文艺复兴大师汉斯·霍尔拜因留下了两幅小型素描:其中一幅长期以来被认为是亨利八世那位命运多舛的第二任王后安妮·博林的肖像,另一幅则描绘了一位无名女性,其身份已随时间流逝而成谜。
如今,研究人员借助AI技术发现,这位无名女性或许才是那位悲剧王后本人,而另一幅画中的人物实际上可能是博林的母亲。
这两幅作品均属于英国王室收藏,分别被称为"温莎素描"和"身份不明的女性"。布拉德福德大学的研究团队对这两幅作品进行了分析,发现它们可能在18世纪被错误标注,由此导致了一场延续数百年的误解。
独立学者卡伦·戴维斯长期研究霍尔拜因画作系列,该系列共收录逾80幅作品。她对"温莎素描"产生了疑问——画中人物以侧面示人,皮肤白皙、红发披肩,而历史记载中的博林通常被描述为肤色较深。
这批画作的标注本就以混乱著称。例如,系列中某幅被认为是博林表兄亨利·霍华德的肖像,实为其父的画像。戴维斯在今年3月发表的一项研究中估计,该系列中具备同期文献佐证的作品不足15%。
戴维斯随后与布拉德福德大学视觉计算中心主任哈桑·乌盖尔教授携手合作。乌盖尔教授此前曾开发一套用于识别古典大师画作的AI模型,并凭借该模型将一幅困扰艺术史学家数十年的作品归属于拉斐尔名下。
"我们对整个系列进行了梳理,将各幅作品相互比对,构建出一个庞大的矩阵,"他在谈及霍尔拜因画作系列时说道,"系统将彼此相近的画作归为一簇。"
分析结果显示,"身份不明的女性"被归入了博林-霍华德画群,而"温莎素描"则与博林母亲伊丽莎白·霍华德的相关画像更为接近。
戴维斯表示,希望这项分析能够引发外界对这两幅画及整个霍尔拜因系列的重新审视。她说:"我认为我们现在只是开启了一个问题,并非要提出某种断言并就此盖棺定论。我希望这能推动学界更广泛地展开重新评估的讨论。"
王室收藏信托基金发言人表示,这位无名人物的身份长期以来一直是争议焦点。"我们致力于共享王室收藏、推动学术研究,欢迎进一步的讨论、争鸣与新信息的加入。"
霍尔拜因所绘的都铎王朝宫廷肖像,堪称文艺复兴时期艺术的瑰宝之作。霍尔拜因出生于德国奥格斯堡,早年在巴塞尔从事创作,后移居英格兰,专攻肖像画与素描。
他起初是为了逃离欧洲宗教改革带来的动荡而离开故土,却最终深陷亨利八世宫廷中弥漫的猜疑与偏执之中。这位君主意欲与王后凯瑟琳·阿拉贡离婚,迎娶博林为后,而教皇的拒绝最终导致了英国宗教改革的爆发。
霍尔拜因曾为托马斯·莫尔绘制肖像,后者于1535年被处决;博林则在次年遭到斩首。
今年早些时候,研究人员对最广为人知的博林画像——黑弗城堡"玫瑰"肖像——进行了分析。历史学家认为,这幅画的伊丽莎白时代作者有意通过创作进行"视觉反驳",以回应那些指称博林是女巫、右手长有第六根手指的流言蜚语。
Q&A
Q1:布拉德福德大学的研究团队用什么方法分析霍尔拜因的肖像素描?
A:研究团队使用了哈桑·乌盖尔教授开发的AI模型,对霍尔拜因系列逾80幅画作进行了系统比对,构建出一个大型矩阵,将风格相近的画作自动归类成簇,从而发现"身份不明的女性"与博林-霍华德画群更为接近,而"温莎素描"则与博林母亲伊丽莎白·霍华德的相关画像相似度更高。
Q2:为什么"温莎素描"长期以来被认为是安妮·博林的画像?
A:主要原因在于该系列画作在18世纪被进行了标注,但这些标注存在较多错误。独立学者卡伦·戴维斯的研究显示,整个霍尔拜因系列中具备同期文献佐证的作品不足15%,标注混乱的情况普遍存在,这直接导致了"温莎素描"与安妮·博林的错误对应关系延续至今。
Q3:哈桑·乌盖尔教授的AI模型之前有哪些应用成果?
A:乌盖尔教授此前已将这套AI模型用于古典大师画作的鉴定研究,并成功将一幅困扰艺术史学家数十年、作者不明的画作归属于文艺复兴大师拉斐尔名下,证明了该模型在艺术品鉴定领域的实际价值。
好文章,需要你的鼓励
无人机食品配送服务商Flytrex与全球知名披萨连锁品牌Little Caesars宣布合作,推出全新Sky2无人机,最大载重达4公斤,可一次配送两个大披萨及饮料,满足全家用餐需求。Sky2支持最远6.4公里的配送范围,平均从起飞到送达仅需4.5分钟。首个试点门店已在德克萨斯州怀利市上线,并实现与Little Caesars订单系统的直接集成。
FORTIS是专门测量AI代理"越权行为"的基准测试,研究发现十款顶尖模型普遍选择远超任务需要的高权限技能,端到端成功率最高仅14.3%。
法国社会住房项目ViliaSprint?已正式完工,成为欧洲最大的3D打印多户住宅建筑,共12套公寓,建筑面积800平方米。项目由PERI 3D Construction使用COBOD BOD2打印机完成,整体工期较传统建造缩短3个月,实际打印仅用34天(原计划50天),现场操作人员从6人减至3人,建筑废料率从10%降至5%。建筑采用可打印混凝土,集成光伏板及热泵系统,能源自给率约达60%。
荷兰Nebius团队提出SlimSpec,通过低秩分解压缩草稿模型LM-Head的内部表示而非裁剪词汇,在保留完整词汇表的同时将LM-Head计算时间压缩至原来的五分之一,端到端推理速度超越现有方法最高达9%。