张应韬 | 重构“艺术之眼”:AI时代计算艺术史研究的范式转型与区域知识生产批判

艺术史研究正处于人工智能驱动的范式革命与方法创新之中，艺术史研究的方法之“眼”，正在从观察、阐释、鉴定、书写走向数据分析、机器识别、可视辨析。数字人文与人工智能的发展使得神经网络、机器视觉分析、自然语言处理技术成为艺术史研究的新方法之“眼”。这使得艺术史研究在智能计算化的转向过程中得以重新解构与价值解读，并从依托一手材料的微观个案分析走向依托海量数据的大模型规律分析，因而使得研究对象与研究方法、知识生产、价值阐释出现了底层逻辑的认知差异与工具重塑。^[1] 这也使得去中心化的区域知识生产的叙事逻辑，正在面临计算艺术史研究发展过程中潜藏的“算法偏见”，这带来了西方中心主义困境，以致算法支持下的艺术史叙事文化霸权不再隐藏。区域之间的系统共创与个性保存，使得反身性与赋能性的计算艺术史研究创新路径得以形成，从而进入到一个全球艺术史知识生态建构的新阶段和知识图谱共建的新体系，这为未来揭露了一个新的学术研究领域。因此，计算艺术史研究的出现不仅是对传统艺术史研究的一种新继承，也是面向未来的新交叉研究领域，因而从知识迭代的逻辑视野来审视，计算艺术史研究既是传统的转换区，也是发展的新开端。^[2]

当前，艺术史研究面临人工智能技术介入后的范式转型，本研究以重构“艺术之眼”为关键隐喻，试图探讨人工智能时代影响下的“计算艺术史”研究范式转型如何推动公众去审视、书写艺术史的方式及认知变迁。^[3] 这区别于传统的“图像文本-理论阐释-社会书写”三者融合所建构的艺术史研究轨迹，因而使得艺术史研究得以再认识，并带有鲜明的批判视角重构与介入到“计算艺术史”研究所蕴含的技术赋能与文化嬗变；并进一步讨论在 AI 赋能下的艺术史研究如何对于其“区域知识生产”进行内核潜能的挖掘与文化中介的诠释。当前，深受数据流与信息流双重影响下的艺术史研究正处于新的理论范式建构的摇摆过程中，AI 的出现使得区域艺术史的知识生产与内容书写所面临的均质化风险局面再次被打破。这也使得地方的、民族的、区域的审美艺术传统与在地文化哲学得以重新解读，技术的科学中立角色也不复存在。这还使得计算艺术史研究背后的区域文化意涵和权力话语博弈的重置问题得以凸显出来，因而本研究试图超越艺术史的传统技术应用视角，去揭示计算艺术史研究本质的认识革新，并对区域知识生产过程中的非对称影响进行批判性地研究、审视、考察。

数字人文的浪潮涌入到艺术史的研究之中，使得“AI赋能”“计算转向”成为艺术史研究中不得不面对的理论“闯入者”。以故宫中华珍宝馆线上数据库、谷歌艺术计划、欧洲文化遗产转型项目、伦勃朗数据库、梵高全球数据库、图绘提香数据库、瓦尔堡研究院的荷兰“图像志分类系统”与“文化史图像数据库”、哈佛数字图书馆数据库、梵蒂冈博物馆在线平台等代表的文化艺术大数据平台的出现，将海量的艺术相关的文本图像、史料物证、档案口述材料等信息进行汇总与整理，并以开源方式供予各界进行使用，这使得艺术史的研究从资料占有的独家钻研走向了共享共建的社会共创阶段。^[4]同时，在艺术史数据库及数据分析的“计算转向”过程中，人工智能的助力使得以卷积神经网络为代表的机器学习模型充分介入到了图像识别、风格分类、物象鉴定、真伪检测、趋势分析、知识图谱生产等多方面，因而“计算艺术史”研究随之兴起。^[5-6] 这使得艺术史研究者开始将定量与定性的研究方法融合到艺术视觉文化、风格演变、社会网络等研究对象中，同时还将当代社交媒体存在的“公众艺术评论、史料文本解读、自传日记审读、口述历史记录”等传统学术研究材料，进一步在自然语言处理技术分析下，形成了关键词图与趋势热点等新兴艺术史研究材料，因此，艺术史研究范式正在从“文本阐释、图表建构”向“数据智能、可视分析”转型。^[7-8]

