AI 화가 100명이 서로 따라 그리면

화가 100명이 서로의 그림을 보고 마음에 드는 화풍을 따라 그립니다. 처음엔 제각각이던 그림이 어떻게 변할까요? 따라 그리는 비율과 독창성을 바꿔 가며 "하나의 화풍"으로 모이는 지점을 찾아봅니다.

모델은 이렇게 움직입니다

화가마다 네 가지 숫자로 된 화풍이 있습니다: 색조, 붓 크기, 복잡도, 각진 정도. 이 숫자로 작은 추상화를 그려서 갤러리에 걸어요. 화풍이 비슷하면 그림도 비슷해 보입니다.
라운드마다 모든 화가가 동시에, 따라 그리는 비율의 확률로 다른 화가 한 명의 화풍 쪽으로 절반쯤 따라갑니다. 나머지는 혁신이라서 자기 화풍을 독창성만큼 무작위로 바꿔요.
누구를 따라 할지는 인기가 영향을 줍니다. 따라 그린 사람이 많을수록 인기가 오르고(시간이 지나면 줄어듦), 인기 편향(인기 있는 쪽으로 쏠리는 정도)이 클수록 인기 높은 화가가 더 자주 뽑힙니다.
다양성은 화가 쌍 사이 화풍 거리의 평균(최대 1), 쏠림은 가장 인기 있는 화풍과 비슷한 화가의 비율입니다.

직접 돌려보기

따라 그리는 비율 100%면 모두가 매번 누군가를 따라 해요

인기 편향 클수록 인기 있는 화가가 더 자주 따라 그리는 대상이 돼요

독창성 혁신할 때 화풍을 얼마나 크게 바꾸는지

① 갤러리

그림 한 장이 화가 한 명입니다. 금색 테두리는 가장 인기 있는 화가, 오른쪽 위 초록 점은 이번 라운드에 새 화풍을 시도한 화가예요. 그림들이 점점 닮아 가는지 지켜보세요.

② 다양성과 쏠림의 변화

파란 선은 다양성(화풍이 얼마나 다른가), 금색 선은 쏠림(인기 화풍을 따르는 비율)입니다.

③ 화풍 지도

가로는 색조, 세로는 복잡도이고 점 하나가 화가 한 명입니다. 점이 한곳에 모이면 하나의 화풍으로 모인 거예요. 큰 점일수록 인기가 높습니다.

④ 따라 그리는 비율이 높아지면

가로는 따라 그리는 비율, 세로는 80라운드 뒤의 다양성(파랑)과 쏠림(금색)입니다. 회색 선은 인기 편향이 없을 때의 다양성이에요. 점은 4번의 실행입니다.

이 결과가 말하는 것, 말하지 않는 것

말하는 것:

따라 그리는 비율이 낮으면 화풍이 제각각으로 남고, 높으면 하나로 모여요. 비율 0%에서 다양성 0.47, 100%에서 0.02였어요.
인기 있는 화가를 더 자주 따르면 같은 비율(60%)에서도 쏠림이 25%에서 55%로 커지고, 새 시도가 작으면 중간 비율에서도 하나로 굳어요.
그렇다면 화풍이 다양하게 남으려면? 이 모델에선 따라 그리는 비율이 가장 컸어요(0%면 다양성 0.47, 100%면 0.02). 인기 편향을 없애면 같은 60%에서도 쏠림이 55%에서 25%로 줄었어요.

상세 설명

말하는 것: 따라 그리는 비율이 높아질수록 화풍의 다양성이 줄고 하나의 "대표 화풍"에 쏠립니다. 이 모델에서는 갑자기 무너지는 한 지점이 있다기보다 연속적으로 줄어들고, 따라 그리는 비율이 40~80% 사이에서 쏠림이 크게 늘어납니다. 인기 있는 화가를 더 자주 따라 하는 편향이 있으면 같은 따라 그리는 비율에서도 쏠림이 훨씬 커지고, 독창성이 낮으면 따라 그리는 비율이 중간이어도 하나의 화풍으로 굳어요.

