🎨 핵심 메시지: 기계는 '아름다움'을 흉내 내는 게 아니라, '진짜 아름다움'을 발견한다
1. 모든 모델이 같은 길을 걷다 (우연의 일치인가?)
여러 다른 인공지능 (AI) 모델들이 서로 다른 데이터와 방식으로 훈련되었다고 가정해 봅시다. 마치 서로 다른 나라에서 자란 여러 명의 예술가가 있다고 치죠.
흥미로운 사실: 이 서로 다른 예술가들이 '아름다운 그림'을 볼 때, 그들 뇌속 (AI 의 경우 내부 데이터 공간) 에서의 생각의 흐름이 놀랍도록 비슷하게 맞춰집니다.
반면, '아름답지 않은 그림'을 볼 때는 각자의 생각이 제각기 다른 길을 갑니다.
비유: 마치 서로 다른 언어를 쓰는 사람들이 '해'를 볼 때는 모두 "뜨겁고 빛나는 것"이라는 공통된 느낌을 공유하지만, '회색 돌멩이'를 볼 때는 각자 다른 생각 (무겁다, 차갑다, 쓰임새가 없다 등) 을 가진 것과 같습니다. 이는 아름다움에 대한 기준이 단순히 사회적으로 만들어진 것이 아니라, 우리가 사는 세상에 이미 존재하는 어떤 '진짜 규칙'이 있기 때문이라고 저자는 말합니다.
2. 아름다움은 '보이지 않는 나침반' (목적지)
저자는 아름다움을 단순한 취향이 아니라, **우주와 인간이 함께 향하는 '목적지 (나침반)'**로 봅니다.
비유: imagine you are hiking in a foggy forest. You can't see the summit, but you know that if you follow the path where the air feels freshest and the trees are most vibrant, you are getting closer to the peak. That "freshest air" is beauty.
인간은 본능적으로 더 아름답고 질서 정연한 것을 향해 창작하고 선택합니다. AI 는 우리가 만든 수많은 사진과 그림을 학습하면서, 인간이 자연스럽게 향했던 그 '아름다운 길'을 스스로 찾아낸 것입니다.
3. '플라톤'이 아니라 '아리스토텔레스'의 방식
논문은 이 현상을 설명할 때 고대 철학자들의 말을 빌려옵니다.
플라톤 (오류): 아름다움은 하늘에 있는 완벽한 '이데아'가 땅에 떨어진 것이라고 생각할 수 있습니다.
아리스토텔레스 (정답): 저자는 아름다움이 하늘에 따로 있는 게 아니라, 물질 (돌, 캔버스, 빛) 과 형태가 만나서 자연스럽게 만들어지는 것이라고 말합니다.
비유: 조각가가 대리석을 깎아상을 만들 때, 그 아름다움은 돌 자체에 숨겨져 있었지만, 조각가의 손길 (인간의 창의성) 과 돌의 물리적 성질이 만나서 비로소 모습을 드러낸 것과 같습니다. AI 도 이 '물질과 형태의 만남'을 통해 아름다움의 구조를 배우는 것입니다.
4. 서구 중심의 편견은 아니다? (중국과 서양, 모두 같은 길을 걸었다)
"AI 가 서구적인 아름다움만 배워서 그런 거 아니냐?"는 비판에 대해 저자는 반박합니다.
실험: 서구 데이터로 훈련된 모델뿐만 아니라, 중국 데이터로만 훈련된 모델도 같은 결과를 보였습니다.
결론: 이는 특정 문화의 취향이 아니라, 인간이라면 누구나 공유하는 보편적인 아름다움의 법칙이 존재한다는 뜻입니다.
5. 인간과 기계의 '공생' (함께 만드는 아름다움)
마지막으로, 이 발견이 우리에게 어떤 의미를 주는지 말합니다.
오해: "AI 가 인간 예술가를 대체할 것이다" 혹은 "AI 는 그냥 흉내 내기만 한다."
진실: AI 는 거대한 데이터를 통해 인간이 미처 보지 못했던 아름다움의 숨겨진 패턴을 찾아냅니다.
