Майбутнє споживчих товарів є генеративним.

Сьогодні генеративні алгоритми onchain в основному використовуються у сфері візуального мистецтва, оскільки художники пишуть код для створення цифрових та інтерактивних творів, анімацій та принтів. Однак мистецтво, ймовірно, лише перше застосовне середовище для цього нового творчого процесу в мережі. Ми віримо, що генеративні медіа onchain поширюватимуться в усіх інших галузях споживчих товарів і предметів розкоші, і цей художній процес однозначно уможливить новий клас фізичного виробництва через генеративне виробництво.

Привабливість генеративних колекцій очевидна: споживачі прагнуть унікальних продуктів, які відображають їх унікальність, а також прив’язують їх до більшої спільноти. Завдяки моделі 1/1/x генеративні алгоритми досягають цього, створюючи унікальні твори в ширшій колекції з цілісною естетикою. Ці унікальні творіння задовольняють специфічні смаки окремих людей, дозволяючи детально виражати плем’я, і його успіх у цій справі демонструється зростаючою популярністю ринків PFP та нішевих спільнот, що розвиваються навколо певних генеративних рис.

Цікаво, що генеративні алгоритми та розподіл рідкостей 1/1/x також усувають напругу між масовим виробництвом і налаштуванням. У традиційному виробництві створення індивідуальних продуктів у великих масштабах часто є недоцільним і дорогим. Проте генеративні алгоритми можуть бути безпосередньо інтегровані в апаратне забезпечення виготовлення, як-от 3D-принтери, верстати з ЧПК, лазерні принтери, автоматичні ткацькі верстати та інші пристрої, забезпечуючи здійсненність з точки зору виробництва та розповсюдження, водночас пропонуючи дефіцитність і унікальність.

Ця взаємодія між соціальною динамікою та рідкістю, а також цифровим створенням і фізичним виробництвом закладає основу для нового класу споживчих товарів і предметів розкоші, які поєднують алгоритмічну випадковість, параметризацію для кінцевого користувача та унікальність, яку можна перевірити, щоб задовольнити бажання споживачів.

Історія генеративного виробництва

Художники постійно зверталися до технологій як до засобу для дослідження нових вимірів творчості. З часом ці відносини помітно еволюціонували, переходячи від чистих мистецьких спроб до злиття мистецтва та виробництва.

1960-ті – раннє генеративне мистецтво: художники почали експериментувати з алгоритмічними процесами для створення творів мистецтва. Використовуючи ранні комп’ютери та мови програмування, а також такі інструменти, як перовий плоттер, такі художники, як Манфред Мор, Віра Молнар і Гарольд Коен, почали створювати твори мистецтва, керовані алгоритмами.

1980-ті – революція персональних комп’ютерів і програмного забезпечення: поява персональних комп’ютерів зробила цифрові інструменти більш доступними. Це дозволило ширшому колу художників експериментувати з цими новими художніми процесами.

1990-ті – 2000-ті – народження та розширення адитивного виробництва: у міру появи та розвитку 3D-друку художники побачили нові можливості. Генеративні художники почали експериментувати з цими інструментами, створюючи скульптури та інсталяції безпосередньо зі своїх проектів, керованих програмним забезпеченням.

З 2000-х до 2010-х – цифрове мистецтво зустрічається з цифровим виготовленням: у міру розвитку обох сфер цифрові митці співпрацювали з виробниками, архітекторами та дизайнерами для реалізації великомасштабних інсталяцій. Такі проекти, як вежа Hy-Fi від The Living, яка використовувала органічну цеглу, вирощену зі стебел кукурудзи та грибів, включили принципи генеративного дизайну в свою концепцію та використовували сучасні методи виробництва для її створення. Приблизно в цей час програмні інструменти, спеціально розроблені для митців, як-от Processing, дозволили їм створювати складне програмне мистецтво без глибоких знань програмування.

