The Next Biennial Should be Curated by a Machine è un’indagine sulla relazione tra la curatela e l’intelligenza artificiale (AI). Il progetto si sviluppa come una serie di esperimenti che esplorano l’applicazione di tecniche di apprendimento automatico (un sottoinsieme dell’IA) alla curatela di mostre d’arte contemporanea su larga scala, per reimmaginare la curatela come un sistema uomo-macchina ad autoapprendimento. Facendo riferimento al progetto di e-flux 2013 ‘The Next Documenta Should Be Curated by an Artist’ – che ha messo in discussione le strutture del mondo dell’arte e la posizione privilegiata dei curatori al suo interno – il progetto estende questo interrogativo all’IA. Si chiede come l’IA possa offrire nuove prospettive aliene sulle pratiche curatoriali convenzionali e sulla conoscenza curatoriale. Come sarebbe la prossima Biennale, o qualsiasi mostra su larga scala, se alle macchine AI fosse chiesto di assumere il controllo del processo curatoriale e dare un senso a una vasta quantità di dati sul mondo dell’arte che supera di gran lunga la capacità del solo curatore umano?

Experiment AI-TNB, il secondo della serie, prende l’edizione 2021 della Biennale di Liverpool come caso di studio per esplorare la cura delle macchine e l’interazione dei visitatori con le opere d’arte già selezionate per la Biennale dal suo curatore. Utilizza i dati della biennale come fonte – la documentazione fotografica delle opere d’arte, i loro titoli e le descrizioni – e applica il machine learning per generare nuove interpretazioni e connessioni. Al suo cuore c’è il modello di ‘deep learning’ CLIP di OpenAI, rilasciato nel 2021, che è in grado di confrontare la somiglianza tra un’immagine e un breve testo.

Sulla pagina iniziale del progetto, i visitatori incontrano cinquanta immagini inquietanti – alcune delle quali sembrano fotografie, altre disegni o collage. Sono immagini generate dall’IA in risposta ai titoli delle opere d’arte di riferimento, utilizzando la tecnica CLIP per guidare una GAN (Generative Adversarial Network) a creare un’immagine che “assomiglia” a un particolare testo. Navigando attraverso l’esperimento, i visitatori sono presentati con un trittico di immagini e testi, con l’opera d’arte di origine posta al centro, l’immagine generata dall’AI sulla sinistra e una mappatura termica sovrapposta all’immagine di origine sulla destra. I modelli di ‘Deep learning’ sono usati per creare nuovi collegamenti tra il materiale visivo e testuale, così come immagini e testi completamente nuovi. Ogni pagina è anche una triangolazione: i visitatori possono esplorare i collegamenti tra la risorsa originale e il materiale generato, parola e immagine, arte e dati. Mentre i visitatori navigano nel progetto, creano i propri percorsi attraverso il materiale, ogni viaggio diventa un’iterazione uomo-macchina co-curata della Biennale salvata nel repository pubblico del progetto (Co-curated Biennials).