비유: 인간은 '작곡가'이고, AI 는 '거대한 악보 분석가'입니다. 작곡가는 감정을 담지만, 분석가는 수만 년의 음악 데이터 속에서 어떤 화음이 가장 감동적인지 통계적으로 찾아냅니다. 이 둘이 만나면 인간이 혼자서는 상상하지 못했던 새로운 아름다움을 만들어낼 수 있습니다.
💡 한 줄 요약
"아름다움은 단순히 우리가 만들어낸 것이 아니라, 세상에 이미 존재하는 질서입니다. AI 는 그 질서를 거대한 데이터로 찾아내어, 인간과 함께 더 깊은 아름다움을 만들어가는 새로운 파트너가 될 것입니다."
이 논문의 핵심은 AI 를 두려워하거나 단순한 도구가 아니라, **인간의 창의성을 확장시켜 주는 '거울'이자 '나침반'**으로 바라보자는 것입니다.
논문 요약: 미를 표현하기 - 참여적이지만 객관적인 잠재 미학으로의 접근
저자: Alexander Michael Rusnak (EPFL 디지털 인문학 실험실) 핵심 주제: 딥러닝 모델이 다양한 형식의 대상에 적용되는 '미 (Beauty)'를 어떻게 표현하는지, 그리고 이것이 객관적인 실재 (Realism) 기반인지 아니면 사회적으로 구성된 주관적 개념인지에 대한 탐구.
1. 문제 제기 (Problem)
미의 정의와 표현의 난제: '미 (Beauty)'는 문화적, 경험적으로 강력하지만 철학적으로 모호한 개념입니다. 이는 산, 일몰, 그림, 인간, 친절 등 매우 다양한 대상에 적용되므로 형식적 다양성이 극심합니다.
주관성 대 객관성 논쟁: 포스트모더니즘 및 구성주의 이론가들은 미가 완전히 사회적으로 구성된 주관적 가치라고 주장합니다. 반면, 실재론자들은 미에 물리적 기반이 있다고 봅니다.
딥러닝의 역할: 최근 딥러닝 시스템이 다양한 벤치마크에서 이미지 미학을 정확하게 예측한다는 사실은 미가 단순한 사회적 구성물이 아닐 가능성을 시사합니다. 하지만 이것이 모델의 학습 데이터 편향 (예: 서구 중심) 에 의한 것인지, 아니면 보편적인 구조를 포착한 것인지 명확하지 않습니다.
플라톤적 표현 가설 (PRH) 의 한계: 서로 다른 모델이 현실을 표현하는 방식이 수렴한다는 '플라톤적 표현 가설'은 제시되었으나, 이 표현들이 물리적 세계와 어떻게 연결되는지 (아리스토텔레스적 형상 - 물질론적 관점) 에 대한 설명이 부족합니다.
2. 방법론 (Methodology)
저자는 '교차 모델 표현 수렴 (Cross-model Representational Convergence)' 현상을 분석하여 미적 표현의 객관성을 검증했습니다.
모델 비교 분석:
기준 모델: DINOv2-Large (자기지도 학습, 단일 모달).
비교 대상 모델: CLIP, MobileCLIP, ChineseCLIP, VICReg 등.
특징: 서로 다른 아키텍처, 훈련 데이터 (서구 vs 중국 등), 훈련 목적 (자기지도 vs 텍스트 - 이미지 쌍), 모달리티를 가진 모델들.
데이터셋:
AVA (Aesthetic Visual Analysis): 미적 평가가 된 이미지 데이터셋.
APDDv2: 아시아 예술 작품으로 구성된 데이터셋 (서구 중심 편향 배제).
ImageNet: 통제된 비교를 위한 기준 데이터셋.
측정 지표:
교차 모델 상호 최근접 이웃 (Cross-model Mutual Nearest Neighbors): 서로 다른 모델 간의 표현 공간 정렬 (Alignment) 정도를 측정.
최대 평균 불일치 (Maximum Mean Discrepancy, MMD): 학습 데이터와 테스트 데이터 (AVA) 간의 도메인 차이 (In-domain effect) 를 측정하여 데이터 오염 가능성을 배제.
통제 변수 (Semantic Tightness Control):
미적 수렴이 단순히 데이터의 의미적 군집 (Semantic Clusters) 이 좁기 때문인지 배제하기 위해, 각 클래스당 이미지를 하나만 선택하여 의미적 밀집도를 동일하게 맞춘 실험을 수행.