回顾学术史，计算艺术史的研究是一个跨学科领域。严格意义上来说，传统艺术史属于文史哲领域，但随着20世纪70年代计算机科学的快速发展，使得图像统计学、红外摄影技术被引入到艺术图像研究与文化遗产保护过程中，因而使得图像数据化的发展改变了自沃尔夫林(Heinrich Wolfflin)、贡布里希(Ernst Hans Josef Gombrich)、潘诺夫斯基(Erwin Panofsky)以来的艺术风格学研究、图像学研究、图像志方法的思辨范式。^[9] 麦克卢汉(Marshall McLuhan) 的“技术-媒介”理论被艺术史研究又进一步吸收，使得艺术史研究在具身化、身体化、媒介化层面涌入了新的知识认知与价值构成，这使得艺术史研究不再是单一的历史对话，而是多元的场域互通，并逐渐超越了文本、图像的限制。^[10] 巴克森德尔(Michael Baxandall)的新旧艺术史分野，使得艺术史范式得以重新审视，推动了艺术修辞史、艺术社会史的出现，拓宽了艺术史的边界，因而为跨学科、多媒介的数智技术的介入提供了学术沃土，并进一步推动了图像语言到艺术万维的发展。^[11] 列夫·曼诺维奇(Lev Manovich)的媒体观进一步为艺术史数据模态的发展提供了“自动化、模块化、数字化、可变性、可转码”的原则指导，这使得智能媒介与数字媒体也成为了艺术史研究“计算转向”的舞台之一，并激活了艺术图像数据史的生产与媒体艺术史的涌现。^[12] 同时，艺术图像的中外元数据库建设潮流的出现，使得类型、风格、时间、作者、主题等数十个数据分类，均成为艺术图像数据库建构的核心，这也是“计算艺术史”在 AI赋能后的主要产物，也进一步推动了艺术史图像与文本的云端化、平台化。^[13] 后现代的“语言结构转向”使得艺术思想史转向了文本挖掘，例如，中国历代人物传记资料库、罗赛蒂档案库、德国马尔堡艺术史图像档案中心、德国艺术史百科全书、汉画数据库等代表数据艺术史项目，使得艺术史的数字人文已成趋势。^[14-15] 值得关注的是，尽管艺术史面临“数字技术”和“计算转向”的影响，但是其基本的历史研究范式仍然未改变，只不过是在不断适应时代的发展过程中因地制宜、因时制宜地前进，据此艺术史研究应该积极拥抱技术与数据。^[16] 后殖民理论与全球艺术史的西方中心主义使得其他区域被忽视，詹姆斯·艾尔金斯(James Elkins)、大卫·萨默斯(David Summers)的图像观、全球观、 自然观等批判性观点得以再次认识，因而使得艺术史研究在“计算转向”的影响下，不再是西方中心主义的线性叙事逻辑，而是全球视野的主体逻辑。^[17-18] 在 AI 时代，科学技术社会学与“算法偏见”的理论研究发展，使得以传统西方中心主义为关键的艺术图像数据库建设存在技术层面的“算法压迫”，并使得非西方的区域艺术史知识生产存在滞后阶段与中空区域，同时还显示了技术并非完全独立，因而艺术史研究过程中计算范式的转向与发展使得文本图像建档的“区域社会偏见、科技伦理失衡”等风险日益凸显。^[19-20] 因此，在AI重构艺术史的范式中，技术、艺术、社会、文化、权力的多方主体应该连接起来，并为人工智能时代的艺术图像数据、表征、评估提供理论支撑与多元思辨。^[21-22]

