Bureaucrats, emailconfirmed, Administrators
5,790
edits
GMU:Audiovisual Interaction in TouchDesigner (view source)
Revision as of 19:47, 29 March 2026
, Sunday at 19:47no edit summary
Tag: 2017 source edit |
No edit summary Tag: 2017 source edit |
||
| (2 intermediate revisions by the same user not shown) | |||
| Line 1: | Line 1: | ||
Fach/Werkmodul | |||
<br>Alexander König | |||
==German version, for English, see below== | ==German version, for English, see below== | ||
Im Zentrum des Seminars stehen die Grundprinzipien von TouchDesigner als Echtzeit-Umgebung für audiovisuelle Systeme. Vermittelt werden nicht nur software-spezifische Workflows, sondern übertragbare Konzepte: node-basierte Logiken, Signalfluss, Datenmapping, Netzwerkstrukturen und performative Steuerung – anwendbar auch auf andere Umgebungen. | Im Zentrum des Seminars stehen die Grundprinzipien von TouchDesigner als Echtzeit-Umgebung für audiovisuelle Systeme. Vermittelt werden nicht nur software-spezifische Workflows, sondern übertragbare Konzepte: node-basierte Logiken, Signalfluss, Datenmapping, Netzwerkstrukturen und performative Steuerung – anwendbar auch auf andere Umgebungen. | ||
| Line 13: | Line 16: | ||
Im zweiten Teil verschieben wir den Blick auf die gesellschaftliche Dimension von Technik. Mit Gilbert Simondon verstehen wir Technik als etwas Offenes: Sie entsteht im Zusammenspiel mit sozialen und kulturellen Umgebungen. Technische Systeme sind keine abgeschlossenen Black Boxes, sondern relationale Gefüge, die sich weiterentwickeln. | Im zweiten Teil verschieben wir den Blick auf die gesellschaftliche Dimension von Technik. Mit Gilbert Simondon verstehen wir Technik als etwas Offenes: Sie entsteht im Zusammenspiel mit sozialen und kulturellen Umgebungen. Technische Systeme sind keine abgeschlossenen Black Boxes, sondern relationale Gefüge, die sich weiterentwickeln. | ||
Parallel dazu steht Theodor W. Adornos Kritik der Kulturindustrie: Kultur und Technik werden standardisiert, ökonomisch organisiert und auf Effizienz getrimmt. Differenz wird geglättet, Subjektivität formatiert. In der heutigen Plattformökonomie zeigt sich diese Logik algorithmisch: KI wird zur Monopol-Machtform, wenn Modelle, Daten und Infrastrukturen in den Händen weniger Konzerne liegen. Nicht die Technologie selbst ist das Problem, sondern ihre Konzentration in hegemonialen Strukturen. | |||
Zwischen diesen beiden Positionen bewegt sich das Seminar: | |||
KI steht im Spannungsfeld zwischen offener, gestaltbarer Technik (Simondon) und normierter, monopolistisch organisierter Kulturindustrie (Adorno). Genau in dieser Spannung wird Technik politisch. | |||
Als Gegenpol betrachten wir künstlerische und subkulturelle Praktiken, die bewusst außerhalb des normalen Betriebs entstehen – dort, wo Kunst nicht standardisiert, sondern riskiert wird. Positionen wie Maya Deren, Kenneth Anger oder Peter Brötzmann zeigen, wie ästhetische Formen aus Randzonen, Gegenkulturen und experimentellen Milieus hervorgehen. Hier wird Technik nicht effizient gemacht, sondern gebrochen, verfremdet und neu angeeignet. | |||
Subkultur fungiert damit als Gegenmodell zur Kulturindustrie: ein Raum, in dem Differenz möglich bleibt – und in dem auch KI nicht als Monopol-Infrastruktur, sondern als künstlerisches Material und politisches Werkzeug gedacht werden kann. | |||
==English version, for German, see above== | ==English version, for German, see above== | ||
| Line 24: | Line 36: | ||
===AI: Data, Power & Aesthetics – Between (Data) Science and (Sub)culture=== | ===AI: Data, Power & Aesthetics – Between (Data) Science and (Sub)culture=== | ||
This seminar opens the black box of AI—not to mystify it, but to make it understandable. We begin with an accessible introduction to the fundamentals of machine learning: what do “data,” “models,” “training,” and “prediction” actually mean? The aim is to separate technical mechanisms from marketing narratives—and to neither demonize nor glorify AI. | This seminar opens the black box of AI—not to mystify it, but to make it understandable. We begin with an accessible introduction to the fundamentals of machine learning: what do “data,” “models,” “training,” and “prediction” actually mean? The aim is to separate technical mechanisms from marketing narratives—and to neither demonize nor glorify AI. | ||