2010-ті – Дозрівання інструментів і методів: генеративні мистецькі платформи та фреймворки, такі як openFrameworks і TouchDesigner, стали популярними. Ці інструменти в поєднанні з більш доступними та складними технологіями 3D-друку, лазерного різання та фрезерування з ЧПУ забезпечили безперебійне виробництво. Наприклад, такі митці, як Nervous System, використовували генеративні алгоритми для розробки унікальних ювелірних виробів і предметів одягу, які згодом були надруковані на 3D.

2020-ті – Конвергенція та співпраця: межа між мистецтвом, дизайном і виробництвом стає дедалі розмитішою. Мистецькі інсталяції, архітектурні споруди та навіть побутові об’єкти тепер демонструють унікальну естетику та можливості, які може створити комбінація. Примітно, що мистецтво onchain у цей час відновило інтерес до сфери генеративного мистецтва, використовуючи криптографічні дані як випадкові початкові значення для колекцій onchain. У поєднанні з новими примітивами в дигіфізичному просторі ми досягаємо нового плацдарму в поєднанні цифрового створення та фізичного виробництва.

Сучасні творчі митці не просто створюють мистецтво; вони переосмислюють споживчі товари, поєднуючи естетичну цінність із функціональним дизайном і розсуваючи межі того, що можливо як у мистецтві, так і в промисловості.

Експерименти Web3

У web3 є різноманітні ранні експерименти з генеративним виробництвом.

Історія генеративного виробництва

Художники постійно зверталися до технологій як до засобу для дослідження нових вимірів творчості. З часом ці відносини помітно еволюціонували, переходячи від чистих мистецьких спроб до злиття мистецтва та виробництва.

1. 1960-ті – раннє генеративне мистецтво: художники почали експериментувати з алгоритмічними процесами для створення творів мистецтва. Використовуючи ранні комп’ютери та мови програмування, а також такі інструменти, як перовий плоттер, такі художники, як Манфред Мор, Віра Молнар і Гарольд Коен, почали створювати твори мистецтва, керовані алгоритмами.
2. 1980-ті – революція персональних комп’ютерів і програмного забезпечення: поява персональних комп’ютерів зробила цифрові інструменти більш доступними. Це дозволило ширшому колу художників експериментувати з цими новими художніми процесами.
3. 1990-ті – 2000-ті – народження та розширення адитивного виробництва: у міру появи та розвитку 3D-друку художники побачили нові можливості. Генеративні художники почали експериментувати з цими інструментами, створюючи скульптури та інсталяції безпосередньо зі своїх проектів, керованих програмним забезпеченням.
4. З 2000-х до 2010-х – цифрове мистецтво зустрічається з цифровим виготовленням: у міру розвитку обох сфер цифрові митці співпрацювали з виробниками, архітекторами та дизайнерами для реалізації великомасштабних інсталяцій. Такі проекти, як вежа Hy-Fi від The Living, яка використовувала органічну цеглу, вирощену зі стебел кукурудзи та грибів, включили принципи генеративного дизайну в свою концепцію та використовували сучасні методи виробництва для її створення. Приблизно в цей час програмні інструменти, спеціально розроблені для митців, як-от Processing, дозволили їм створювати складне програмне мистецтво без глибоких знань програмування.
5. 2010-ті – Дозрівання інструментів і методів: генеративні мистецькі платформи та фреймворки, такі як openFrameworks і TouchDesigner, стали популярними. Ці інструменти в поєднанні з більш доступними та складними технологіями 3D-друку, лазерного різання та фрезерування з ЧПУ забезпечили безперебійне виробництво. Наприклад, такі митці, як Nervous System, використовували генеративні алгоритми для розробки унікальних ювелірних виробів і предметів одягу, які згодом були надруковані на 3D.
6. 2020-ті – Конвергенція та співпраця: межа між мистецтвом, дизайном і виробництвом стає дедалі розмитішою. Мистецькі інсталяції, архітектурні споруди та навіть побутові об’єкти тепер демонструють унікальну естетику та можливості, які може створити комбінація. Примітно, що мистецтво onchain у цей час відновило інтерес до сфери генеративного мистецтва, використовуючи криптографічні дані як випадкові початкові значення для колекцій onchain. У поєднанні з новими примітивами в дигіфізичному просторі ми досягаємо нового плацдарму в поєднанні цифрового створення та фізичного виробництва.

