Lev Manovich — Augmented Images (ULiège)

Lev Manovich — Augmented Images (ULiège)

Lev Manovich — Images augmentées (ULiège)

🎙 Lev Manovich 👥 178 📅 15 octobre 2022 ⏱ 32 min 👁 51 📄 opinion experte 🧭 2026-10-09
Disponible en : Français (actuel) English

Mots-clés

intelligence artificiellesynthèse d'imageslatent spaceRoland Barthesmodernisme

Résumé

Dans cette conférence donnée à l’Université de Liège, Lev Manovich présente ses réflexions sur la génération d’images par intelligence artificielle (IA), notamment les modèles de diffusion comme DALL-E, Midjourney et Stable Diffusion. Il commence par rappeler le contexte de la révolution en cours dans la compréhension et la création d’images, mentionnant que l’IA peut désormais générer des images réalistes à partir de descriptions textuelles. Manovich partage ensuite ses propres expériences artistiques, dans lesquelles il utilise ces outils pour explorer les concepts de répétition et de variation, qu’il considère comme fondamentaux dans l’art et dans la perception humaine. Il illustre cette idée avec des séries d’images de natures mortes, montrant comment l’IA peut générer des variations infinies d’un même prompt. Il aborde également la relation entre texte et image, en référence à Roland Barthes, et souligne que le prompt n’est pas une contrainte mais un amplificateur de sens. Enfin, il suggère que ces technologies pourraient ouvrir de nouvelles voies pour l’analyse de l’histoire de l’art, en permettant de visualiser des variantes possibles d’œuvres non réalisées. La conférence mêle théorie, pratique artistique et réflexions personnelles, mais reste essentiellement une opinion experte plutôt qu’une démonstration scientifique rigoureuse.

194 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur principale de cette intervention réside dans la richesse des idées et la mise en perspective théorique de la génération d’images par IA. Manovich relie habilement les pratiques artistiques contemporaines aux débats modernistes sur la relation texte-image, en s’appuyant sur Roland Barthes et la tradition de l’art moderne. Il propose une réflexion originale sur ce que l’IA peut révéler des structures sous-jacentes de l’imagination humaine, notamment à travers les notions de répétition et de variation. Cependant, l’argumentation est largement fondée sur des observations personnelles et des exemples issus de ses propres créations, sans recours à des données empiriques systématiques ni à une méthodologie explicite. Les concepts sont souvent évoqués de manière intuitive, et la démonstration reste spéculative. Manovich lui-même qualifie certaines de ses expériences de ‘potentiellement insignifiantes’, ce qui reflète une honnêteté intellectuelle mais affaiblit la portée générale de ses conclusions.

Rigueur scientifique, qualité des sources, adéquation du titre

Sur le plan de la rigueur scientifique, la conférence s’appuie sur des références classiques et reconnues, comme Roland Barthes et son analyse de l’image, ainsi que sur des exemples de la littérature artistique (Bosch, Picasso, etc.). Cependant, aucune source précise n’est citée formellement, et les références restent allusives. L’auteur ne fournit pas de bibliographie ni de renvois vers des travaux antérieurs, et les propos sont essentiellement des réflexions personnelles. Le titre ‘Augmented Images’ est approprié au contexte du colloque, mais le contenu est plus spécifiquement centré sur l’IA générative et ses implications culturelles. Globalement, la rigueur est celle d’une causerie de chercheur, riche en idées mais insuffisamment étayée pour être considérée comme une contribution scientifique formelle.

273 mots

Adéquation titre / contenu

Le titre du colloque 'Augmented Images' est en adéquation avec le thème général, mais la présentation est plus centrée sur la génération d'images par IA et ses implications théoriques que sur l'augmentation d'images existantes.

Qualité & fiabilité

7/10

Conférence d'un chercheur reconnu (Lev Manovich) qui s'appuie sur son expérience personnelle et des références théoriques classiques (Barthes, modernisme). Cependant, les propos sont largement anecdotiques et non étayés par des études systématiques ou des données quantitatives. Le score reflète la solidité de l'expertise et la richesse des idées, mais aussi le manque de rigueur méthodologique.

Moments clés

Sources citées

  • Roland Barthes, 'The Rhetoric of the Image' — Manovich se réfère à Barthes pour discuter de la fonction d'ancrage du texte par rapport à l'image, et de l'évolution de cette relation dans les prompts d'IA.
  • Modèles de diffusion : Stable Diffusion, DALL-E, Midjourney — Outils cités par Manovich pour illustrer la génération d'images à partir de descriptions textuelles.

Apport & nouveautés

Cette conférence apporte une contribution originale en reliant la pratique artistique personnelle de Lev Manovich à la théorie critique des images, montrant comment les outils de génération par IA peuvent être utilisés pour explorer des concepts comme la répétition et la variation. Elle propose également une lecture renouvelée de la relation texte-image, en inversant la perspective traditionnelle (le texte ne limite plus mais amplifie l’image). L’idée de ‘cartographier l’espace latent’ et de créer des ‘histoires d’art artificielles’ ouvre des pistes pour de nouvelles méthodes d’analyse en histoire de l’art et en culture visuelle.

Pour aller plus loin :

  • Diffusion models (Wikipedia) — Notion centrale des modèles de génération d’images évoqués par Manovich.
  • Latent space (Wikipedia) — Concept fondamental pour comprendre les espaces de représentations dans lesquels les IA génératives opèrent.
  • DALL-E (Wikipedia) — Exemple spécifique de modèle text-to-image mentionné dans la vidéo, illustrant la synthèse d’images à partir de prompts.

150 mots

Profil radar

Le radar montre un profil équilibré, avec une quantité d'information et une fiabilité globale modérées, mais une qualité d'information et un niveau technique légèrement inférieurs, reflétant le caractère spéculatif et non quantitatif de la présentation.

Fiabilité 7/10