本研究所面临的根本性问题是：技术媒介的普适化与艺术知识的区域化存在着难以消解的科技伦理张力，因而在计算艺术史的研究范式转型过程中的算法模型也需建构在去中心主义的有效训练数据及其规模体系之上，但现实却是现有的艺术史数据典藏还是依托在西方造型艺术的数理审美之上，如空间、比例、透视等。这忽略了不同区域主体之间的艺术生产网络、知识表征，使得计算艺术史在发展过程中存在“算法偏见”，从而造成了技术主导的“文化误读”。^[23] 尤其是以东亚国家为代表的艺术图像“算法偏见”的技术误读，这种现象在传统西方艺术史研究中的计算数据库建设中尤为突出，因而以中国书画的东方审美、书画同源、笔法表达、形式媒介、诗书钤印等为代表的区域艺术并不能完全被算法所审视，甚至需要重新收集数据集，并进行重新训练与机器学习。因此，面向计算艺术史的批判审视成为迫在眉睫的事宜，这更是计算艺术史研究范式转型过程中破解西方中心主义结构、重塑区域知识生产的重要驱动力。^[24] 这使得积极探讨研究范式转型中的“反身性”“赋能性”路径尤为必要，而进行独立文化语境的计算艺术史研究，不仅可以反向促进全球与区域艺术史知识生产的平等性对话，还能帮助艺术史图像数据库建设过程中AI伦理的塑造。^[25]

“艺术之眼”指的是艺术史研究的“眼睛”，即方法和工具。这也是研究的关键，即如何“观看”与“解读”。当前，AI发展日益趋向成熟，正在挑战与重塑艺术史研究者的观察感知与阐释方法。这不仅是对研究范式的转型，也是一种认知变革的发展。传统的艺术史研究基于博雅教育基础上的人文学与阐释学展开，核心是对艺术品的定性分析、语境解读、文化传播。艺术史研究者首先是掌握鉴赏法，一般聚焦于艺术的经验感知和形式风格解析。^[26] 其次是掌握图像学方法，从瓦尔堡(Aby Warburg)到潘诺夫斯基(Erwin Panofsky)的理论研究，突出图像志研究，并分为“主体类型的识别描述、内容主题的阐释剖析、象征精神的内在解读”三个维度，因而将“观看”维度引入到“意义”维度，从而对艺术品的文化“原境”和内容表征进行重构。^[27-32] 最后是掌握艺术社会史方法，也就是自阿诺尔德·豪泽尔(Arnold Hauser)和 T·J·克拉克(T. J.Clark)以来，将关注艺术品的“眼睛”投放到政治网络与权利关系、经济社会与制度环境、审美风尚与意识形态等外延对象，趋向于艺术史的社会学研究和社会视野下的艺术史研究。^[28-33] 通过回顾艺术史的常规范式可以充分体现出传统艺术史研究的对象化定性、价值阐释性、文本图像性、个案解读性之微观特征，但却无法从广泛的艺术遗产中提炼出宏观规律性和数据可视性的特点。

当前，通过 AI 赋能使得计算艺术史研究出现了新的范式要素，即“数据化、算法化、可视化”。通过 AI 收集艺术品相关数据，从而使得艺术史研究变成了可计算的定量研究，同时兼顾传统的定性研究，也从静态观看对象转向动态的计算对象。^[29]

第一，“数据化”实质上是将艺术图像文本与采集数据、仿真模型进行计算分析的预处理，使其成为可计算的样本数据。^[30] 需要保证手稿画作、模型雕塑、工艺制品、历史照片等图像的高分辨率、色彩标准化的模拟信息，从而提取其像素点和特征点导入预处理的视觉几何组、残差网络为代表的深度学习模型之中，从而提取高维特征的数据向量。其次，对史料、文本、评论、书籍等非结构化文本中的词汇语句进行挖掘，构建词汇语料库与词袋模型要素的提取模式，将其转化为一个个独立的数值词向量。^[31-32] 将艺术品关联的时间、地点、创作者、尺幅等原始信息元数据导入到表格进行分类，再导入机器学习模型进行结构化数据分析，必要时还需要对文本、图像进行匹配处理与数据清洗。因此，数据化就是将艺术品信息转化成计算机可以识别的数据语言，虽然技术带来了赋能，但由于结构化、标签化的数据状态又破坏了其艺术信息的原真性、完整性。^[33-34]

