Медиатизация персональных воспоминаний с использованием генеративных фотореалистичных изображений

Полный текст

Введение

Фотография с начала XX в. традиционно была одним из основных инструментов сохранения памяти, так как фиксировала момент прошлого и позволяла к нему возвращаться. Однако в последние годы мы все чаще сталкиваемся с изображениями, созданными нейронными сетями (например, сервисами Midjourney V7 и Nano Banana), которые с поразительной точностью имитируют фотографии. Исследователи современной фотографии отмечают, что «технологии генерации образов, способные создавать безупречно реалистичное изображение, все дальше уводят нас от реалистического, от индексальной природы фотографии и ее ценности как свидетельства» (Фадеева и др., 2024, с. 60). При этом «фотоимитации, не отображая реальность, в то же время ее иллюстрируют» (Быльева, 2024, c. 188). Однако несмотря на то, что генеративные изображения не документируют конкретные события, все же они создаются через статистическую обработку реального визуального материала (его усреднение, абстрагирование и реконфигурацию). Эта связь с реальным архивом в сочетании с визуальным сходством с фотографией позволяет им влиять на восприятие реальности (Manovich, Arielli, 2024, p. 174–175).

В то же время исследователи чаще всего изучают этот культурный феномен в контексте распространения дипфейков, кибербезопасности и защиты от дезинформации (Виноградова, 2024; Шомова, 2025), утраты доверия к визуальным и аудиоматериалам как историческим свидетельствам (Фортунатов, 2023) и изменения «режима истины» (Foucault, 2019; Hoskins, 2024; Offert, 2025). Однако в рамках данного исследования особое внимание уделяется процессам тактического формирования исторической памяти, то есть среди обычных людей, в локальных сообществах и их повседневных практиках. В действительности подобные технологии трансформируют не только визуальную культуру, но и сами способы работы с памятью. Пользователи с помощью генеративных алгоритмов воссоздают утраченные (или никогда не существовавшие) фотографии членов семьи, места памяти и события для визуализации и сохранения собственных воспоминаний. Таким образом, наблюдается не просто новая форма фиксации памяти, но ее медиатизация, то есть процесс, при котором медиалогики алгоритмов начинают проникать в практики запоминания.

Последние годы теория медиатизации развивалась, в том числе и как попытка концептуализировать растущую роль автоматизации и искусственного интеллекта (ИИ)^[1] в креативных индустриях и массовом распространении пользовательского контента – просьюмеризм и UGC (User-Generated Content). Развивая это направление, А. Хепп сформулировал понятие «глубокой медиатизации», при которой «все элементы нашего социального мира тесно связаны с цифровыми медиа и лежащими под ними инфраструктурами» (Hepp, 2020). В условиях тотальной компьютеризации и появления интернета вещей такие объекты, как автомобили, бытовая техника, датчики становятся «медиа благодаря цифровой связности», а подобные формы медиатизации требуют анализа «алгоритмов, данных и искусственного интеллекта» (Bunz, 2025; Hepp, 2020).

Цифровая связанность человеческих и нечеловеческих (в данном случае алгоритмических) акторов порождает гибридные формы медиатизации. В таких гибридных конфигурациях возникает вопрос: «Кто является агентом действия – человек, технология или их комбинация?» Для анализа подобных гибридных практик исследователи вводят концепт «фигураций», то есть взаимосвязанности коммуникативных акторов (Hepp et al., 2023, p. 50). Большие языковые модели в таком случае предлагается рассматривать в роли коммуникатора, а не как канал коммуникации (медиа) (Hepp et al., 2024).

Каждая фигурация характеризуется тремя базовыми элементами:

• констелляцией акторов – сеть взаимосвязанных участников в определенном балансе власти;
• рамкой релевантности, направляющей практики акторов и их взаимную ориентацию;
• коммуникативными практиками, переплетенными с другими социальными практиками (Hepp et al., 2023, p. 50).

Когда коммуникативный ИИ становится частью фигурации, возникает гибридная фигурация, обладающая особой гибридной агентностью, которая развивается во взаимодействии человека и машины – не как растворение границы между ними (в духе воображаемого киборга), но как эмерджентное свойство всей конфигурации в целом.

Всеобщая цифровая связанность трансформирует в том числе и практики сохранения памяти. Э. Хоскинс описывает эти процессы через концепцию «новой экологии памяти» (Hoskins, 2018), в которой цифровые медиа радикально изменяют темпоральность, пространственность и материальность памяти. Память становится коннективной (Hoskins, 2001), то есть постоянно связанной через цифровые платформы, алгоритмически опосредованной и распределенной между человеческими и нечеловеческими акторами. В контексте генеративных технологий это означает, что память опосредуется не просто медиаканалами, но коммуникативными системами с гибридной агентностью, где человеческие интенции и алгоритмические паттерны взаимно конституируют новые формы работы с прошлым (Hoskins, 2024).

