Latent Spaces: AI, Art, and the Archive, AI의 잠재 공간이 ‘새 아카이브’라는 뜻
Latent Spaces: AI, Art, and the Archive라는 제목을 보면 Stable Diffusion의 latent 구조나 AI 이미지 생성법을 설명하는 기술 논문처럼 보일 수 있습니다. 하지만 Antonio Somaini의 이 글은 latent space를 훨씬 다른 방향에서 바라봅니다.
핵심 질문은 AI가 과거의 이미지와 기록을 학습해 새로운 이미지를 만드는 시대에 latent space가 새로운 종류의 archive 역할을 하는가입니다. 즉 VAE나 diffusion의 구현법보다는 생성형 AI가 기억·역사·시각 문화를 어떤 방식으로 다시 매개하는지를 분석합니다.
latent spaces ai art and the archive에서 가장 먼저 볼 변화
Latent Space를 단순한 압축 공간으로만 보지 않는다
생성형 AI에서 latent space는 이미지나 텍스트 같은 복잡한 데이터를 압축된 representation으로 다루는 공간입니다.
기술적으로는 수치와 vector로 구성된 내부 표현이지만, Somaini가 주목하는 부분은 그다음입니다. 문화적 자료가 이런 representation으로 변환되는 순간 AI가 과거의 자료를 다루는 방식 자체도 달라진다는 것입니다.
Archive와 Latent Space의 공통점
일반적인 archive는 문서, 사진, 영상 같은 자료를 보존하고 분류하며 다시 접근할 수 있게 만드는 체계입니다.
latent space에는 원본 이미지 파일들이 도서관 선반처럼 그대로 들어 있는 것은 아닙니다. 대신 학습 데이터에서 추출된 특징과 관계가 vectorized representation의 형태로 모델 내부에 반영됩니다.
따라서 이 글은 latent space를 전통적인 archive와 동일하다고 주장하기보다, 무엇을 연결하고 무엇을 생성할 수 있는지를 결정하는 새로운 기억의 기반 시설로 분석합니다.
이 관점에서는 AI 이미지가 단순히 데이터베이스에서 과거 이미지를 검색해 꺼낸 결과도 아니고, 아무것도 없는 상태에서 완전히 독립적으로 만들어진 결과도 아닙니다.
AI는 Archive를 검색하는 대신 다시 계산한다
전통적인 디지털 archive에서 특정 사진을 찾으려면 저장된 파일을 검색하고 불러오는 과정을 생각할 수 있습니다.
latent spaces ai art and the archive가 ComfyUI 워크플로우에 미치는 영향
생성형 AI는 다르게 작동합니다. prompt와 모델 내부 representation의 관계를 이용해 새로운 결과를 합성합니다. 이때 과거의 데이터는 원본 그대로 호출되는 것이 아니라 모델이 학습한 통계적·수치적 관계를 거쳐 다시 나타납니다.
기존 방식과 비교해야 할 부분
그래서 과거를 보는 방식 자체가 변한다
Somaini가 강조하는 것은 이 기술적 차이의 문화적 결과입니다.
AI가 역사적 이미지와 텍스트를 representation으로 처리하고 다시 생성하기 시작하면, 우리가 과거를 접하는 과정에 새로운 algorithmic mediation이 추가됩니다.
과거의 자료를 ‘찾는 것’과 과거를 기반으로 새로운 이미지를 ‘생성하는 것’ 사이의 경계가 흐려지는 셈입니다.
이 때문에 latent space는 단순히 GPU 안에서 계산되는 중간 데이터라는 설명만으로는 이 글의 문제의식을 이해하기 어렵습니다. 어떤 자료가 어떤 관계로 표현되고 어떤 새로운 결과를 생성할 수 있는지가 문화적으로도 중요해집니다.
AI Art에는 ‘Meta-Archival Impulse’가 나타난다
Somaini는 생성형 AI를 활용하는 여러 현대 미술 작업을 검토하면서 meta-archival impulse라는 표현을 사용합니다.