第二，“算法化”实质是对所处理好的艺术品信息进行机器学习，并进行信息可视化，绘制其艺术品背后所存在的具象物质文化网络与抽象艺术精神走势。首先，艺术品的数据信息视觉分析主要是依托卷积神经网络进行图像分类，并量化艺术史发展轨迹中显著个体与广泛群体的时期特点、风格特征、关键信息、创作活动、艺术主张等，并追溯作品与创作者的影响关系与风格传播路径^[35-36]；还可以挖掘图像中的人物、空间、装饰、物品的构图特征与着色偏好、题材属性进行整体化与大数据化的分析。另外，运用自然语言处理进行艺术史研究文献处理，从文献中提取出重复化、规律化出现的主题词、主题句，并根据这些信息进行数据集式的文献分析，从而追溯其趋势变迁与发展规律，同时通过命名实体识别进行识别特定语汇信息，如创作者、时间、地点、机构等，从而构建知识图谱^[37-40]；并通过数据分析获取艺术品背后的师承、合作、交易、工作、生活、赞助、书信通信、组织结构、迁移等深度信息，围绕主体对象建构相关的社会网络分析，并揭示艺术家、艺术品、艺术运动的运营机制和现象规律。

第三，“可视化”实质是将计算数值转化为易于解读的艺术品赞助的走势图、风格特征的时空分布图、创作者活动的群体网络图、艺术运动兴衰的主体趋势图与总体网络关系分布图，据此历史上“艺术史家、艺术创作者”的对象信息得以在当代艺术史研究者进行 AI 赋能后，可以进一步理解精读主体对象、文本图像材料外的趋势规律、系统关联、关键差异、人群结构等内容，从而为研究提供新的研究议题、预备研究假设与长期分析基础。^[38-39]

通过“数据化、算法化、可视化”进行计算艺术史研究的范式革新，首先，使得研究对象从“艺术作品”转变为“艺术数据”，通过海量的数据集合呈现出艺术史的量化规律分析与模式特征。其次,使得证据验证从“孤立文本图像”“关键铁证”“个体权威阐释”转变为“海量统计论证”“计算图像网络”“数据解读书写”。这种转变一般在宏观现象分析与趋势发展轨迹讨论中很有必要，超越了传统的个体阐释的推理逻辑，以数据量化客观论证的分析，从而考据了艺术史研究假设，避免了个体文献解读的主观性。再次，研究规模从“微观精读”转变为“宏观计算”。传统艺术史研究更多是对个案的精微化解读，但是在 AI 赋能下则能进一步改变传统研究的宏观分析存在的短板，这使得长时段、大区域、广对象、深层级的艺术演绎现象得以客观解读。^[40] 最后，叙事模式从“线性”到“网络”的转变，计算艺术史研究范式转型，实则突破了传统的时间、族谱、代际的编年线性体系，通过知识图谱、网络分析、趋势走向的综合分析，据此揭露了艺术史上分散主体的社会历史参与和典型主体的宏大时空叙事以及去中心化、去英雄主义化的微观主体再阐释。^[41]

综上，AI 重构了艺术史研究之方法工具，从人文之“眼”转向计算之“眼”，建构计算艺术史研究的材料焦点、证据链条、数据尺度、叙事体系，从而不仅革新了传统研究范式，拓展了艺术史的研究边界，还使得艺术史的“观看”与“解读”走向视野拓宽的新阶段。但是AI赋能下的计算之“眼”由于技术并非完全独立与中立，这使得算法的依赖既成为范式转型的重要创新工具，又使得“观看”媒介、聚焦维度、“解读”层级容易陷入到技术漏洞之中，因而对于计算艺术史的批判审视必不可少。