Таким образом, генеративные технологии представляют собой новый этап медиатизации памяти. И это не просто расширение возможностей визуального архива, но возникновение нового типа мнемонической практики, в которой память конструируется ретроспективно через взаимодействие с алгоритмом. В связи с этим цель исследования – рассмотреть практики использования генеративных нейросетевых технологий, используемых для работы с личной и семейной памятью как форму алгоритмической медиатизации памяти. Данный подход исходит из того, что эти практики не являются попытками манипулировать историческими фактами или создавать «фейки», но представляют собой новый способ работы с памятью, в котором технологические возможности нейронных сетей открывают пространство для реконструкции и дополнения воспоминаний. Центральный вопрос исследования: «Как трансформируются отношения между личной, семейной и коллективной памятью в условиях массового распространения генеративных фотореалистичных изображений?»

Материалы и методы

Для достижения целей исследования применяется качественный дизайн, сочетающий элементы наблюдательной нетнографии и кейс-стади. Такой подход позволяет анализировать, как люди используют генеративные технологии в повседневной жизни, какие смыслы они вкладывают в эти практики, как это трансформирует их отношения с памятью. Нетнографический подход (Kozinets, Gambetti, 2021) предполагает глубокое погружение в цифровой контекст и анализ культурных артефактов (постов, комментариев, визуальных образов) без прямого вмешательства исследователя в коммуникацию, что позволяет зафиксировать аутентичные практики памяти в их неподдельном виде. Кейс-стади, в свою очередь, позволяет изучать конкретные проекты детально, выявляя как общие паттерны, так и индивидуальные особенности.

Анализ пользовательских практик проводится по четырем уровням:

1) инфраструктурный уровень анализирует технологические платформы, на которых реализуются проекты, он основывается на концепции «глубокой медиатизации», описывающей техническую взаимосвязанность цифровой инфраструктуры и современного медиапространства;

2) уровень фигураций фокусируется на сетях акторов, возникающих в процессе создания изображений; цифровая связанность человеческих и нечеловеческих (алгоритмических) акторов порождает гибридные формы медиатизации, обладающие особой гибридной агентностью; она развивается во взаимодействии человека и машины не как растворение границы между ними, но как эмерджентное свойство всей конфигурации.

3) уровень медиалогик анализирует специфические механизмы трансформации памяти; специфика работы генеративных моделей определяется различием между традиционными и вычислительными формами обработки информации: изображения создаются на основе вероятностного синтеза и статистических закономерностей, выявленных в обучающих данных, что приводит к «усреднению» параметров (черты лиц, детали одежды), в результате чего образы кажутся одновременно конкретными и обобщенными;

4) уровень памяти рассматривает, как медиалогики трансформируют темпоральность, материальность и режимы доступа к прошлому; память опосредуется не просто каналами коммуникации, но гибридными фигурациями, в которых человеческие интенции и алгоритмические паттерны взаимно формируют новые формы работы с прошлым.

Критерии исследования – явное указание на использование генеративных технологий для работы с личной/семейной памятью; наличие рефлексивного комментария о мотивах, процессе или результате; публикация в период с января 2022 по январь 2025 г. В результате сформировалась база из 24 проектов из разных стран.

Сбор данных проводился с использованием большой языковой модели Claude Sonnet 4.5 (Anthropic), которая применялась для автоматизированного веб-поиска публикаций по ключевым словам, извлечения текстовых фрагментов и метаданных (автор, дата, платформа, ссылка), предварительной тематической группировки. Поиск данных в социальной сети «ВКонтакте» осуществлялся с использованием специализированного Python-скрипта через официальный VK API (v. 5.131). Важно отметить, что автоматизация касалась лишь первичного поиска и систематизации массива данных. Ключевой этап нетнографического анализа включал ручное качественное кодирование текстовых нарративов, выявление культурных паттернов и интерпретацию смыслов. Все теоретические интерпретации и аналитические рамки принадлежат автору.

При проведении нетнографии соблюдались стандартные этические нормы работы с цифровыми данными: использовались только общедоступные публикации, не требующие специального доступа. Идентифицирующая информация частных пользователей, не являющихся авторами художественных проектов, была анонимизирована при цитировании. Исследование не предполагало вмешательства в приватную переписку или закрытые сообщества.

