叙述在文化群体内系统共享,但跨文化则存在差异。类似地,对艺术品的言语描述显示出意义、情感和认知影响的网络结构,能够捕捉个人审美体验。
迈向新的、更广泛的审美品味科学
理解审美品味需要表征审美体验背后的结构,以及这种结构如何塑造产生品味的认知过程,包括感知、情感、评价和意义建构。本文展示了机器学习和大型人类实验的最新进展如何通过揭示使人能够感知、解释和评价审美体验的内部表征和认知过程,来转变品味研究。这些进展为更广泛的美学科学奠定了基础,能够解释品味如何在个体、文化和人工系统之间被建构、表达和转化。这一框架的直接后果是使对个体和文化间审美品味表征的更丰富、更细致的理解成为可能。长期以来关于审美品味本质的问题,包括其生物学和社会起源,取决于品味如何随文化和社会情境变化。然而,许多现有证据来自西方和英语参与者,且刺激通常来自西方文化传统。大数据方法可以以前所未有的规模捕捉文化对象、意义和行为,包括历史上在美学研究中代表性不足的人群、语言和传统。大规模人类实验可以在不预设特定文化系统的情况下密集采样不同模态的刺激空间,揭示复杂心理表征中的跨文化异同。这些方法共同创造了捕捉全球和代表性不足人群品味中细微差异的新机会,包括哪些品味方面来自共同的生物约束,哪些受文化和社会环境差异影响。另一个重要机会是将审美品味科学扩展到人类之外的人工智能。与现代人工智能系统类似,人类也是从大规模数据中学习丰富表征,并在高维语义空间中组织信息以支持预测、生成和决策。然而,人工系统缺乏人类获得知识的具身、情感和社会经验。这使得人机比较成为研究审美品味起源的强大新途径。例如,不经过审美或情感信息训练的机器视觉模型发展出的内部表征,能预测人类对美、效价和唤醒度判断中大部分可解释的方差,这表明审美评价的核心方面可以仅从习得的感知结构中涌现。理解机器表征也日益重要,因为它们影响人工智能系统如何大规模地评估、推荐和生成文化内容与美学。AI生成输出可以改变人类的感知、情感和社会判断,形成反馈循环,使人类数据中的偏差被AI系统放大并通过交互传回人类。由于训练数据不成比例地反映西方和WEIRD人群,这些动力可能导致文化同质化和少数文化代表性不足。品味空间为表征机器审美表征、将其与人类和不同文化进行比较,以及最终推动更以人为中心、更具文化代表性的AI发展提供了共同框架。因此,计算品味需要概念上的转变,从测量品味的可观察结果(如判断和偏好),转向建模产生这些结果的潜在表征。这一转变使该领域能够超越描述人们喜欢什么,而转向理解他们为什么喜欢,以及审美品味如何在个体、文化和智能机器中被学习、表征和转化。
未解决的问题
品味空间如何在分类、推断、评价、学习和创造力等独立任务中支持灵活行为?它们在身份形成和社会行为等更广泛的社会过程中扮演什么角色?品味空间在不同审美领域(如音乐、文学、视觉艺术和时尚)之间如何对齐?一个领域的品味在多大程度上预测或迁移到另一个领域?品味空间的哪些维度跨文化共享,哪些维度通过文化学习和社会经验差异而出现?什么样的认知和感知原则塑造了它们的结构?审美品味表征如何在婴儿早期出现?它们如何在童年和青春期等关键发展时期变化,并如何在整个生命周期中发展?人工系统能否以与人类有意义可比的方式获得审美品味?哪些品味方面来自普遍学习原则,哪些依赖具身和社会经验,哪些可能是人类独有的?机器品味表征如何塑造推荐、预测、推理和新内容生成?如何构建捕捉品味中个体和文化多样性的人工智能系统,同时最小化文化偏差和同质化风险?