艺术史的全球化与区域化被 AI 时代的“算法之眼”凝视时，使得艺术史关联的政治、经济、文化的网络结构与技术所存的客观量化、科学普适产生了价值张力与观念碰撞。因此计算艺术史研究范式转型，并不能完全消解传统艺术史研究中的西方中心主义困境, 还有可能因为 AI 时代的计算属性使得传统的文化霸权被强化，从而削弱了区域化的知识生产。艺术史学科自 19 世纪在德语区成立以来，艺术史研究演绎轨迹始终与欧洲国家发展史及其殖民史密切相关。^[42] 自温克尔曼(Johann Joachim Winckelmann)开始将古希腊艺术的起源、繁荣、衰落的线性叙事与审美框架进行确立时，就在无意识中确立了以西方语境为核心的艺术史价值评价体系和社会文化视角下的艺术历史演进轨迹，并经过欧美大陆传播与发展形成了当今所看到的线性基本研究路径，即“早期欧洲艺术-中世纪艺术-文艺复兴艺术巴洛克、洛可可艺术-新古典主义艺术-艺术与手工艺美术-新艺术与装饰艺术-现代主义艺术-国际主义艺术-后现代主义艺术”，因而这种西方中心主义的艺术史线性叙事轨迹，具有强烈的西方文化主导的叙事普适性。西方语境艺术史叙事模式, 使得以中国为代表的东方艺术体系和非洲、拉美的区域艺术体系被处于“他者”位置。在早期的艺术史书写中往往被忽视，直到近20年才被提及且多被动地受到西方文化围绕的社会影响或作为西方艺术革新过程的“东方灵感”“非洲要素”“拉美装饰”，尤其是自19世纪60年代以后在西方艺术思潮发展中凸显出来的“工艺美术运动、新艺术运动、装饰运动、现代主义运动”等体现最为明显。因而艺术史的区域国别知识生产在一定程度上正是对于惯有的西方中心主义文化霸权叙事的回应与抵抗，其区域性知识始终坚守在地化的民族审美与历史叙事基础之上。但是值得关注的一个悖论，即在不断强化区域艺术史的自我主体性的同时，又需要借助西方艺术史及史学史的关键概念、风格分类、话语阐释、理论方式等来表述自身，这无疑又将区域化的艺术史叙事逻辑被动地归置到“主体补充”的外部，间接又强化了西方中心主义语境的艺术史书写模式，使得去中心化的区域艺术史知识生产再次处于一个边缘的位置。^[43] 虽然过去有喜仁龙(Osvald Sirén)、高居翰(James Cahill)、苏立文(Michael Sullivan)等部分西方学者积极将区域化的东方艺术史推介给欧美学界，但是区域知识生产的核心仍然是以本地化的理论体系建构与文化主体叙事为核心，AI 时代的计算介入，使得边缘化的技术文化偏见仍然出现在当前的知识场域中，尚不足以突破西方中心主义叙事语境与书写范式，这也显示了本土文化挖掘的深入性有待进一步提升，也揭示了非西方区域的各区域国别的艺术史研究本身也需要进行自我艺术价值主张的提炼与传播解读。^[44]

尽管前文提到在艺术史研究过程中，通过 AI 赋能使得深度学习模型等技术成为研究的提速工具，但是其并非完全保持了纯粹的主体中立与价值客观，因而计算艺术史研究的认知方式主要是由外部所提供的艺术集合训练数据所塑造。目前，区域艺术史知识生产受到技术媒介的效率赋能与质量提升，但当前计算艺术史研究一旦被 AI 模型介入，不可避免地继承了前文所提到的“算法偏见”，这种技术偏见本质上也是一种文化偏见。^[45]

一是数据偏差。外部提供的训练数据是否均衡与具有代表性，是影响偏差的关键原因。计算视觉的训练模型大多来源于线上公开资源，但欧美博物馆的藏品数字化成为了网络数据库的主体，因而使得普通艺术史数字化研究出现了图像训练数据集的资源分配不均与权利不平等的问题。同类型的亚洲、非洲、拉美等地区的博物馆藏品数字化有待提升，且因为特定语言、平台版本等影响并不能完全被数据爬虫所收录或载入，因而就导致了全球艺术史的数字化进程中，会不自觉偏向西方样本，这在一定程度上造成西方绘画作品的算法训练模型并不能客观地“理解”特定地区的艺术典型特征与关键图像表征。例如，对于中国山水画或非洲面具艺术的图像基因难以识别等问题。出现这种数据偏差的问题，在当前数据训练过程中十分明显，有待就此问题进行跨学科协同解决。

二是表征偏差。计算艺术史研究的算法训练集在训练过程中受到西方艺术数据集的影响，并不能完全捕捉与审视亚洲、非洲、拉美等地区的艺术美学与核心价值，因此计算模型并不能有效表征与阐释其内核。这使得西方艺术作品中例如空间透视、肌肉组织、体块关系、明暗关系、纯度明度等数理化特征数据的捕捉，与中国书画中例如“气韵生动”等美学哲思化的特征数据捕捉难以融合，因而使得计算模型简单化地将其处理为单一的像素位置和特征向量，而过滤了东方艺术的精神内涵、美学价值等内容，从而造成计算艺术史研究过程中的“表征危机”。另外，还会造成误读风险，尤其是在东方化的中国山水画中有明显的“皴法”审美，这种代表书画笔墨的力度、浓淡、节奏、干湿的艺术表征,极有可能被主流图像分类模型所误读，甚至被认定为西方油画作品中的笔触效果。因此，这种数据训练集的计算理解误差也是一种技术刻板印象下的“文化误读”，反映了这种表征偏差局限并不能完全理解不同区域国别的艺术美学、核心内涵。

