AI 可以指出「可疑的手」，卻不能替博物館簽名：可解釋模型如何加入畫作歸屬調查

# AI 可以指出「可疑的手」，卻不能替博物館簽名：可解釋模型如何加入畫作歸屬調查

一幅畫的作者，為什麼不能由演算法一句話決定

博物館裡一幅被標示為某位大師的畫作，背後往往有長達數十年甚至數百年的爭論。作品可能由本人、學徒、助手或工作室成員完成，也可能在後世被裁切、覆繪、清洗或重新裝框。畫面看起來像某位畫家的風格，並不足以構成完整證明。二○二六年發表於《美國國家科學院院刊》（PNAS）的一項研究，嘗試讓人工智慧加入這場長期的藝術史調查，但它的目的不是取代策展人，而是提供可供專家質疑與檢查的統計線索。

卡內基美隆大學研究團隊 介紹，研究者整理超過一千三百幅高解析度畫作影像，其中包括三百一十一幅被歸入林布蘭作品的影像，讓模型學習顏色、邊緣、光線分布與筆觸等可見特徵。模型在高度有信心的分類情境下報告百分之九十五點八的準確率。這是一個受條件限制的研究數字，不是任何畫作拿去掃描都能獲得同樣準確率，更不能解讀為博物館已證實某件爭議作品百分之九十五點八是真跡。

畫作歸屬本來就是多種證據的交會

傳統藝術史鑑定會研究作品來源、收藏紀錄、創作年代、畫家工作室的分工，以及畫面風格。修復與科學檢測則能觀察底層構圖、顏料、畫布、木板、後來的補筆與損傷。不同證據可能互相支持，也可能彼此矛盾。假如一幅畫在十九世紀曾被大量覆繪，今日相機拍到的顏色與筆觸，可能並不完全代表原作者留下的表面。

人工智慧擅長在大量影像中找出人眼不容易系統性比較的統計模式，但模型通常只看得到被輸入的資料。若訓練集中的影像受到拍攝光線、解析度、修復狀態與來源偏差影響，模型也可能學到與作者無關的訊號。這就是為什麼研究者要關心資料品質、對照畫家選擇、信心校準及可解釋視覺區域，而不只是追求一個漂亮的正確率。

模型看到的是模式，不是歷史真相

可解釋 AI 的設計，可以在畫面中標出哪些局部對分類結果影響較大。這些熱區可能協助專家回到畫作本身，檢查某個陰影、手部、布料或筆觸是否值得重新觀察。然而，熱區只是模型計算的解釋，不代表該區域一定是畫家本人繪製，也不代表它能取代顏料或畫布的物理檢測。若熱區剛好落在後世修復的地方，反而可能提醒專家需要更多材料分析。

研究報告所稱的高信心準確率，應同時問清楚分母：模型在哪些測試影像上有足夠信心？低信心案例如何處理？對訓練資料之外的新作品是否仍可靠？如果只展示模型最有把握的畫作，不能推論它在所有作品上都同樣準確。公共報導應把這些限制放在數字旁邊，而不是把機率分數印成真偽證書。

國家藝廊的案例說明歸屬會改變

美國國家藝廊的研究資料 記錄一幅《卸下十字架》在不同時期被視為林布蘭作品、後來又重新評估的過程。研究者結合歷史文件、X 光、畫布與修復紀錄，發現作品經過複雜的改動，某些過去被看成原作風格的表面，其實受到後來處理影響。這個案例並非新 AI 模型已經完成鑑定的證據，而是說明藝術史判斷為何需要多種資料，並且可能隨新的材料證據而修正。

這也提醒收藏者，藝術品標籤中的「出自某畫家之手」、「工作室作品」、「追隨者」、「仿作」與「歸屬有爭議」有不同的專業含義。若媒體只用「AI 抓出假畫」吸引點擊，容易將複雜的歷史調查簡化成真假二分。真正值得報導的，是 AI 如何協助提出新問題，以及專家如何決定哪些問題值得進一步檢查。

人機協作應如何設計

一套負責任的博物館 AI 工作流程，可以先由策展人提出研究問題，修復師確認影像與作品狀態，AI 團隊說明資料來源與模型限制，再讓專家檢查模型指出的局部。若不同證據產生衝突，應記錄衝突原因，而不是由模型票數或專家權威直接壓過另一方。重要的是留下可追溯的決策紀錄：使用哪個模型版本、哪些影像、什麼信心門檻、何時由誰做出最後判斷。

在資料治理方面，博物館也需要釐清高解析影像的權利、授權條件與可公開程度。研究者取得一批數位照片，不代表可以無限制地重新散布或用於所有商業模型訓練。對有特殊文化限制的藏品，權利與倫理問題甚至可能比畫作作者辨識更重要。AI 工具應協助館方遵守這些界線，而不是藉由自動化繞過它們。

