1. GAN Modelleri ve Yaratıcı Üretim Potansiyeli

Generative Adversarial Network (GAN) modelleri, son yıllarda görsel içerik üretiminde devrim yaratan araçlar olarak öne çıkmıştır. StyleGAN (NVIDIA) gibi mimariler, yüksek çözünürlüklü, detaylı yüz ve portreler üretebilmektedir. Örneğin StyleGAN3 (2021), 70 bin yüz görüntüsü (FFHQ), 12.2 bin hayvan yüzü (AFHQv2) ve 1.3 bin sanat eseri yüzü içeren veri kümeleri üzerinde çalışmakta, latent uzayında stil karıştırma yoluyla farklı özellik seviyelerini kontrol etmeyi mümkün kılmaktadır​arxiv.org. Benzer şekilde, BigGAN (DeepMind) büyük ölçekli eğitimle yüksek kaliteli, geniş sınıf yelpazesinde görüntüler üretir (örneğin ImageNet sınıfları). BigGAN, görüntü oluştururken büyük batch boyutları ve sınıflara özgü batch norm gibi yenilikler kullanarak birden çok nesne kategorisini yüksek sadakatle sentezleyebilmektedir. Bu sayede sanatçılar ve tasarımcılar, farklı öğeleri hibrit veya soyut biçimlerde birleştirebilmektedir.

• DALL·E (OpenAI): Metin tanımından özgün görseller üretebilen bu model, karmaşık kavramları ve stilleri birleştirme kapasitesine sahiptir. OpenAI’nın açıklamasına göre DALL·E 2 “metin tanımından orijinal, gerçekçi görüntüler ve sanat eserleri oluşturabilir; kavramları, özellikleri ve stilleri birleştirebilir”​openai.com. Örneğin, “Bir astronot at üzerinde uzayda” betimlemesi ile oluşturulan yukarıdaki görselde, model gerçekçi şekilde hayali bir kompozisyon üretmiştir (Şekil). Bu tür modeller, kullanıcıya kontrollü tasarım yeteneği sağlayarak yaratıcı süreçte yeni kombinasyonlar ve fikirler keşfetmeye olanak tanır.
• Diğer Örnekler: Bunların yanında StyleGAN’ın varyantları (StyleGAN2/3/XL), metin-görüntü modelleri (Stable Diffusion, Midjourney), ses/ürün üretebilen GAN’lar (GANSynth) gibi birçok GAN tabanlı yöntem, sanat üretiminde kullanılmaktadır. Özellikle ileri GAN mimarileri ve büyük veri setleriyle, latent uzaylarda daha çeşitli ve beklenmedik yaratımlar mümkün hale gelmiş; yeni etkileşimli uygulamalar için zemin hazırlanmıştır​arxiv.org.

2. Farklı Sanat Türlerinde GAN Eserlerinin Yapısı

GAN teknolojisi, çok çeşitli mecralarda sanatı dönüştürmektedir. Aşağıdaki tabloda çeşitli sanat türlerinde öne çıkan örnekler ve GAN modelleri özetlenmiştir:

Sanat Türü	Örnek GAN Modelleri/Projeler	Özellikler ve Çıktılar
Görsel Sanat	StyleGAN, BigGAN, DALL·E, GANPaint	Yüksek kaliteli fotoğrafik veya soyut görseller; stil transferi ve latent uzay manipülasyonu sayesinde yeni kompozisyonlar
Müzik	MuseGAN, GANSynth	Poli-enstrümanlı müzik üretimi; GANSynth ile pitch ve timbre kontrolü​magenta.tensorflow.org, MuseGAN ile çoklu parça akor/prog sesleri üretimi​arxiv.org
Video	MoCoGAN, VideoGAN gibi modeller	Kısa hareketli klipler veya döngüsel videolar; GAN’lar zaman boyutlu bağımlılıkları modelleyerek dinamik sahneler oluşturur
Etkileşimli Medya	AI enstalasyonları (Varvara & Mar, Mario Klingemann vb.)	İzleyicinin hareketi/sesine tepki veren eserler; gerçek zamanlı GAN dönüşümleri, kullanıcı geri bildirimi ile evrimleşen sanat (ör. Dreampainter ile konuşmaları sanat eserine çevirme​arxiv.org, Circuit Training ile ziyaretçi tercihlerine göre öğrenen GAN​arxiv.org)