三是评估偏差。机器学习模式会由于外部的数据集训练，致使以创作者、时代、风格、特征等西方艺术族谱为代表的分类标准为基础进行评估，在评估西方油画与中国山水画时会出现截然不同的评价结果，显示了技术局限性，而非立足于充分的、去中心化的全球艺术评估基准。同时还会造成艺术品交易市场的区域失语，通过数据挖掘对艺术拍卖进行分析相关的艺术金额、流派分布、市场偏好，极易受到以西方垄断性拍卖行的数据影响，使得区域化艺术品的交易价值、收藏评估、资金运营均会受到西方艺术史的主流叙事影响。这种不平等的“文化霸权”权利话语结构体系，在数据可视化的加持下得以强化，并间接隐藏了西方中心主义的艺术史线性叙事逻辑。^[46] 这也反映了评估偏差在艺术品的实际交易中显性存在，同时显示出鲜明的西方艺术叙事价值链条，使得本土艺术拍卖的话语变弱，从而使得强化本地艺术价值评估的主体性尤为迫切。

综上所述，由于宏观普适的数据规律弱化了艺术史的自觉文化批判，造成区域艺术主体性的消弭，使得算法训练模式将艺术训练数据集逐渐统一化、标准化，造成计算艺术史研究在转型过程中出现了算法训练采集数据的均质化风险，并进一步削减了区域艺术的历史传统、风格体系、文化概念、主体特征等核心本体，被迫将其卷入到算法训练的特定西方语境数据逻辑框架之中。例如，中国书画存在的“题跋”“钤印”，在普适性数据算法的训练与识别过程中被简化为通用信息，因而使得这种特色化的艺术特征被忽略，从而使得计算艺术史研究趋向同质化的数据统计分析，造成计算艺术史研究范式转型中的区域主体性与文化多样性被算法所吞噬，这无疑是一种算法凝视下对区域知识生产的“技术暴力”和“算法抹平”。^[47] 因此，计算艺术史研究的范式转型，不是简单地技术赋能，还带来了对于非西方艺术知识生产的数据偏差、表征偏差、评估偏差。这将无声的文化偏见嵌入到既有算法数据训练模型中，造成了不同程度的文化误读风险，使得区域化的地方知识主体被边缘化、扭曲化。

当前，在面临前文所提到的计算艺术史范式转型中存在的张力与挑战，应该进行批判重构，并超越二元对立，与区域文化主体的发展密切匹配，避免知识生产的经验主义与教条主义。计算艺术史的研究范式，并非是替代传统艺术史研究的人文阐释，而是构建一种反身性与赋能性融合的研究范式。反身性，指保持区域主体对于自身方法论的思辨清醒和文化自觉；赋能性，指区域知识生产的主体性指导与批判性吸纳。通过这种批判性的研究范式探索，将使得艺术史的未来研究更具科技思辨、伦理关怀和文化自觉。^[48-49]

后殖民理论家爱德华·萨义德(Edward Said) 在其“东方主义”研究中阐述了西方学术知识生产体系如何建构与支配“他者”文化，这启示了计算艺术史研究的算法数据训练有可能成为新的工具，应该避免“他者”文化被西方中心主义支配。^[50] 霍米·巴巴 (Homi K Bhabha)“杂交性”的观点启示计算艺术史应该超越二元对立，关注文化、技术、媒介互动中的综合阐释性与混合复杂性，应该避免单向度的文化输出，“杂交性”概念为当前研究提供了超越二元对立的思路，提示计算艺术史研究关注技术与不同文化碰撞时所产生的新旧知识混合的阐释可能性，而非单向度的文化输出与技术介入。^[51]科学技术社会学学者布鲁诺·拉图尔 (Bruno Latour) 的行动者网络理论提出“技术物是社会建构的行动者而非中立工具^[52-53]；唐娜·哈拉维(Donna Haraway)的情境化知识论提出“知识生产的过程是局部化与情境化的表现”^[54]。这启示计算艺术史研究在数据获取中应该关注数据溯源、模型建构对象、技术目标等内容，从而将缺乏算法赋能的艺术史知识生产处于一个合适的位置，而非具有倾向性。据此，“批判性计算艺术史”研究应该将技术嵌入文化社会活动，同时对数据分析方法中的权益不对称保持警觉与反省，还要追求 AI 赋能艺术史研究中“算法权利”的平等性与“机器解读”的多元性，从而依托技术形成去中心化的区域知识生产格局。