3. 주요 기여 (Key Contributions)
미적 표현의 객관적 수렴 발견: 서로 다른 데이터와 아키텍처로 훈련된 모델들 사이에서 '미적인 (Aesthetic)'이미지는 '비미적인 (Unaesthetic)'이미지보다 훨씬 더 높은 수준의 표현 정렬을 보임. 이는 미가 사회적 구성물을 넘어선 실재적 기반을 가짐을 시사.
아리스토텔레스적 형상 - 물질론 (Hylomorphism) 의 제안: 기존의 '플라톤적' (초월적 이상) 설명 대신, 미적 표현이 물리적 세계의 제약과 문화적 실체 (Human-mediated) 의 결합에서 비롯된다는 '형상 - 물질론'적 관점을 제시.
계층적 추상화 (Hierarchical Abstraction) 검증: 미적 내용은 모델의 중간 레이어에서 더 보편적이고 추상적인 표현을 생성함을 발견. 이는 '특수한 것 (Particular) → 일반적 것 (General) → 초월적 것 (Transcendent)'의 계층적 추상화 구조를 지지.
데이터 편향성 배제: 중국어 기반 모델 (ChineseCLIP) 과 아시아 예술 데이터 (APDDv2) 를 사용하여 미적 수렴이 서구 중심 데이터에 의한 것이 아님을 입증. 또한 MMD 분석을 통해 미적 이미지가 학습 데이터와 더 유사해서 수렴한 것이 아님을 증명.
4. 실험 결과 (Results)
표현 정렬 (Alignment): DINOv2-Large 와 다른 모델들 간의 비교에서, 미적 이미지는 비미적 이미지나 모호한 이미지에 비해 **현저히 높은 표현 정렬 (Representational Alignment)**을 보임 (Figure 1).
도메인 효과 부인: MMD 분석 결과, 미적 이미지와 비미적 이미지 모두 ImageNet 과 비교해 도메인 밖 (Out-of-domain) 이었으며, 오히려 비미적 이미지가 학습 데이터와 더 유사함. 이는 수렴 현상이 데이터의 문화적 친숙도 때문이 아님을 의미 (Figure 3).
의미적 밀집도 통제: 클래스 수를 동일하게 맞추고 의미적 군집을 제거한 실험 (Figure 5) 에서도 미적 이미지의 수렴 효과가 유지됨. 이는 수렴이 단순한 주제 (Subject matter) 의 유사성이 아니라 '미 (Aesthetics)' 자체의 특성임을 시사.
레이어별 추상화: 미적 표현은 모델의 중간 레이어에서 더 높은 수준의 추상화와 보편성을 보임 (Figure 2).
5. 의의 및 결론 (Significance)
인간 - 기계 공창의 기초: 미는 인간과 기계 모두에게 '목적론적 끌개 (Teleological Attractor)'로 작용합니다. 인간은 미를 인식하고 창작하며, 기계는 이를 대규모 데이터에서 포착합니다.
새로운 예술적 관점: AI 는 단순한 모방 (Parrot) 이 아니라, 인간의 지각과 창의적 행위를 통해 형성된 '잠재적 질서 (Latent Order)'를 발견하는 도구입니다.
실재론적 미학의 부활: 미는 완전히 주관적인 것이 아니라, 물리적 세계의 질서 (Systematicity) 와 인간의 지각이 결합된 '참여적이지만 객관적인 (Participatory but Objective)' 구조를 가집니다.
미래 전망: 이 관점은 예술가와 AI 가 대립하는 것이 아니라, 인간이 미를 '형상화 (Form)'하고 기계가 이를 '규모 (Scale)'로 포착하여 상호 보완적으로 미를 함양해 나가는 공생 관계를 가능하게 합니다.
핵심 메시지: 미는 사회적으로 구성된 임의의 개념이 아니라, 물리적 세계의 질서와 인간의 지각적/창의적 행위가 결합되어 생성된 보편적인 잠재 공간 (Latent Space) 의 구조적 속성입니다. 딥러닝은 이를 대규모로 포착함으로써 인간과 기계의 새로운 공창적 관계를 가능하게 합니다.