Örneğin GANSynth adlı proje, ses üretimini GAN ile ele alır ve tüm bir ses örüntüsünü tek bir latent vektörden paralel olarak çıkarır. Bu sayede notanın perdesi (pitch) ve rengini (timbre) bağımsız kontrol etmek mümkün olmuştur​magenta.tensorflow.org. MuseGAN ise 100 binden fazla barlık rock müziği veri kümesinden beş enstrümanlık müzik (bas, davul, gitar, piyano, yaylılar) üretebilmiş; dört ölçü uzunluğunda tutarlı bir müzik parçası sentezleyebildiğini ve verilen bir insan melodisine uyumlu yeni partileri ekleyebildiğini göstermiştir​arxiv.org. Görselde, GAN’lar latent uzay aracılığıyla farklı stil özelliklerini harmanlayabilir; etkileşimli projelerde ise izleyici hareketlerine veya ses girdilerine göre yeni içerikler üretecek şekilde tasarlanabilir​arxiv.org​arxiv.org. Örneğin Varvara & Mar’ın Dreampainter adlı etkileşimli enstalasyonunda, izleyicinin konuşmaları yapay zekâ ile işlenerek anında sanat eserine dönüştürülmüş ve katılımcıların rüyaları görsel olarak betimlenmiştir​arxiv.org. Bu örnekler, GAN tabanlı modellerin görsel, işitsel ve interaktif sanat alanlarında nasıl yapılandırıldığını göstermektedir.

3. İzleyici Psikolojisi ve Duygusal Tepkilerin Ölçülmesi

Sanat algısı ve duygusal tepki ölçümleri için çoklu yöntemler kullanılır. Anket ve deneyler yoluyla, izleyicilerin sanat eserlerine ilişkin beğeni, merak, hayranlık gibi duyguları ve yaratıcılık değerlendirmelerini doğrudan sorgulayabiliriz. Örneğin Chamberlain ve ark. (2018) tarafından yapılan bir deneyde, katılımcılar insan yapımı ve yapay zekâ yapımı sanat eserlerini puanlarken insan yapımı eserleri daha yüksek estetik değerde değerlendirmiştir​cognitiveresearchjournal.springeropen.com. Benzer şekilde, Horton ve ark. (2023) geniş katılımlı anketlerde (N=2965) insanlar etiketlenme durumuna bağlı olarak farklı yargılar sergilemiş; genel olarak yapay zekâ imzalı eserler daha düşük değerde görülmüştür​nature.com. Bu tür çalışmalar, format (görüntü, müzik vb.) fark etmeksizin anket bazlı tutum ölçümü yaparak algı farklılıklarını inceler.

Nörobilimsel yöntemler ise izleyicinin beyin ve fizyolojik tepkilerini doğrudan ölçer. Örneğin bir EEG (elektroensefalografi) çalışmasında Titian tablolarının orijinal versiyonları ile yalnızca renk veya yalnızca stil içeren varyantları karşılaştırılmış; sonuçta orijinal resimlerin ilk 10 saniyede daha fazla duygusal uyarım (emotivitenin artışı) oluşturduğu ve daha yüksek estetik beğeni ile algılandığı görülmüştür​pmc.ncbi.nlm.nih.gov. Aynı çalışmada galvanik deri tepki­si (GSR) ölçümleri de kullanılarak duygusal farklar sayısal olarak belirlenmiş; bu sayede sanat eserinin bileşenlerinin izleyicide nasıl farklı duygular tetiklediği anlaşılmıştır. Ayrıca fMRI, göz izleme ve yüz ifadeleri analizi gibi teknikler de, bir sanat eseri izlenirken hangi beyin bölgelerinin aktive olduğunu veya izleyicinin hangi unsurlara dikkat kesildiğini tespit etmek için kullanılır. Örneğin nöroestetik araştırmalar, görsel sanat takdirinde frontal ve parietal korteksin yanı sıra ödül yolaklarının devreye girdiğini göstermiştir. Bu gibi yöntemler, GAN ile üretilmiş soyut veya gerçekçi imajların beynimizde yarattığı etkiyi insan yapımı eserlere kıyasla incelemek için uygundur.

Deneysel tasarımlar da sonuca etki eden faktörleri ortaya koyar. Örneğin Rüsseler ve arkadaşları, 952 katılımcının hem AI hem de insan yapımı sanat eserlerini değerlendirdiği bir çalışmada, eserler ayrı ayrı gösterildiğinde önemli bir farklılık bulamazken; aynı anda karşılaştırıldığında insan yapımı eserin daha çok beğenildiğini göstermiştir​link.springer.com. Bu, izleyicilerin sanat eserine ilişkin duygusal ve yaratıcı yargılarının bağlama ve sunum biçimine göre değişebileceğini ortaya koymaktadır. Özetle, anket, EEG/GSR deneyleri ve karma deneysel protokoller kullanılarak GAN sanatı üzerindeki duygusal tepkiler ölçülebilir ve insan sanatından farklılıkları belirlenebilir.