Ограничения исследования. Выбранный дизайн наблюдательной нетнографии фокусируется на анализе уже опубликованных результатов и ретроспективных нарративов. Это является стандартом для исследований цифровых архивов памяти, однако не позволяет наблюдать процесс создания изображений в реальном времени, в связи с чем могут упускаться некоторые аспекты процесса. Люди, публикующие свои практики в интернете, нерепрезентативны для всех пользователей генеративных технологий; возможно, существует значительное количество приватных практик, не попавших в поле зрения исследования. Также работа фокусируется преимущественно на русско- и англоязычных сообществах, что ограничивает культурное разнообразие. Наконец, генеративные технологии развиваются очень быстро, и наблюдаемые практики могут радикально измениться в ближайшем будущем. Таким образом, исследование фиксирует определенный момент в процессе медиатизации, но не претендует на предсказание будущих трансформаций.

Результаты и обсуждение

Проведенный анализ показывает, что в большинстве проектов на первом уровне (инфраструктура) закономерно лидируют сервисы Midjourney (использован не менее чем в 8 проектах), также встречаются DALL-E, Stable Diffusion и специализированные решения. Некоторые затруднения в определении модели возникают в том случае, если авторы используют несколько разных моделей одновременно в рамках сложного пайплайна^[2].

Подход к инфраструктуре варьируется. Одни проекты принимают технологию «как есть», опираясь на готовые сервисы без изменений, что характерно для массовой аудитории. Другие адаптируют модель под свои цели – настраивают параметры генерации, как в проекте 2023 г. Synthetic Memories дизайн-студии DDS (Domestic Data Streamers), где намеренно увеличена размытость изображений для соответствия реконструктивной природе памяти, или как у Марии Маврополу, избегающей полного фотореализма для сохранения субъективности воспоминания в Imagined Images (2022).

Общая проблема используемых генеративных моделей – отсутствие нейтральности. Обучающие данные несут культурные искажения, в которых незападные культуры и меньшинства часто представлены недостаточно либо стереотипно. Например, модель может не знать визуальные коды малых народов, как в проекте Рогелио Септимо Exhumar la Memor.IA (2023), где потребовались детальные описания для культуры пурепеча штата Мичоакан, Мексика. Эту проблему описывает в своих исследованиях Л. Манович, отмечая, что наборы данных содержат «очень большое количество изображений картин канонических художников из Европы и США, однако для целого континента – Африки – нашлось лишь несколько изображений» (Manovich, 2020, p. 96).

Кроме того, усреднение визуальных образов популярными генеративными моделями ограничивает аутентичность результата. Графические нейросети настраиваются так, чтобы алгоритмы создавали эстетически привлекательные изображения, и в этом есть экономическая логика – если результат генерации нравится пользователям, то они охотнее покупают или продлевают подписки на сервис. Например, у Midjourney подобная тенденция прослеживается в явном виде, начиная с седьмой версии, в которой появилась функция персонализации. Она работает как стилистический ассистент для ваших изображений. Когда ставите лайки или ранжируете картинки, алгоритм понимает, какие изображения вам нравятся, и использует эту информацию, чтобы генерировать изображения, настроенные под ваши личные вкусы^[3].

Помимо этого, графические модели целенаправленно оптимизируются на эстетические предпочтения пользователей через механизмы RLHF (Reinforcement Learning from Human Feedback), где оцениваются генерации по критериям «привлекательность» и «эстетические качества» (Xu et al., 2023). А платформы вроде Midjourney прямо указывают на наличие «базовой эстетики», отдающей предпочтение определенным цветовым решениям и композициям. Таким образом, генеративные инструменты систематически смещают результат в сторону визуально приятного, но усредненного образа, что может противоречить задачам художника, стремящегося к индивидуальному высказыванию.

На втором уровне фигураций исследуемые проекты демонстрируют вариативность гибридной агентности в зависимости от конфигурации акторов. Обнаруживается несколько типичных моделей взаимодействия. Индивидуальная фигурация, когда автор работает с моделью один на один, превращая личные воспоминания в изображения (например, уже упомянутый Imagined Images и «Семейный фотоальбом AI» Юлии Захаровой, 2023–2024). Коллективная фигурация, где группа людей или сообщество совместно с художником и алгоритмом создает визуальные воспоминания (проект Рогелио Септимо с участием сообщества пурепеча). Клиническая фигурация, при которой тандем пациента и терапевта/исследователя использует модель для терапевтической визуализации воспоминаний. К ним относятся проекты по работе с деменцией и нарушениями памяти HARMONEE (Kent State University) или Time Machine (Lancaster University)^[4]. Автоматизированная фигурация, где пользователь напрямую получает результат от платформы без посредников (сервисы наподобие Deep Nostalgia, где участие человека минимально).