一是各区域主体应该发起跨区域的艺术史数字人文研究合作及数字转化实践合作，将非西方艺术品进行数字化，从而建立分布式的数据库，使得多元化的艺术数据得以被广泛区域内的受众所“自主可发现、自由可访问、多方可共享、主体可操作、数据可复用”，使得艺术元数据可以适配不同区域，避免被某一区域的数据话语所垄断后出现出的数据偏差。^[55] 二是应积极开发跨语种、跨类型、跨区域的艺术数据算法通用模型，加强机器学习对不同区域的艺术品及艺术史知识生产的文化敏感性，并通过价值共创的方式，将特定领域艺术特征，如中国书画中的皴法、笔势等，交给特定专家进行精细标注与特性审核，避免忽略不同艺术对象的典型特征所出现的表征偏差。三是建立不同区域艺术自身规律的评估标准与评价模式，关注其精神内涵、美学特征、文化自觉、主体意象等内容，而非单方面将艺术进行像素化向量的识别解读，避免被普适化的数值向量评估所出现的评估偏差而误导。四是将各区域整合起来的艺术数据训练集与机器学习模型进行代码开源，保证各区域主体可以“共创、共建、共享”获得算法透明，克服 AI 赋能艺术史出现的技术黑箱现象。五是进一步在数据集的机器学习与算法训练过程引入 AI 伦理的通用审查和个体伦理的人工审查，使得机器学习的计算模型与数据训练、判断逻辑与决策路径得以兼顾区域化特色，避免区域艺术知识生产过程中的边缘化、中心化的问题，凸显出不同区域的文化主体性与文化敏感性。^[56]

AI 赋能计算艺术史研究的区域知识生产，本质上不仅是解答旧的研究问题，而是立足区域文化主体基础上提出新的问题，并在技术支持下回答新的问题。充分释放 AI 技术效能，依托卷积神经网络与自然语言处理技术分析不同区域艺术主体的图像文本、文献品评，如中国画的画论、题跋、钤印等内容，从而形成知识图谱、关键词共现网络，并将区域艺术内部的社会网络关系、艺术史变迁、典型视觉特征、核心概念得以数据化可视。这在中国书画中特别明显，如艺术家网络、从秦汉到明清的中国艺术趋势变化、中国画的“意境”概念、“高远、深远、平远”的构图、笔墨皴法等知识信息。这能使得艺术创作与历史书写之间形成量化实证的研究关系，在 AI 赋能下重构艺术史研究的区域主体自主性与多元历史叙事体系；同时，可以在算法赋能下聚焦于以不同区域的艺术术语进行分析范畴的重塑，改变传统西方存在“人物画”“风景画”“宗教画”“静物画”等西方分类概念的研究范式，凸显与纳入各个区域国别地区的分类概念，如将中国“仕女图”“界画”“市井图”“山水画”“花鸟画”等分类标准纳入全球艺术史的分类体系之中，面向不同区域采用本土化范畴作为局部分析与统筹讨论的研究起点^[57]；并通过本土化分析模式激活不同区域学者专家之间的合作，将区域知识生产的地方概念以数据代码的形式输入给机器模型之中，从而形成本土艺术演绎的“编码”，以此来揭露区域内的艺术史图像文本的范式规律与跨类型、跨属地的主体影响。因此，从一定程度上来说，AI 赋能的计算艺术史研究范式转变，不仅是新工具介入到新问题过程中所提出来的知识跃迁，更是一种艺术史研究走向定量与定性结合的思维变革，由技术驱动突破研究视角的边界，采取多元方式解决艺术史研究的复杂问题。