4. Yaratıcılık Algısı: Özgünlük, Estetik ve Anlam Üretimi

Yaratıcılık algısı, izleyicinin eserden beklediği özgünlük, estetik kalite ve anlam seviyesi gibi unsurlardan etkilenir. Geleneksel yaratıcılık tanımlarında, bir eserin hem “yeni” (özgün) hem de “değerli” olması beklenir. İnsan izleyiciler genellikle bir sanat eserinin ardındaki niyeti ve ifade çabasını önemser. Bu noktada yapay zekâ sanat eserleri ile ilgili eleştiriler öne çıkar. Örneğin, Hertzmann (2018) yapay zekânın gerçek bir “sanat” üretemeyeceğini çünkü herhangi bir ifadeyi aktarma niyetine (yani bir “ruha”) sahip olmadığını ileri sürer​pmc.ncbi.nlm.nih.gov. Başka bir deyişle, yapay zekânın çıktısı teknik olarak yeni olsa da, izleyicide niyetli bir ifade veya derin anlam hissi uyandırması zor olabilir. Nörobilimci David Eagleman da benzer şekilde, DALL·E gibi modellerin “yaratıcılığın karikatürize edilmiş versiyonu” olarak çalıştığını; bunların sadece yenilik üretebildiğini ancak “güzel” veya “anlamlı” olarak filtreleme yetisine sahip olmadığını vurgulamıştır​hai.stanford.edu. Eagleman’ın ifadesiyle bu sistemler “yeniliği yakalıyor, ama değerlendirme ve seçicilik yeteneği eksik”tir​hai.stanford.edu.

Son araştırmalar, yaratıcılık algısının etik ve bağlamsal faktörlerden de etkilendiğini göstermektedir. Örneğin bir çalışmada katılımcılar insan yapımı bir eseri duygusal olarak “daha anlamlı” hissederken, AI yapımı etiketine sahip aynı eserden daha az estetik ve derinlik algılamışlardır. Bu da “yaratıcılığın kaynağına” (insan mı, makine mi?) ilişkin zihinsel bir çağrışım yaratır. Genel olarak, özgünlük ve estetik kalite algısı, izleyicinin bir eseri ne kadar yaratıcı bulduğunu şekillendirir; yapay zekâ ürünleri bazen geleneksel yaratıcılık ölçütlerinin (niyet, anlam, duygu) dışında algılandığı için farklı değerlendirilirler​pmc.ncbi.nlm.nih.gov​hai.stanford.edu.

5. GAN Sanatı ile İnsan Sanatı Karşılaştırması

Akademik araştırmalar, izleyicilerin insan yapımı sanat ile GAN/AI yapımı sanata farklı tepkiler verebileceğini ortaya koymaktadır. Algısal değerlendirme açısından, birçok çalışma insan yapımı sanat eserlerine göre GAN eseri algısında düşüş olduğunu raporlamıştır. Horton ve ark. (2023) 2965 katılımcıyla yapılan deneylerde, aynı içerikteki eserlere “AI yapımı” etiketi konduğunda insanların bunları daha düşük değerlediğini, buna karşılık “insan yapımı” etiketi verildiğinde insan yaratıcılığı algısının yükseldiğini göstermiştir​nature.com. Yani GAN sanatı genellikle az değerli bulunmasa da, insan eserleri karşılaştırmalı olarak daha değerli algılanmakta ve bu durum insan yaratıcılığına pozitif önyargı olarak yansımaktadır​link.springer.com​nature.com. Örneğin Chamberlain ve ark. (2018) katılımcıları, insan yapımı eserleri yapay zekâ yapımı eserlerden daha yüksek estetik değerde puanlamıştır​cognitiveresearchjournal.springeropen.com. Bu tür sonuçlar, sanatın kimin tarafından yaratıldığı bilgisinin bile izleyici tutumlarını şekillendirdiğini göstermektedir.

Duygusal tepkiler açısından da benzer bir eğilim görülebilir. İnsan imzalı bir eserin yaratıcı alt metni, izleyicide daha zengin duygu yelpazesi uyandırabilir. Yapay zekânın yaratıcı süreci görülemese de verilen ipuçları –etiketler veya bağlam– izleyici beklentisini etkileyerek duygusal bağ kurma düzeyini değiştirebilir. Aynı zamanda, bazı çalışmalar insan ile yapay zekânın ortak üretimi (hibrit süreçler) durumunda değerlendirmeler değişebileceğini gösterir. Örneğin izleyicilere bir eserin “insan+AI işbirliğiyle” yapıldığı söylendiğinde, buna ilişkin algı farklı düzeylerde gerçekleşebilmektedir.