Необходимо отметить, что в художественных и терапевтических контекстах (Imagined Images, Exhumar la Memor.IA, Synthetic Memories) фигурация конструируется с высокой степенью рефлексивности, то есть участники проходят через процесс обсуждения, уточнения, выбора, и конечный результат эксплицитно маркируется как синтетический. Гибридная агентность здесь является контролируемой, а распределение ролей между человеком и ИИ прозрачно. В массовых повседневных практиках фигурация формируется с меньшей степенью контроля и рефлексивности: пользователь загружает фото, нажимает кнопку и получает результат. Внутренняя перспектива пользователя может включать упрощенное понимание процесса («ИИ восстанавливает скрытую информацию из фотографии»), что создает риск эпистемологической путаницы. Однако даже в массовых практиках возникает эмерджентная агентность, когда результат является продуктом гибридной фигурации, а не просто улучшенной фотографией.

На третьем уровне анализ выявил две базовые медиалогики, через которые генеративные технологии медиатизируют персональные воспоминания: логику дополнения и логику трансформации. Логика дополнения представляет собой практику заполнения архивных пробелов, когда генеративные технологии используются для создания визуальных репрезентаций событий, людей или мест, которые никогда не были сфотографированы, либо фотографии которых были утрачены. Эти практики часто связаны с коллективной травмой (миграцией, войной, маргинализацией определенных социальных групп). Общий принцип проектов Imagined Images Марии Маврополу или Exhumar la Memor.IA Рогелио Септимо заключается в визуализации воспоминаний, которые никогда не были зафиксированы фотографически. Маврополу создает визуальный архив четырех поколений своей семьи, утраченный из-за миграций между Грецией, Турцией, Испанией и Узбекистаном. Септимо визуализирует культурную память народа пурепеча, компенсируя колониальную ассимиляцию их истории. Гарель-Фиш генерирует альтернативную визуальную биографию деда, создавая изображения повседневности и молодости, которые никогда не были зафиксированы фотопленкой. Российские проекты «Молчаливый герой» Алексея Юренева и семейный архив Юлии Захаровой работают с утраченной семейной памятью.

Ключевое отличие от традиционной фотографии в том, что генеративные изображения не претендуют на документальную фиксацию реальности, а визуализируют субъективный опыт памяти. Художники проводят границу между «правдоподобием» и «правдой», объясняя, что сгенерированные изображения визуально правдоподобны, но не документируют реальные события, функционируя как «правдоподобные вымыслы».

Логика трансформации реализуется через изменение модальности существующего визуального материала: от статичного к движущемуся, от плоского к пространственному, от визуального к мультисенсорному. В отличие от логики дополнения, работающей с отсутствием, трансформация работает с существующими семейными архивами, делая их доступными в новых модальностях.

Наиболее популярной практикой стала анимация старых семейных фотографий через коммерческие сервисы, например MyHeritage / Deep Nostalgia. Сервис использует модели глубокого обучения для автоматической анимации статичных портретов, применяя стандартизированные паттерны движения лица. Пользователь загружает фото и получает готовое видео за 30 секунд без возможности контроля над типом движения. Особенно активно эти технологии используются в русскоязычном сегменте социальных сетей для работы с черно-белыми снимками СССР 1940–1960-х гг. В этих практиках проявляется трансформация частной памяти в публичный контент. Анимированные фото преподносятся как подарок пожилым родственникам на юбилеи, их эмоциональные реакции описываются пользователями как «слезы, растроганность».

Тем не менее трансформация статичных фотографий в движущиеся видео радикально меняет онтологический статус изображения. Если фотография фиксирует реальное мгновение как «фундаментальное верование, что это было» (Барт, 2011, с. 188–189), то ИИ-анимация создает темпоральную последовательность, которой никогда не было, экстраполируя движения из статистических паттернов. Это активирует не только визуальную, но и кинестетическую память (ощущение движения, ритма, телесного контакта), что объясняет глубокий эмоциональный отклик и создает иллюзию, что технология «знает», как двигался человек на фото, хотя на самом деле она применяет усредненные паттерны движения из обучающих данных. Культурная специфика русскоязычного сегмента связана с фокусом на послевоенном поколении 1940–1960-х, чьи фотографии были преимущественно черно-белыми из-за недоступности цветной фотографии в СССР. Анимация часто комбинируется с раскрашиванием, создавая двойную трансформацию.

