Magic Noise: How AI Wanders in the Latent Space
Simple Noodle Art's solo exhibition
LIN & LIN Gallery
2025.08.30 – 10.04
神奇的雜訊︰AI的潛在漫步方式
陽春麵研究舍個展
大未來林舍畫廊
2025.08.30 – 10.04
![]()
《神奇的雜訊︰AI的潛在漫步方式》延續陽春麵研究舍對「演算法生成」與「視覺再現」的長期探討，以人工智慧運算的底層邏輯—「雜訊」（Noise）與「潛空間」（Latent Space）作為核心，展開一場跨越兩個世紀的影像思辨實驗。
展覽以兩組裝置作品《潛像描繪儀》與《噪聲殘影》為主軸，透過道爾頓板（Galton Board）、十八世紀末的側面描繪儀（Physionotrace）、AI影像生成模型等技術與物質的並置，將「手工演算」與「自動生成」的矛盾關係具象化。藝術家嘗試讓觀眾重新觀看AI的思考過程，理解影像生成不只是結果，更是一連串關於秩序、隨機、與創造力的哲學實驗。
AI演算法與雜訊 | 真實與虛擬的漫步
自深度學習（Deep Learning）成為主流後，人工智慧不再只是模擬人類的思考，而是建構出一個以現實為藍本、卻能獨立運作的虛擬空間——潛空間（Latent Space）。在此空間中，圖像、語言、聲音皆被轉化為可計算的向量，並在無限維度的數據場域裡相互連結、重組，成為AI生成的基礎。
在這個過程裡，「雜訊」（Noise）扮演了極為關鍵的角色。所謂的「高斯雜訊」（Gaussian Noise）原指自然界中隨機變化的訊號分佈，呈現出常態分佈（Normal Distribution）的形態：大多數訊號集中於平均值附近，而偏離越遠的值出現的機率越小。這種自然中的隨機性，成為AI生成影像的起點。
藝術家將這樣的數學概念轉化為可見的裝置：道爾頓板中的小球隨重力落下，散落於不同軌道，最終形成鐘型曲線，象徵演算法生成中的隨機性。透過這一物理實驗與AI潛空間的對應，藝術家揭示：AI生成影像的過程，其實是「在雜訊中尋找秩序」的行為，而這種秩序，亦反映出人類對創造的渴望與邏輯。
潛像描繪儀 | 18 世紀的機械眼與21世紀的演算法
《潛像描繪儀》結合道爾頓板的隨機實驗與改造自十八世紀的Physionotrace（側面描繪儀），以歷史與演算法之間的對話重新詮釋肖像的歷史。Physionotrace作為早期的「影像複製機」，曾代表機械化描摹的時代想像；而在今日，它被嵌入AI生成邏輯之中，透過道爾頓板的隨機數據轉換為高斯雜訊，再輸入至AI潛空間中生成新的「肖像」數據，最後再由機械裝置將其繪出於實體平面。
這項作品將十八世紀的「肖像複製術」與二十一世紀的「資料再現術」疊合在同一軌跡上。它讓觀眾見證一種奇異的轉譯：從手工轉化為數據，從數據再轉回手工——人與機器在過程中互為鏡像。最終所生成的肖像，不再是某一特定個體的再現，而是AI對「肖像」這一文化概念的再生成，亦是一場關於演算法的創造力實驗。
噪聲殘影 | 手繪誤差與機器精度之間
《噪聲殘影》則進一步將手繪與程式生成並置，透過疊合與相減的手法，使兩種截然不同的創作邏輯產生干涉。手繪的筆觸、速度與誤差，與演算法的精確、重複與理性，在視覺上交疊成一種不穩定的形象。當重疊部分被「減去」後，所殘留下的線條成為「誤差的形狀」，這些線條既非全然的人為，也非純粹的機械——它們正是人與機器在創造過程中互相滲透的痕跡。
藝術家以此探問：若AI的創造力源於隨機雜訊的引入，那麼人類的創造是否也源自那些不可控、非理性的片刻？手繪的誤差是否正是人類版的「雜訊」？而當我們試圖消除雜訊、追求完美的影像時，是否也同時抹除了創造本身的可能性？