對臺灣文化機構的啟示

臺灣的博物館、地方文史館與原住民族文化典藏機構，也面對作品來源、作者、修復歷程與影像再利用的問題。可解釋模型的價值，可能首先出現在資料整理與研究輔助，而不是直接替藏品下定論。譬如，系統可以協助找出不同時期拍攝的同一件作品、提示需要人工比對的局部，或整理來源紀錄中的矛盾；但涉及文化權利、族群詮釋或公開限制時，仍必須尊重原有治理機制。

尤其原住民族文化物件不宜被當成一般西方油畫鑑定問題直接套用。某些物件的意義不只在作者或年代，而與社群關係、儀式權限、地點和使用情境相連。即使模型能精準辨識圖案，也不代表取得解釋或公開的權利。雙向知識的做法，是讓科技提供可核實的輔助資訊，同時讓文化持有者維持知識界線與詮釋權。

科技愈能說明理由，人類愈需要負責

可解釋 AI 並不是讓機器的答案自動變成真理，而是讓人能更清楚地問它為什麼這樣判斷、在哪些條件下可能失敗。當模型指出某幅畫的局部值得注意，策展人可以據此安排檢查；當材料證據否定模型暗示，系統也應能被修正。人機協作的成熟程度，取決於是否能容納不同證據與不確定性，而不是有沒有一個漂亮的信心百分比。

因此，對這項研究最恰當的理解是：AI 可以協助藝術史專家從大量影像中辨識值得追問的線索，卻不能替博物館完成歷史、材料、權利與學術責任的整體判斷。真正有價值的文化科技，不是把鑑定權交給模型，而是讓每一個判斷更透明、更可討論，也更容易在新證據出現時重新檢視。

把「百分之九十五點八」放回研究條件

科學新聞經常在標題中留下最高的數字，卻沒有留下數字的使用條件。這項研究的高信心分類表現，是在研究團隊所建立、清理與評估的影像資料及分類設定下取得。資料中哪些畫作被標為林布蘭、哪些是與其風格相近的對照作品、如何分開訓練與測試，以及信心門檻如何設定，都會影響結果。模型在特定測試集上表現良好，不等於它已經具備對所有時代、所有材質或所有修復狀態作品的普遍鑑定能力。

研究者若要讓博物館真正採用，還需要外部驗證。理想的測試應包括未參與模型開發的機構、不同攝影條件、已知修復歷史的作品，以及對爭議歸屬保持開放標記的案例。當一件作品沒有公認的唯一答案時，也不能為了計算正確率而硬把專業爭議簡化成二選一。與其要求模型在所有作品上給出肯定答案，不如允許它回覆「目前證據不足」，並提示需要補充的材料檢測。

讓觀眾看懂鑑定是如何形成的

博物館展示 AI 研究時，可以把機器判斷放進更完整的證據故事。例如先介紹畫作的收藏史，再呈現修復師看到的底層改動、藝術史學者的風格比較，以及模型認為值得檢查的區域。觀眾可以理解同一件作品為何會有不同判斷，也能看見新證據如何改變標籤。這比把「AI 判定真跡」印在展板上更符合公共教育的責任。

如果模型出錯，機構也應公開說明錯誤來自資料偏差、影像品質、演算法限制還是研究假設，而不是悄悄更換結論。文化機構保存的不只是物件，還有社會對其知識判斷的信任。當 AI 進入展覽、收藏與學術研究，透明的錯誤修正機制應與新工具同時建立，讓觀眾知道科技是協助研究，而不是取代負責任的研究者。

這裡對原始研究的理解，以可取得的原論文摘要與研究機構公告為依據；國家藝廊的資料則提供獨立的歷史案例脈絡。這些來源各自回答不同問題，不能相互代替。尤其模型研究的分類表現、個別畫作的材料判斷與博物館的正式標籤，具有不同責任與證據條件，報導不應把三者串成已完成的一次鑑定。

國家藝廊另一篇關於《持樂譜男子》的結構修復研究，回顧不同年代的處理及其後續影響，提醒讀者物件狀態有需要追溯的歷史。這份保存研究與前述歸屬案例一樣，提供理解材料證據的背景，並非新 AI 模型完成驗證的結果。

資料來源

• Arias-Rosales 等，Rembrandt through the eyes of the machine: Toward explainable Human–AI collaboration in painting attribution（PNAS；DOI: 10.1073/pnas.2626989123）

• 卡內基美隆大學研究團隊公告
• 美國國家藝廊歷史歸屬案例
• 美國國家藝廊：林布蘭畫作結構修復研究