Сучасні творчі митці не просто створюють мистецтво; вони переосмислюють споживчі товари, поєднуючи естетичну цінність із функціональним дизайном і розсуваючи межі того, що можливо як у мистецтві, так і в промисловості.

Експерименти Web3

У web3 є різноманітні ранні експерименти з генеративним виробництвом.

Neolice Loom від Trame

Craft Nouveau Trame x CPG — це серія колекцій, зосереджених на поєднанні традиційних ремесел із генеративним мистецтвом, демонструючи здатність генеративного коду зберігати художні стилі культур у всьому світі. Navette by Alexis André була дебютною колекцією Craft Nouveau, де Алексіс написав алгоритм, який генерує зображення, призначені для автоматичного ткання за допомогою Neolice Loom — автоматичного ткацького верстата, який може вводити код для ткацтва фізичних виробів.

Екосистема fx(hash) зазнала багатьох експериментів на стороні виробництва – ймовірно, через підхід до самовидавництва без дозволу. Klangteppich, динамічний NFT, що розвивається, надає інструкції для ткацького верстата та дозволяє колекціонерові отримати фізичну частину будь-якої згенерованої рами. Міні-жоржини зберігають у метаданих NFT інструкції щодо створення кишенькової скульптури розміром 3,5 x 2,0 дюйма з 14 шарів альфа-целюлозної дошки, вирізаної лазером. Nuages ​​possible створює варіації хмарної серії Джоані Лемерсьє з результатами коду, відтвореними плотером у фізичному просторі.

Nuages можливі на fx(хеш)

Окрім ремесла та мистецтва, мода є одним із найбільш досліджених шляхів генеративного виробництва. Виробництво Iteration-002 компанією 9dcc є раннім прикладом поєднання генеративного дизайну та фізичних продуктів. Сорочки Iteration-002 були створені наживо за допомогою принтера, підключеного до алгоритму SnowFro Squiggles. Принтер покладався на алгоритм випадковості вихідного коду для визначення рис дизайну, надрукованого на сорочці, і він дотримувався такого ж розподілу ознак, що й оригінальна колекція 10k.

9dcc ІТЕРАЦІЯ-002

Tribute Brand також нещодавно перемішав алгоритм Chromie Squiggle для створення промислового одягу. Власники Chromie Squiggle можуть створювати персоналізовані светри за допомогою свого унікального Chromie Squiggle, тоді як інші можуть створювати єдині в своєму роді светри за допомогою оригінального алгоритму Chromie Squiggle. Випадок включав як цифровий, так і фізичний светр ODDS, отриманий із вихідного коду Chromie Squiggle. Цифрові об’єкти служать кресленнями для майбутніх видань светрів і можуть використовуватися як скіни в захоплюючих середовищах, а кожен унікальний цифровий об’єкт ODDS можна обміняти на відповідний фізичний светр ODDS, виготовлений вручну Waste Yarn Project.

Інші відомі генеративні модні проекти включають mmERCH і RSTLSS, обидва з яких планують експериментувати з алгоритмічною випадковістю та дизайном.

Застосовуючи дещо інший підхід до генеративних благ, Deep Objects використовували механізм курації спільноти, щоб скоротити мільйон дизайнів, згенерованих їхньою моделлю GAN AI, до єдиного шматка. Тепер цей останній виріб буде надруковано на 3D-принтері на демонстрації створення генеративних продуктів спільноти.

Генеративний виробничий стек

Генеративний виробничий стек можна розбити на 5 рівнів:

Створення: початковий етап, на якому дизайн або концепція генерується за допомогою алгоритмів або процесів ШІ.