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
Simple Noodle Art's solo exhibition
LIN & LIN Gallery
2025.08.30 – 10.04
神奇的雜訊︰AI的潛在漫步方式
陽春麵研究舍個展
大未來林舍畫廊
2025.08.30 – 10.04
《神奇的雜訊︰AI的潛在漫步方式》延續陽春麵研究舍對「演算法生成」與「視覺再現」的長期探討，以人工智慧運算的底層邏輯—「雜訊」（Noise）與「潛空間」（Latent Space）作為核心，展開一場跨越兩個世紀的影像思辨實驗。
展覽以兩組裝置作品《潛像描繪儀》與《噪聲殘影》為主軸，透過道爾頓板（Galton Board）、十八世紀末的側面描繪儀（Physionotrace）、AI影像生成模型等技術與物質的並置，將「手工演算」與「自動生成」的矛盾關係具象化。藝術家嘗試讓觀眾重新觀看AI的思考過程，理解影像生成不只是結果，更是一連串關於秩序、隨機、與創造力的哲學實驗。
AI演算法與雜訊 | 真實與虛擬的漫步
自深度學習（Deep Learning）成為主流後，人工智慧不再只是模擬人類的思考，而是建構出一個以現實為藍本、卻能獨立運作的虛擬空間——潛空間（Latent Space）。在此空間中，圖像、語言、聲音皆被轉化為可計算的向量，並在無限維度的數據場域裡相互連結、重組，成為AI生成的基礎。
在這個過程裡，「雜訊」（Noise）扮演了極為關鍵的角色。所謂的「高斯雜訊」（Gaussian Noise）原指自然界中隨機變化的訊號分佈，呈現出常態分佈（Normal Distribution）的形態：大多數訊號集中於平均值附近，而偏離越遠的值出現的機率越小。這種自然中的隨機性，成為AI生成影像的起點。
藝術家將這樣的數學概念轉化為可見的裝置：道爾頓板中的小球隨重力落下，散落於不同軌道，最終形成鐘型曲線，象徵演算法生成中的隨機性。透過這一物理實驗與AI潛空間的對應，藝術家揭示：AI生成影像的過程，其實是「在雜訊中尋找秩序」的行為，而這種秩序，亦反映出人類對創造的渴望與邏輯。
潛像描繪儀 | 18 世紀的機械眼與21世紀的演算法
《潛像描繪儀》結合道爾頓板的隨機實驗與改造自十八世紀的Physionotrace（側面描繪儀），以歷史與演算法之間的對話重新詮釋肖像的歷史。Physionotrace作為早期的「影像複製機」，曾代表機械化描摹的時代想像；而在今日，它被嵌入AI生成邏輯之中，透過道爾頓板的隨機數據轉換為高斯雜訊，再輸入至AI潛空間中生成新的「肖像」數據，最後再由機械裝置將其繪出於實體平面。
這項作品將十八世紀的「肖像複製術」與二十一世紀的「資料再現術」疊合在同一軌跡上。它讓觀眾見證一種奇異的轉譯：從手工轉化為數據，從數據再轉回手工——人與機器在過程中互為鏡像。最終所生成的肖像，不再是某一特定個體的再現，而是AI對「肖像」這一文化概念的再生成，亦是一場關於演算法的創造力實驗。
噪聲殘影 | 手繪誤差與機器精度之間
《噪聲殘影》則進一步將手繪與程式生成並置，透過疊合與相減的手法，使兩種截然不同的創作邏輯產生干涉。手繪的筆觸、速度與誤差，與演算法的精確、重複與理性，在視覺上交疊成一種不穩定的形象。當重疊部分被「減去」後，所殘留下的線條成為「誤差的形狀」，這些線條既非全然的人為，也非純粹的機械——它們正是人與機器在創造過程中互相滲透的痕跡。
藝術家以此探問：若AI的創造力源於隨機雜訊的引入，那麼人類的創造是否也源自那些不可控、非理性的片刻？手繪的誤差是否正是人類版的「雜訊」？而當我們試圖消除雜訊、追求完美的影像時，是否也同時抹除了創造本身的可能性？
