文章重新审视Johanna Drucker提出的'是否存在数字艺术史'之问，通过分析基于Transformer的多模态视觉模型（如CLIP）的认知与方法论意义，论证数字艺术史新范式的诞生。研究揭示：1）大规模视觉模型通过编码非摄影图像（绘画/数字艺术），首次实现非透视、非具象视觉逻辑的自动化提取；2）模型训练数据与艺术史研究语料形成认知纠缠，需建立'模型批判'新方法。两个案例佐证此变革：CLIP-MAP工具量化巴黎城市意象的空间分布，揭示模型内化的旅游凝视；2D-CLIP工具解析芝加哥艺术学院藏品的'naked/nude'概念谱系，暴露性别化视觉意识形态。文章主张数字艺术史必须融合媒体研究与文学计算的方法，将模型本身纳入批判对象。
Johanna Drucker十年前提出核心问题：艺术史的"数字化"（资源电子化）与"数字性"（方法论革新）存在本质区别。传统数字艺术史受限于"图像内容识别困境"——文本有明确词汇单元，而图像缺乏离散符号层级（段落/句子/词）。早期像素分析方法（如Lev Manovich风格空间）仅能捕捉颜色/亮度等表层特征，无法解析语义。卷积神经网络虽提升物体识别能力，但其依赖ImageNet等刚性本体论，将艺术简化为"椅子""狗"等标签化对象，陷入GOFAI（传统符号AI）的认识论局限。
CLIP等模型突破三大局限：
1. 跨模态嵌入：通过4亿+图像-文本对训练，将视觉与语言映射到统一语义空间，实现"暴力-节奏-70年代社区"等抽象概念的图像检索
2. 非具象逻辑捕捉：训练集LAION-5B包含大量绘画/设计等非摄影图像，使模型能处理非透视构图（如《宫娥》的元图像逻辑）
3. 零样本推理：无需特定训练即可分类未见过类别，如MoMA藏品的"节奏"检索返回乐谱/声波图/韵律图形等多元视觉化
模型应用必然伴随对其内在视觉意识形态的批判。以《宫娥》为例：传统CV仅识别画架/人脸等物体，而CLIP能关联毕加索变体画与杜瓦诺摄影——这些作品共享构图逻辑但无直接视觉相似性。这种"深度描述"能力揭示模型已内化西方视觉典律，但同时要求研究者追问：CLIP的巴黎=旅游明信片？
通过10,000张巴黎街景的CLIP相似度热力图分析发现：模型对"巴黎性"的认知高度集中在地标（凯旋门）与奥斯曼式林荫道，郊区相似度骤降。极端案例中：
- 激光枪战馆内景被判定为"反乌托邦"
- 市郊街景同时标注"洛杉矶"与"纽约"
此映射实为双重批判：既揭示城市文化地理的符号化，又暴露模型训练依赖的游客凝视与国家意识形态。
将芝加哥艺术学院1,000件作品投射到"naked/nude"概念轴显示：
1. 性别化编码：女性裸体（如Lefebvre《宫女》）集中于"nude"象限，暗示静态被观看性；男性雕塑（如赫拉克勒斯）则被判为"naked"
2. 媒介偏见：摄影（如Stieglitz摄O'Keeffe躯干）同时高居"naked/nude"顶点，反映CV对摄影媒介的优先性
3. 概念纠缠：Tintoretto《塔克文与卢克蕾提亚》的暴力场景打破Kenneth Clark的"nude=平衡理想"理论，验证Lynda Nead"裸体永远已在表征中"的批判
研究主张三重范式转移：
1. 拒绝工具中立性：使用CLIP研究图像集必须同步研究CLIP的视觉逻辑，如案例中模型强化了殖民视角（宫女）与男性凝视（裸体）
2. 跨学科融合：需整合媒体研究（批判AI视觉意识形态）与计算文学（自然语言提示工程），建立"批判性机器视觉"框架
3. 重释艺术史本质：艺术史长期处理视觉-语言中介（如图像学），而多模态模型新增代码中介层，恰能发挥学科优势解析此三角关系
当Stable Diffusion宣称"压缩人类视觉信息"，数字艺术史的使命正是解构这种技术宏大叙事，通过模型批判揭示被编码的权力结构。