综上所述，AI 赋能艺术史研究，使得区域知识生产形成了跨文化且公平对话的艺术新场域，并形成了计算艺术史的生态体系与迭代范式。AI 因此不再是造成“算法偏见”的文化霸权工具，而是趋向包容平等的全球艺术平台。首先，区域知识生产的场域实现去中心化，通过构建开放互通的全球艺术数据库，形成跨越区域的分布式知识图谱平台，各个区域又保持独立性与自觉性，有效建构各自的子图谱平台，使得“单数-复数”的艺术史知识生态得以共建、共享，并保留了各自对其艺术数据与文化特征的解释权和多元化的叙事体系与概念分类、逻辑模式。其次，借助 AI 成为跨区域的艺术史研究对话的中介，帮助机器学习的数据集训练找到不同的艺术家、艺术运动、艺术流派、艺术网络之间的相似性，一方面进行个体对象的主体可视化，另一方面进行不同对象的比较可视化，使得不同区域的艺术史叙事逻辑得以交叉与各自发展。最后，艺术史研究的叙事逻辑不再是单线状态，而是多网络状态，能够在 AI 技术中介对话的基础上，使得不同区域的艺术史研究传统与艺术发展轨迹得以互鉴交流，从而使得西方中心主义的艺术史叙事逻辑不复存在，而是走向全球艺术史的互通对话叙事机制，并促使计算艺术史的研究范式彻底转型，进入到一个共生共建、共享共荣、共管共写、共智共进的新艺术史阶段。^[58] 因此，计算艺术史研究范式转型及区域知识生产，不仅是批判性的理论吸纳、反身性的技术实践、赋能性的知识重构，更是从文化介入工具转型成为促进全球艺术史知识生产的批判性平衡思维的体现，因而超越了传统的艺术史研究建构逻辑，使得艺术史研究者与人工智能科学家应当一起应对危机和塑造未来，并建构计算艺术史研究的新逻辑。

AI 时代的计算艺术史研究，不是单纯地范式转型与技术进步, 而是思维转变与方法迭代。本研究以重构“艺术之眼”作为全文的核心隐喻，揭露传统艺术史研究的“观看”与“解读”模式，正在人工智能的重构下走向“观测”与“洞察”模式。研究范式转型既体现了数据驱动与算法建模，还拓展了艺术史研究的学科视野与方法工具，更展现了西方中心主义的线性叙事逻辑正走向全球与区域共建、共享的网络叙事逻辑，同时还进一步显示了技术赋能与传统范式之间所呈现出的尖锐张力、人文之“眼”与算法之“眼”之间塑造出的文化偏见、中心主义与去中心化之间演变出的表征无力、技术普适与区域特征之间表达出的同质风险。这种研究范式转型，不仅是一种工具方法的突破，甚至还潜藏着传统艺术史的中西方关于中心主义的话语博弈与权力危机。因此，对于计算艺术史研究的批判审视无疑能够平衡与调和其所存在的机遇和挑战。^[59]

本研究的创新之处在于突破了 AI 的工具性讨论，而是深入到后殖民批判与科学技术社会学的理论融合，建构了艺术史研究与数智技术赋能之间的对话平台，并促进人文艺术与数智学科交叉之间的文化理解与权利融通。因而建立“批判性计算艺术史”的理论框架，并从批判到实践，践行“反身性贯彻到全环节的技术路径”和“确立计算艺术史的赋能性目标”，并使之强化区域计算艺术史研究的文化敏感性，从而保护主体特色，并开发多元艺术元数据集保障主体自觉，激活全球艺术多元网络叙事逻辑保证主体话语。这使得 AI 技术也从潜在的中心主义强化工具转变为去中心化的区域知识生产融合器。但是本研究也存在了一定局限，即侧重理论框架建构与批判性思辨，并未展开一定规模的案例验证与算法实践，未来还需要在多元化、跨区域的交叉项目中进行具体计算艺术史研究实践，并进一步从实践中提炼出可供指导的方法论。从未来的趋势来看，跨学科的计算艺术史研究的全球合作势在必行，需要协同共创与分工合作，同时也要面向区域进行技术攻关，如开发“中国书画气韵”等含有特定区域美学范畴的机器学习模式与算法数据训练集，即进一步建构全球化、开源化、共创化的艺术史知识图谱研究平台，营造多元共生的全球艺术知识生态。此外，未来的艺术史研究将走向“重构”和“批判”并存的道路。计算艺术史研究范式转型更需要艺术史研究者们共同拥抱技术与保持思辨、伦理自觉，从而推动计算艺术史研究走向全球化叙事逻辑，实现区域主体对话交流、平等尊重、多元共融。