В июле на SSRN – платформе для обсуждения последних результатов научных исследований – появилась работа, в которой сравнивалось мнение трех генеративных AI-систем – Meta AI, Gemini и Claude – по поводу картин, с оценками людей-экспертов. Не просто так: полученные результаты затем использовали для прогнозирования аукционных цен. В итоге в конкретной экспериментальной выборке AI победил человека: для отдельных мастеров точность моделей составляла от 63% до 85%. На всякий случай: среди художников, чьи картины участвовали в эксперименте, были Клод Моне, Сальвадор Дали, Энди Уорхол, Марк Шагал, Жоан Миро и другие. Но, конечно, это лишь предварительные результаты, а не основание объявлять машину новым великим экспертом по искусству. Более того, сами три системы довольно сильно расходились в своих оценках. Интересно другое: что именно арт-рынок стал экспериментальной площадкой, где искусственный интеллект учится предсказывать цену. Ведь у картины, в отличие от квартиры или автомобиля, нет четких критериев ценообразования (площадь, расположение, год постройки или технические характеристики). Здесь важны имя художника, история работы, ее происхождение, состояние, история предыдущих продаж, интерес коллекционеров и музеев – и еще множество других моментов, которые вообще трудно перевести в цифры. Тем интереснее узнать ответ на вопрос: может ли AI-система прогнозировать цену на картину точнее человека? ‍ Что видит алгоритм Статья на SSRN – не первая работа на эту тему. В 2023 году в The Journal of Finance уже выходило исследование, посвященное тому же вопросу. Авторы построили нейросетевую модель, которая анализировала произведения, выставленные на аукционах, причем учитывала не только визуальные характеристики картин, но и информацию из каталогов. Затем результаты работы модели сравнили с предварительными оценками аукционных домов. Выяснилось, что более высокая автоматическая оценка относительно оценки аукционного дома была связана с более высокой фактической ценой продажи. Исследователи также обнаружили, что ошибки аукционистов не всегда случайны: они могут повторяться для одних и тех же художников и даже на уровне отдельных аукционных домов. Иными словами, прошлые ошибки экспертов тоже можно использовать для прогнозирования будущих. Опять же, это не означает, что нейросеть научилась понимать искусство лучше искусствоведа. Скорее, она получила доступ к огромному количеству данных и научилась искать в них, скажем так, повторяющиеся связи (бывает, что алгоритмы находят закономерности, которые люди пропускают). И для рынка, где цена нередко зависит от десятков факторов, это довольно серьезное преимущество: человек может помнить результаты нескольких торгов работ конкретного художника, а машина способна одновременно сопоставлять тысячи похожих случаев. ‍ Но цена картины – не только цифры Впрочем, если бы стоимость произведения определялась исключительно тем, что можно найти в базе данных, задача была бы почти решена (в смысле – несколько сотен арт-экспертов остались бы без работы: их заменили бы симпатичные AI). Но арт-рынок устроен намного сложнее. Например, две работы одного художника могут выглядеть сопоставимыми по размеру, технике и году создания, но стоить совершенно по-разному. Одна может много лет находиться в известной коллекции, выставляться в знаменитых музеях и галереях, у нее будет общеизвестная безупречная история происхождения, а другая – очень долго оставаться в стенах, вернее, на стене дальней комнаты старинного особняка, и о ней не будет упоминаний в публичном пространстве. Кроме того, значительная часть рынка вообще остается «за границами» открытых данных. Частные продажи, закрытые сделки и реальные цены некоторых операций даже в самых известных галереях не обязательно попадают в базы, которыми пользуются исследователи и разработчики моделей. Добавьте к этому, что профессиональный оценщик работает не только с цифрами. Ему приходится проверять документы, происхождение произведения, состояние, контекст и такие сведения, которые невозможно просто загрузить в таблицу. Именно поэтому Королевский институт сертифицированных оценщиков (RICS) в своем свежем обзоре использования AI в оценке искусства предлагает рассматривать технологию прежде всего как инструмент для работы специалиста, а не как его замену. Алгоритмы могут помогать с поиском аналогов, анализом изображений и так называемым «провенансом», но итоговое профессиональное суждение остается за оценщиком. ‍ У машины тоже бывают плохие дни Есть и более неприятная сторона (которая касается не только арт-рынка): алгоритм может быть очень точным – но это если уже существует хорошая база данных. А арт-рынок как раз не отличается идеальной прозрачностью. RICS обращает внимание на то, что исторические базы могут быть неполными: в них лучше представлены известные художники и крупные арт-центры, а менее заметные авторы и отдельные виды искусства оказываются в менее выгодном положении. Что в итоге получается? Художник, чьи работы регулярно продавались на крупных аукционах, окажется для системы хорошо знакомым. Молодой автор с небольшой историей продаж – почти неизвестным. В результате алгоритм может рекомендовать то, что уже хорошо известно рынку, и пропускать то, что только появилось. Есть и проблема качества самой информации: уже всем известно, что современные AI-системы способны уверенно выдавать несуществующие источники и факты. Для оценки произведения искусства это особенно опасно: выдуманная история происхождения, ошибочная атрибуция или несуществующая публикация могут выглядеть вполне убедительно, пока специалист не начнет проверять их отдельно. RICS отдельно предупреждает о таких «галлюцинациях» и настаивает на проверке любой информации, которую AI предлагает использовать в профессиональной оценке. Наконец, есть вопрос конфиденциальности. Загружать в публичный AI-сервис фотографии произведений, сведения о владельце или непубличную информацию о происхождении картины может быть не лучшей идеей. Для профессионального оценщика это уже не просто технологический эксперимент, а вопрос ответственности перед клиентом. ‍ А если алгоритм начнет влиять на цену? Существует еще один момент: допустим, система действительно научилась достаточно хорошо предсказывать цену произведения. Сначала ее используют аукционные дома и оценщики. Потом – коллекционеры, страховые компании, банки, инвестиционные платформы. Нетрудно предугадать, что произойдет дальше: если несколько крупных игроков одновременно начнут ориентироваться на одни и те же модели, прогнозы могут начать влиять на реальные решения покупателей. А решения покупателей, в свою очередь, будут менять цены. Получается замкнутый круг: машина прогнозирует рынок а рынок начинает вести себя в соответствии с прогнозом машины. Для финансовых рынков это хорошо знакомая проблема, и в случае с искусством она может усугубиться, потому что здесь и без того сложно отделить объективную стоимость от репутации, моды и ожиданий. Если алгоритм объявляет художника перспективным, это может привлечь к нему внимание коллекционеров. Если его прогноз поддерживают реальные продажи, первоначальная оценка начинает выглядеть еще убедительнее. Так прогноз постепенно превращается в фактор, который сам влияет на результат. ‍ Так кто лучше – AI-система или живой эксперт? Эксперты считают, что пока AI лучше всего работает там, где ему нужно помочь специалисту: быстро собрать информацию, найти похожие продажи, обработать большое количество изображений и цифр, обратить внимание на закономерность, которую человек мог пропустить. А затем специалист должен проверить, что именно нашла машина и не пропустила ли она чего-нибудь важного. Поэтому вопрос будущего арт-рынка, скорее всего, звучит не как «кто победит – человек или машина?», а намного прозаичнее – кто первым научится лучше работать вместе? Потому что да, машину можно научить искать закономерности в миллионах прошлых продаж. Но пока только человек способен спросить, почему эта картина вообще должна стоить столько денег – и что в ней (или в мире) изменилось со вчерашнего дня, когда она стоила вдвое меньше...