Çapraz-kültürel farklılıklar da önemlidir. Suomiya Bao (2024) çalışmasında ABD, Japonya ve Çin’den katılımcıları karşılaştırmıştır; sonuçlara göre Çinliler AI sanata daha iyimser yaklaşırken, ABD ve Japonya katılımcıları insan yaratıcılığını vurgulayıp etik endişelere odaklanmıştır​papers.ssrn.com. Dolayısıyla AI sanatı algısı kültüre göre de değişkenlik gösterebilir.

Sonuç olarak, insan yapımı sanat eserlerinin genellikle daha yüksek estetik değer ve duygusal derinlik algısıyla değerlendirildiği; GAN sanatı ise bağlama göre benzer veya biraz daha düşük değerlendirilebildiği görülmektedir. Ancak her iki alanda da sonuçlar bireyler ve koşullara bağlı olarak değişebilmekte, bu nedenle güncel çalışmalarda hala tartışma sürmektedir​link.springer.com​nature.com.

6. Güncel Araştırma Bulguları ve İstatistikler

Son dönemde yayımlanan çalışmalar, GAN sanatıyla izleyici tepkileri konusunda önemli veriler sunmaktadır. Horton ve arkadaşlarının geniş katılımlı anketi (N=2965) yapay zekâ eserlerini değerlendirirken “AI etiketinin” nasıl bir psikolojik etkiye yol açtığını nicel olarak göstermiştir​nature.com. Benzer şekilde, Rüsseler ve ark. (2024) çalışmasında (N=952) yarışma koşullarında insan ve AI eserlerinin yan yana sunulmasının insan lehine pozitif önyargı yarattığı görülmüştür​link.springer.com. Bunlar, istatistiksel olarak anlamlı sonuçlar içerir. Örneğin Horton et al., AI ve insan eserleri arasında aynılık algısı olsa bile değerlendirmelerdeki ortalama puan farklarının tutarlı olduğunu raporlamıştır​nature.com.

Ayrıca GAN sanatındaki yenilikleri ve eleştirel yaklaşımları irdeleyen meta-çalışmalar da vardır. Örneğin Xu vd. (2020) ve Hong & Curran (2019) gibi araştırmalar bazı deneylerde insan-AI eserleri ayrımında fark bulamazken, Chamberlain (2018), Mazzone & Elgammal (2019) gibi çalışmalar insan lehine farklılıklar raporlamıştır (karma sonuçlar)​cognitiveresearchjournal.springeropen.com​cognitiveresearchjournal.springeropen.com. Bu tutarsızlıklar, ölçüm yöntemleri, bağlam ve bireysel tutum farklarından kaynaklanıyor olabilir. Son literatürde, algoritmik sanatın yaratıcı potansiyeli ve değeri üzerine tartışmalar çoğu zaman hem olumlu yenilik getirdiğini hem de geleneksel sanat kavramlarına meydan okuduğunu vurgular. Örneğin bazı eleştirmenler, GAN ile üretilen eserlerin “yeni estetik deneyimler” sunduğunu belirtirken (örn. Muse’de AI sanat sergileri), diğerleri bu eserlerin sanatın insani boyutunu eksik bıraktığını savunmaktadır.

Özet: Akademik kaynaklar GAN sanatı ve algılanan yaratıcılığı üzerine hem deneysel veri (anket, EEG, fMRI vb.) hem de eleştirel analiz sunmaktadır​nature.com​cognitiveresearchjournal.springeropen.com​pmc.ncbi.nlm.nih.gov. Mevcut bulgular, GAN’ın yeni yaratıcı ifadeler oluşturma potansiyelini onaylarken, insan dışı kaynaklı sanat eserlerine karşı oluşan bireysel tutum ve önyargıların da var olduğunu göstermektedir. Gelecek çalışmalar, bu alandaki sonuçları pekiştirerek görsel, işitsel ve etkileşimli GAN sanatının izleyicide yarattığı deneyimi daha da aydınlatacaktır.

Kaynaklar: Yukarıdaki her bölümde belirtilen çalışmalar ve daha fazlası için bkz. Horton ve ark. (2023)​nature.com, Rüsseler ve ark. (2024)​link.springer.com, Chamberlain ve ark. (2018)​cognitiveresearchjournal.springeropen.com, Suomiya Bao (2024)​papers.ssrn.com, Eagleman (2023)​hai.stanford.edu, Hertzmann (2018)​pmc.ncbi.nlm.nih.gov, Deng ve ark. (2019) GANSynth​magenta.tensorflow.org, Dong ve ark. (2018) MuseGAN​arxiv.org, Guljajeva & Canet Sola (2024) interaktif AI sanat çalışması​arxiv.org​arxiv.org vb.

Fotoğraf: Google DeepMind: https://www.pexels.com/tr-tr/fotograf/insan-sorumlulugu-25626433/