Керування: процес відбору та вдосконалення створених проектів для досягнення бажаних результатів або характеристик.

Переклад: перетворення цифрового дизайну в машинозчитувані інструкції або код для використання виробничим обладнанням.

Виготовлення: фізичне виробництво або виробничий процес дизайну з використанням різних матеріалів і обладнання.

Автентифікація/зв’язування: перевірка автентичності виробленого продукту та зв’язування його з цифровим двійником для забезпечення походження.

Шар створення

Створення генеративного товару починається з коду. Такі бібліотеки, як p5.js і Processing, надають художникам і дизайнерам потужні інструменти для створення генеративного мистецтва. Ці бібліотеки розширюються за допомогою випадковості в ланцюжку за допомогою початкових значень, згенерованих із хешів передачі, даних маркерів, заголовків блоків тощо. Миттєві механізми Onchain, такі як ArtBlocks Engine і fx(hash), дозволяють художникам легко підключати ці випадкові початкові числа до свого коду та карбувати твір мистецтва безпосередньо в ланцюжку.

Для художників штучного інтелекту цей рівень зосереджений на розробці моделі та її тонкому налаштуванні для створення бажаної естетики. Зазвичай вони починають з вибору попередньо існуючої моделі AI, такої як генеративна змагальна мережа (GAN) як основу. Завдяки зворотному поширенню ваги моделі поступово вдосконалюються, щоб створити зображення, яке відповідає бажаному стилю. Художник надає зворотний зв’язок, відбираючи найпривабливіші результати та повертаючи їх назад до набору навчальних даних. Цей ітеративний процес продовжується, удосконалюючи продуктивність моделі та дозволяючи художнику досліджувати різні можливості. Крім користувальницьких моделей або Stable Diffusion LoRA, існують також інструменти для спрощення цього процесу, наприклад Scenario.gg.

Кураторський шар

Після рівня створення вихідні дані коду можуть бути додатково вдосконалені відповідно до уподобань користувача. У контексті творчого кодування це зазвичай у формі параметризації для кількох гравців, як те, що доступно з fx(hash) fx(params).

У контексті генеративних моделей штучного інтелекту кураторство зазвичай здійснюється через ширшу спільноту власників токенів, як у випадку з генеративним алгоритмом Ботто та процесом проектування спільноти Deep Objects.

Студії або самвидав — останній етап процесу курування. Саме тут приходять генеративні студії, такі як Trame і ArtBlocks, щоб представити твори публіці, або fx(hash) як самовидавець.

Рівень перекладу

Після встановлення алгоритму та дизайну генеративний продукт має бути переведений у машинозчитувані інструкції для виготовлення обладнання. Переклад — це відносно простий процес із метою відтворити твір у фізичному просторі якомога точніше до оригіналу.

Переклад можна виконати кількома різними способами, зокрема:

Художник / Колекціонер Інтерпретація. Найпростіший спосіб перекласти об’єкт – залишити фізичні характеристики дизайну художнику чи колекціонеру. Вони приймали рішення про те, як має бути виготовлений виріб, матеріал, який буде використано, конкретні розміри тощо.

Вбудовані риси. Набагато більш масштабований і цікавий підхід полягає у вбудовуванні фізичної інформації, необхідної для виготовлення, у сам NFT. Характеристики в метаданих NFT визначають області інтерпретації (наприклад, кількість ниток, розмір ниток, інструкції з плетіння тощо для виробу гобелена).

Пряма інстанціація. Третій підхід полягає в безпосередньому створенні ресурсу, який можна інтерпретувати: генеративний алгоритм уже адаптований для апаратного забезпечення виготовлення, або результатом алгоритму є файл для 3D-друку або вершини 3D-сітки.