В конечном счете, обобщая инфраструктуру медиалогики и фигурации на четвертом уровне анализа в практики сохранения памяти, отметим, что генеративные технологии трансформируют визуальный архив памяти из закрытого, ограниченного тем, что было сфотографировано, в открытый, включающий визуализацию любого вербализованного воспоминания. В связи с этим изменяется и темпоральность памяти. Прошлое перестает быть закрытым и неизменным для визуальной культуры, так как появляется возможность «вернуться» и визуально воссоздать эпохи и события, которых автор не застал.

Режимы доступа к памяти меняются от пассивного просмотра существующих фотографий к активному производству новых визуальных образов. Ранее работа с семейным архивом означала извлечение фотоальбома и просмотр существующих изображений; теперь она может включать генерацию новых изображений на основе вербальных воспоминаний. Эпистемологически происходит сдвиг от фотографии как сертификата присутствия к генеративному изображению как визуализации того, что «могло бы быть». Это не означает, что генеративные изображения «ложны», но они функционируют в другом эпистемологическом регистре – не документа, но правдоподобной визуализации субъективного опыта памяти.

Генеративные практики памяти трансформируют границу между приватным и публичным. Личные воспоминания, ранее циркулировавшие в узком семейном кругу через просмотр альбомов, становятся публичным контентом платформ социальных медиа. Коммодификация эмоций проявляется в том, что память превращается в метрику для алгоритмов рекомендаций, где эмоциональная интенсивность становится мерилом успеха. Чем сильнее эмоциональная реакция (слезы, потрясение, растроганность), тем больше просмотров и вовлеченности генерирует видео, что стимулирует производство подобного контента. Память как глубоко личный и интимный опыт трансформируется в ресурс для производства контента, где экономическая логика платформ (максимизация вовлеченности) определяет, какие формы работы с памятью получают распространение.

Эпистемологически размывается граница между документом и визуализацией. Визуальная память больше не рассматривается как объективный документ, но как правдоподобная конструкция. В некоторых проектах вырабатываются новые критерии аутентичности. Например, коллективная валидация сообществом у Рогелио Септимо – изображение считается «правдивым», если местные жители признают его соответствие своей памяти (Bañuelos Capistrán et al., 2025). Такой подход смещает режим истины от соответствия физической реальности к соответствию коллективной памяти сообщества. В то же время знание о прошлом все больше конструируется совместно с алгоритмами, и граница между воспоминанием и визуализацией становится подвижной.

Заключение

Исследование выявило две базовые медиалогики медиатизации персональных воспоминаний через генеративные технологии – логику дополнения архива и логику трансформации модальности существующего материала. Анализ показал, что воздействие определяется не технологией, а структурой фигураций, то есть распределением контроля между человеческими и алгоритмическими акторами.

Проекты с высокой рефлексивностью (Exhumar la Memor.IA, Synthetic Memories) демонстрируют созидательные возможности, связанные с деколонизацией визуальных архивов, терапевтической работой с амнестическими расстройствами и устранением пробелов травматической памяти. Массовые автоматизированные практики воспроизводят проблематичные паттерны. Трансформация приватной памяти в публичный контент ведет к коммодификации эмоций, которые становятся метрикой для алгоритмов рекомендаций, тем самым память превращается в ресурс производства вирального контента.

Фундаментальная трансформация заключается в переходе памяти из режима репродукции в режим производства. Знание о прошлом, таким образом, конструируется совместно с алгоритмами, граница между воспоминанием и визуализацией становится подвижной, что требует выработки новых этических рамок для подобных гибридных форм фиксации памяти.

 

 

^{1 Под термином «искусственный интеллект» в данном случае подразумевается комплекс современных технологий глубокого машинного обучения, таких как нейронные сети и большие языковые модели.}

^{2 Пайплайн (pipeline) – организованная цепочка шагов, через которую «прогоняют» данные, задачи или материалы, чтобы получить результат.}

^{3 Personalization (документация Midjourney) // Midjourney. URL: https://docs.midjourney.com/hc/en-us/articles/32433330574221-Personalization (дата обращения: 09.01.2026).}

^{4 Основная цель этих проектов – формирование клинических практик сохранения памяти в буквальном физиологическом смысле, поэтому они по большей части остаются за скобками данного исследования.}

Об авторах

Станислав Вячеславович Миловидов

Национальный исследовательский университет «Высшая школа экономики»

Автор, ответственный за переписку.
Email: smilovidov@hse.ru
ORCID iD: 0000-0003-1406-5406
SPIN-код: 1290-7832

кандидат искусствоведения, старший преподаватель, Институт медиа

Российская Федерация, 101000, Москва, ул. Мясницкая, д. 20

Список литературы

Дополнительные файлы