GMU:Audiovisual Interaction in TouchDesigner: Difference between revisions

GMU:Audiovisual Interaction in TouchDesigner (view source)

Revision as of 19:44, 29 March 2026

1,458 bytes removed , Yesterday at 19:44

→‎AI: Data, Power & Aesthetics – Between (Data) Science and (Sub)culture

Miga

Bureaucrats, emailconfirmed, Administrators

5,790

edits

@@ Line 33: / Line 33: @@
 ===AI: Data, Power & Aesthetics – Between (Data) Science and (Sub)culture===
-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.
 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.