말하지 않는 것:

실제 화가나 이미지 생성 AI를 재현한 것도, 모방이 나쁘다는 뜻도 아니에요. 그림의 좋고 나쁨은 모델에 없어요.
이 시뮬레이션이 직접 보여 준 건 모방이 늘면 다양성이 줄어든다는 쪽이에요. 모방이 기술을 퍼뜨리는 이로운 면은 보여 준 게 아니라 생각해 볼 점이고, 실제 작품 데이터로 확인해야 해요.

상세 설명

말하지 않는 것: 실제 이미지 생성 AI나 화가들의 행동을 재현한 것이 아닙니다. 화풍을 네 개의 숫자로 줄이고 "따라 그리기"와 "무작위 혁신"만 남긴 매우 단순한 문화 전파 모델이고, 그림은 이 숫자로 만든 장식용 추상화입니다. 모방이 나쁘다거나 독창성이 항상 좋다는 판단도 아닙니다. 모방은 기술을 퍼뜨리고 좋은 화풍을 키우기도 해요.

이론적 근거와 구현 메모

모델의 뿌리: 두 가지 뿌리가 있습니다. 하나는 문화 진화 이론의 "편향된 전달"(Boyd, Richerson, 1985, 『Culture and the Evolutionary Process』)로, 사람들이 인기 있는 쪽을 골라 따라 한다는 생각입니다. 다른 하나는 이웃의 값 쪽으로 조금씩 다가가는 평균 모델(DeGroot, 1974, "Reaching a consensus", Journal of the American Statistical Association)입니다. 인기와 사회적 영향이 결과를 바꾼다는 Salganik, Dodds, Watts (2006, Science)의 음악 시장 실험에서도 발상을 얻었지만, 그 실험을 재현한 것은 아닙니다.
핵심 가정과 수식: 화풍은 네 숫자의 벡터 s입니다. 라운드마다 확률 복사율로 화가 i는 화가 j를 골라 s_i ← s_i + 0.5(s_j − s_i)로 절반쯤 다가가고, 아니면 독창성 크기의 무작위 변화를 더합니다. j가 뽑힐 가중치는 (1−b) + b(p_j/평균 p)²이며 b가 인기 편향 슬라이더입니다.
이 프로젝트의 단순화: 화풍을 네 숫자로 줄였고, 반쯤 다가가는 정도(0.5)와 인기 가중치를 제곱으로 둔 것, 인기가 시간이 지나면 줄어드는 방식은 모두 이 프로젝트가 정한 값입니다. 모든 화가가 서로를 볼 수 있고 한 번에 한 명만 따라 하며, 그림의 좋고 나쁨(품질)은 없습니다.
이론값과 시뮬레이션: 이 모델에는 비교할 닫힌 해나 논문 값이 없어 시뮬레이션만으로 확인했습니다. 확인한 것은 방향과 양끝입니다. 복사율 0%에서는 다양성 0.47·쏠림 2%, 100%에서는 다양성 0.02·쏠림 100%, 기본값(복사 60%)에서는 0.18·55%였고, 인기 편향을 0으로 하면 복사율 60%에서 쏠림이 25%로 줄었습니다.
더 읽을거리: Salganik, Dodds, Watts (2006), "Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market", Science 311. Boyd, Richerson (1985), 『Culture and the Evolutionary Process』, University of Chicago Press. DeGroot (1974), "Reaching a consensus", Journal of the American Statistical Association.
인기 편향은 뽑힐 가중치를 (1-편향) + 편향 × (인기/평균 인기)²로 두었습니다. 처음에는 인기에 비례하게만 했더니 편향 슬라이더가 결과에 거의 영향을 주지 않아서 제곱으로 바꿨습니다. 혁신한 화가가 "주목받아" 인기를 얻을 확률(주목 보상)도 시험했지만 쏠림이 52~58%로 거의 바뀌지 않아서 화면에서는 뺐습니다.
다양성은 색조(원형이라 가장 먼 거리는 0.5)를 포함한 네 숫자의 거리를 0~1로 맞춰 쌍마다 평균낸 값입니다. 처음(무작위)은 약 0.44이고, 마지막 20라운드의 평균을 결과로 씁니다. 검증은 node tools/validate-painters.js로 할 수 있습니다.