여기서 중요한 것은 AI로 오래된 사진을 예쁘게 복원하거나 역사 이미지를 재현하는 것만을 뜻하지 않는다는 점입니다.
AI 모델이 과거 자료를 어떻게 조직하고, 변형하고, 때로는 지워버리는지를 다시 드러내고 조사하려는 예술적 태도를 가리킵니다.
성능과 결과 품질에서 확인할 차이
AI가 만든 과거를 다시 의심하는 작업
워크플로우 구성에서 놓치기 쉬운 부분
생성형 AI를 사용하면 실제로 존재하지 않았던 역사적 장면이나 alternative past, counterfactual image도 만들 수 있습니다.
이런 작업에서 중요한 질문은 “이미지가 얼마나 사실적으로 보이는가”만이 아닙니다.
어떤 데이터와 representation을 기반으로 이런 과거가 만들어졌는지, 모델이 특정 역사적 이미지를 어떤 관계 속에서 재구성하는지를 다시 질문하게 됩니다.
따라서 이 글에서 AI art는 latent space를 사용하는 최종 결과물이면서 동시에, 보이지 않는 latent space 자체를 비판적으로 탐색하는 수단이 되기도 합니다.
Latent Space를 ‘Historical A Priori’로 본다는 의미
Somaini는 latent spaces를 새로운 형태의 historical a priori와 연결해 설명합니다.
쉽게 말하면 우리가 무엇을 보고, 어떤 관계를 만들고, 무엇을 과거에 대해 상상할 수 있는지를 가능하게 만드는 조건 자체에 관심을 두는 것입니다.
생성형 AI가 사회 전반에서 이미지와 텍스트를 생성·수정·분류하는 비중이 커지면 latent representation도 단순한 백엔드 기술에 머물지 않습니다.
모델 내부의 분류와 관계가 우리가 접하는 이미지의 범위를 결정하는 하나의 중간층으로 작동할 수 있기 때문입니다.
실제로 적용할 때 체크할 점
그래서 이 논의는 “latent에는 실제로 무엇이 저장돼 있는가?”라는 기술 질문보다 “latent가 무엇을 보이게 하고 무엇을 보이지 않게 만드는가?”라는 질문으로 이동합니다.
ComfyUI의 LATENT와 연결할 때는 범위를 구분해야 한다
ComfyUI 사용자에게 latent는 매우 구체적인 데이터 타입입니다.
VAE Encode → LATENT → sampling → VAE Decode
같은 workflow에서 직접 확인할 수 있고, latent 자체를 resize하거나 noise를 적용하는 작업도 가능합니다.
하지만 Latent Spaces: AI, Art, and the Archive가 말하는 핵심은 이런 ComfyUI node operation이 아닙니다.
동일한 기술적 기반에서 출발하지만 관심 대상은 latent representation이 문화적 자료와 기억을 어떤 방식으로 재구성하는가입니다. 따라서 이 글을 Stable Diffusion 사용법이나 latent manipulation 튜토리얼로 이해하면 검색 의도와 어긋납니다.
마지막 확인
Latent Spaces: AI, Art, and the Archive에서 latent space는 단순한 이미지 압축 공간을 넘어, 과거의 자료가 AI를 통해 다시 조직되고 생성되는 새로운 mediation layer로 해석됩니다.
핵심은 “AI가 거대한 archive를 가지고 있다”는 단순한 비유가 아닙니다. 이미지와 텍스트가 vector representation으로 바뀌면서 우리가 과거를 검색하는 방식에서 과거를 알고리즘으로 다시 생성하는 방식으로 이동하고 있다는 점을 보는 것이 중요합니다.
ComfyUI 관점에서 이 글을 읽는다면 LATENT가 어떻게 계산되는지를 보는 데서 한 단계 더 나아가, 그 latent를 만든 training data와 representation이 결과 이미지에서 무엇을 가능하게 하고 무엇을 배제하는지까지 생각해 보면 이 글의 문제의식과 가장 잘 연결됩니다.