創造藝術分析的未來by Jason Bailey（上）

前言

Jason Bailey 作為 Artnome 創辦人已經分析了藝術的未來與價值。這一篇《創造藝術分析的未來》透過「描述性藝術分析」、「預測性藝術分析」、「精選藝術品分析」三個面向，幫助我們更好地去理解 NFT 藝術的價值。

以下將以 Jason Bailey 為第一人稱，進行翻譯撰寫。

本週，佳士得將拍賣美國藝術最重要的收藏之一—Barney A. Ebsworth的系列收藏。該系列藏品價值3億美元，充滿了Georgia O’Keeffe和Edward Hopper等藝術家的作品，我們大多數人都覺得非常瞭解他們。但是，從數量上看，大多數人對這些藝術家真正瞭解多少？答案是不多。

在這篇關於發明藝術分析新方法的文章中，我們：

• 利用Artnome的藝術家作品資料庫，概述一種描述性藝術分析的新方法。
• 從一個全新的角度，描繪Georgia O’Keeffe的全部作品。
• 分享Artnome的資料科學家Kyle Waters使用隨機森林（random forest）機器學習模型，進行預測性分析的早期方法。
• 預測本周即將拍賣的四件Ebsworth藏品。
• 分享我們MutualArt的好朋友提供的藝術家的歷史價格、過往表現。

描述性藝術分析

傳統上，藝術分析完全來自拍賣資料庫，但只有一小部分藝術家的完整作品能夠被拍賣。那剩下的作品呢？在做藝術分析時，我們是否應該假裝藝術家的大部分作品不存在，只是因為這樣做很方便？我不這麼認為。

在藝術領域，作品的稀缺性和獨特性是其價值的主要驅動力。但如果沒有一個涵蓋許多藝術家完整作品的資料庫，稀缺性和獨特性都無法計算。大多數專家很難告訴你，像Georgia O’Keeffe這樣受歡迎的藝術家畫了多少幅油畫，更少有人能告訴你這個數字與其他藝術家相比是高還是低，也沒有人能夠告訴你她的畫的平均尺寸。

在過去三年內，Artnome花費了數千小時和數萬美元建立了世界上最大的藍籌藝術家完整作品資料庫，以幫助回答這些（和其他）問題。在這篇文章中，我們從該資料庫中提取了描述性的統計資料，對藝術家的完整作品進行了宏觀描述。這種「大方向」反過來又讓我們能夠量化任何單件作品相對於整個作品的 「獨特」或「稀缺」之處。

例如，Georgia O’Keeffe在其總錄中列出了2076件作品。下圖（編按：此為響應式圖表，請參照原文第三張圖表）按主要媒材對O’Keeffe的全部作品進行了分類。然後，它將810幅油畫按基質分類。我們便按照是否被列入公共或私人收藏品，來查看所有油畫作品。我們可以推測，私人持有作品比例較低的藝術家的作品不太可能被拍賣，因此比較稀缺。

下面我們按寬度和高度顯示O’Keeffe的全部油畫作品。（編按：此為響應式圖表，請參照原文第四張圖表）然後，我們進一步細分，顯示她活躍的每一年份，作品的平均表面積和總表面積。從脈絡上看，一件本來很小的作品在其年份中可能是很大的，反之亦然。我們不僅可以看到藝術家的工作習慣如何隨時間演變，而且我們的模型還顯示了尺寸與拍賣價格的相關性。

為什麼要收集這些資料？我們相信藝術分析的「終極目標」將來自一個拍賣資料豐富的完整作品資料庫。我們看到了從圖像本身獲取有意義的資料集的潛力，並且已經開始嘗試使用現成的解決方案來識別和搜索畫中的物體。

預測性藝術分析

關於我們對預測性藝術分析的首次嘗試，Artnome資料科學家Kyle Waters訓練了一個隨機森林（random forest），利用幾十位藝術家的資料對定價進行預測。隨機森林是一種流行的機器學習模型，它使用許多決策樹（decision trees），並透過計算元件樹（component trees）的平均數來進行預測。一般來說，隨機森林的預測比單一的決策樹更準確。該模型從訓練資料中學習基本關聯，然後預測新的結果。

機器學習是一個令人振奮的新工具，可以幫助改善藝術分析。然而，許多人沒有意識到，一個機器學習模型的好壞取決於它所訓練的資料數量和品質。我們相信這給了Artnome一個優勢，因為我們的資料庫涵蓋了完整的作品，而不僅是那些已經拍賣的作品，我們有一個更大的資料集來訓練模型。

同樣，由於我們的資料庫中有完整的作品，我們也可以對藝術家的所有作品進行評估，而不僅是那些碰巧在任何特定時刻被拍賣的作品。出於這個原因，我們喜歡把自己看作「藍籌藝術品的Zillow」。（編按：Zillow是一家創立於2006年的美國線上房地產公司）

我們的定價模型誠然處於早期階段，有很多改善的空間。例如，我們目前的模型通常在售價最高的作品上表現不佳（往往也是大眾關注度最高的作品）。

Ebsworth拍賣會上的作品，如Hopper的《Chop Suey》和Pollock的《Composition with Red Strokes》都是大師級作品。這意味著它們帶有「傑作」的價格標籤。這兩幅作品的售價估計是藝術家在拍賣會上平均售價的10倍左右（自2000年以來）。就像Zillow上最大的豪宅一樣，這些傑作是最難用歷史資料預測的價格，因為它們的數量根本不多。此外，能買得起這些作品的買家數量有限，這讓預測拍賣會上的價格更加困難。

人類專家也很難預測頂級作品的價格。就在本周，梵谷的《Coin de jardin avec papillons》未能以3000萬美元的價格成交，儘管拍賣前的估價在4000萬美元左右。正如佳士得執行長Guillaume Cerutti與《華爾街日報》的Kelly Crow分享的那樣，「這個價格跟空氣一樣薄。」

雖然我們掙扎於最昂貴的作品，但正如你看到的，在預測300萬美元或以下的作品價格方面，我們的模型做得非常好，因為我們的模型中有大量關於這個價格範圍的作品的相關資料。對這一範圍內的作品，我們的預測成效非常好，以至於一開始可能看起來很無聊。我們的模型基本上得出了與佳士得的專家們相同的估計。我們對這些早期跡象感到興奮，因為我們有可能利用機器學習模型對藝術家的全部作品進行大規模的自動定價估計。

原文出處

c2x3除了會在Matters上分享台灣NFT項目，也致力將台灣項目推向國際！如果喜歡我們的內容，誠摯邀請大家分享我們的文章，讓更多人看見！我們也會出現在 Facebook，還有英文版的Twitter 跟 Medium，請記得幫我們按讚訂閱加分享。
c2x3 下次再見～