Рівень виготовлення

Після перекладу згенеровані товари виготовляються. ​​Фаза виготовлення — це критичний крок, який передбачає перетворення віртуального дизайну на фізичний об’єкт. Кілька технік, таких як 3D-друк, фрезерування з ЧПУ, лазерне різання, робо-принтери та автоматичне плетіння, використовуються для створення об’єктів із різних матеріалів і форм.

Генеративна кераміка Траме

Для першого випуску Trame з Алексіс Андре, згаданого вище, Neolice Loom використовувався як обладнання для виготовлення. Neolice Loom використовує спеціальний сценарій художника та переосмислює код у 3D-простір за допомогою плетіння. Trame також поширюється на нові середовища - на зображенні вище показано експеримент із генеративною керамікою.

Незважаючи на те, що сьогодні Artmatr є специфічним для генеративного мистецтва, він підкреслює, що передові інструменти виготовлення можуть зробити для фізичного виробництва цифрових предметів. Художники співпрацюють із командою Artmatr, надаючи різні цифрові формати файлів, як-от код, 3D-моделі, файли PSD (Photoshop), вектори та анімацію. Далі вони визначають фізичні «нитки», включаючи такі параметри, як середовище (олія, УФ, акрил), підкладка, розміри тощо. Нарешті, це матеріалізується завдяки використанню таких машин, як роботизовані руки та 6-осьові принтери. Використовуються різні методи, такі як струменевий друк, аерографія та екструзія, а отримані топології можуть бути 2D, 2,5D або 3D.

Рівень автентифікації/з’єднання

Після створення фізичного об’єкта його потрібно зв’язати з цифровим двійником. Це було б схоже на дигіфізичні процеси в інших просторах, таких як мода. Використання комунікаційних чіпів ближнього поля, подібних до тих, які виробляють Kong і IYK, стенографії та QR-кодів – це лише деякі методи зв’язування цифрового з фізичним і забезпечення сертифікації щодо походження.

Перегляньте наш нещодавній допис про дигіфізичну інфраструктуру тут або наш матеріал про цифрову моду, який занурюється в цифрові стратегії моди.

Майбутні можливості

У майбутньому ми очікуємо, що існуюче генеративне мистецтво onchain діятиме як програми для похідних. Ми бачили це завдяки використанню Squiggles у різноманітних модних проектах, і ще одним раннім прикладом цього є Terraflows, дослідження поля потоку, створене на основі мистецької програми Terraforms. Таке мережеве мистецтво може призвести до захоплюючих реінтерпретацій генеративного мистецтва у фізичному просторі. Наприклад, можна використовувати художній сценарій Fidenza для створення архітектурних планів 3D-друкованих будинків.

Ще одна цікава майбутня можливість — це токенізація децентралізованих виробничих потужностей для виробництва генеративних товарів у масштабі у своєрідній мережі фізичної інфраструктури. Любителі та комерційні виробники з відповідним обладнанням можуть друкувати або створювати твори, беручи участь у торгах на вакансії, розміщені колекціонерами чи художниками. Токен може виміряти цю апаратну мережу та допомогти з початковими витратами на виробничі потужності. Це особливо добре поєднується з парадигмою CC0 у поєднанні з кодом onchain.

Дивлячись ще далі, синтетична біологія та/або хімічне виробництво також може бути цікавим напрямком для генеративних якостей: наприклад, генеративний код можна використовувати для алгоритмічного визначення ознак вирощених у лабораторії кристалів, фенотипів рослин тощо.

Відмова від відповідальності:

1. Ця стаття передрукована з [Mirror]. Усі авторські права належать оригінальному автору [1kx]. Якщо є заперечення щодо цього передруку, будь ласка, зв’яжіться з командою Gate Learn, і вони негайно розглянуть це.
2. Відмова від відповідальності: погляди та думки, висловлені в цій статті, належать виключно автору та не є жодною інвестиційною порадою.
3. Переклади статті на інші мови виконує команда Gate Learn. Якщо не зазначено вище, копіювання, розповсюдження або плагіат перекладених статей заборонено.