Czy AI może odbudować to, czego już nie ma? Cyfrowa rekonstrukcja utraconej kultury między pamięcią, nauką i fikcją

Kiedy nagrania ze zniszczonych muzeów i zabytków w Mosulu obiegły świat, dominowało poczucie, że część historii znika bezpowrotnie. Dziś odpowiedzią na podobne straty są nie tylko klasyczne metody konserwacji, ale też fotogrametria, cyfrowe bliźniaki i modele generatywne, które potrafią uzupełniać brakujące fragmenty obrazów, obiektów i przestrzeni. Problem polega jednak na tym, że sztuczna inteligencja nie cofa czasu. Nie odzyskuje przeszłości wprost, lecz tworzy jej najbardziej prawdopodobną wersję na podstawie danych, które już posiadamy. Właśnie dlatego cyfrowa rekonstrukcja utraconej kultury jest jednocześnie szansą i zagrożeniem. Może ratować pamięć, ułatwiać badania i wspierać edukację, ale może też produkować przekonujące wizualnie fikcje, które zaczynają udawać prawdę historyczną. Pytanie nie brzmi więc tylko, czy AI potrafi odbudować zniszczony zabytek albo dzieło sztuki, lecz także kto decyduje, jak ta odbudowana przeszłość ma wyglądać, na jakich danych się opiera i gdzie kończy się rekonstrukcja, a zaczyna estetycznie atrakcyjna spekulacja.

Między ruiną a rekonstrukcją

W debacie o sztucznej inteligencji często mówi się o produktywności, automatyzacji albo generowaniu obrazów. W przypadku dziedzictwa kulturowego stawka jest jednak inna. Nie chodzi wyłącznie o wygenerowanie czegoś nowego, ale o próbę odzyskania tego, co zostało utracone przez wojnę, katastrofę, grabież, zaniedbanie albo zwykły upływ czasu. To właśnie dlatego temat cyfrowej rekonstrukcji zabytków i dzieł sztuki budzi tak silne emocje. W grę wchodzi nie tylko technologia, ale też pamięć zbiorowa, tożsamość, autorytet instytucji kultury i pytanie o granice ingerencji w historię.

Dobrym symbolem tej zmiany jest projekt Rekrei, wcześniej znany jako Project Mosul. Powstał jako odpowiedź na niszczenie dziedzictwa w Iraku i opierał się na crowdsourcingu fotografii oraz fotogrametrii, dzięki czemu z rozproszonych zdjęć archiwalnych, turystycznych i prywatnych tworzono cyfrowe modele obiektów, których fizycznie już nie było. Był to ważny moment, bo pokazał, że nawet w sytuacji bezpowrotnej straty można próbować zachować formę, proporcje i pamięć o danym obiekcie, jeśli istnieją rozproszone ślady w archiwach i prywatnych fotografiach. Równolegle UNESCO rozwijało program Revive the Spirit of Mosul, w którym odbudowa zabytków została połączona z odbudową szkół, domów i życia społecznego. To bardzo ważne rozróżnienie. Rekonstrukcja dziedzictwa nie jest tylko operacją na obrazie. Zawsze dotyczy też wspólnoty, która z tym dziedzictwem żyła i nadal chce je rozumieć jako część swojej historii.

 

W tym sensie AI w ochronie kultury nie pojawia się jako gadżet. Pojawia się tam, gdzie brakuje fragmentów, gdzie materiał źródłowy jest niepełny, a tradycyjne metody dokumentacji przestają wystarczać. Jeśli zabytek istnieje i można go dobrze zeskanować, problem jest relatywnie prostszy. Jeśli jednak obiekt został spalony, wysadzony albo zachował się tylko częściowo, pojawia się pokusa, aby brakujące części dopowiedział model. I właśnie w tym miejscu zaczyna się zasadniczy problem etyczny.

Od skanu do generacji

Nie każda cyfrowa praca nad dziedzictwem jest rekonstrukcją generatywną. To rozróżnienie jest kluczowe, bo w potocznym języku bardzo łatwo wrzucić do jednego worka skan 3D, model dokumentacyjny i obraz wygenerowany przez AI. Tymczasem są to trzy różne poziomy ingerencji.

Pierwszy poziom to dokumentacja cyfrowa. Obejmuje fotografie, skany laserowe, fotogrametrię i modele 3D, które mają jak najwierniej zapisać aktualny stan obiektu.

Drugi poziom to cyfrowy bliźniak, czyli bardzo dokładny model, który pozwala nie tylko oglądać dany obiekt, ale też analizować jego stan techniczny, śledzić zmiany i planować konserwację. Dobrym przykładem jest projekt bazyliki św. Piotra, w którym wykorzystano ponad 400 tysięcy zdjęć, a AI służyła nie tylko do stworzenia modelu dostępnego online, ale też do wykrywania pęknięć i brakujących fragmentów mozaik.

 

Trzeci poziom to właściwa rekonstrukcja generatywna. Tutaj model nie ogranicza się do rejestracji tego, co istnieje, lecz zaczyna uzupełniać to, czego już nie ma albo czego nie da się bezpośrednio odczytać. To może dotyczyć brakującego fragmentu malowidła, startej sceny na mozaice, uszkodzonej monety albo nieczytelnego obrazu. Od tego momentu AI nie jest już tylko narzędziem dokumentacji. Staje się narzędziem interpretacji.

To rozróżnienie jest ważne także społecznie. Gdy instytucja kultury publikuje skan albo model dokumentacyjny, odbiorca zakłada, że widzi zachowany stan obiektu. Gdy publikuje rekonstrukcję, powinien wiedzieć, że ogląda wariant oparty na danych, porównaniach i hipotezach. Jeśli ta granica nie zostaje wyraźnie zaznaczona, bardzo łatwo pomylić naukową ostrożność z technologiczną pewnością.

Co AI już potrafi

Najbardziej przekonujące w dyskusji o AI i dziedzictwie są nie hasła, lecz konkretne przypadki. A tych jest dziś coraz więcej.

W badaniach nad rzymskimi monetami generatywne sieci przeciwstawne były wykorzystywane do poprawy czytelności silnie zniszczonych egzemplarzy. W praktyce chodziło o to, aby na podstawie istniejących wzorców i porównań z lepiej zachowanymi obiektami odtworzyć bardziej czytelny obraz monety. Tego typu prace mogą bardzo pomagać historykom i archeologom, bo zwiększają użyteczność materiału, który dla ludzkiego oka jest już mało czytelny. Jednocześnie sami autorzy zwracają uwagę, że taka rekonstrukcja nie może być utożsamiana z prostym odzyskaniem oryginału. Jest narzędziem wspomagania interpretacji, a nie dowodem absolutnym.

Podobny problem pojawia się przy mozaikach. W badaniach z użyciem DALL-E 2 pokazywano, że model potrafi uchwycić sens sceny i zaproponować logiczne uzupełnienie brakujących partii. Wyniki były obiecujące, ale nie bezwarunkowo. W niektórych przypadkach AI dodawała elementy niezgodne z geometrią kompozycji albo z językiem formalnym całej mozaiki. Innymi słowy, model umiał często odtworzyć ogólne wrażenie sceny, lecz gorzej radził sobie z detalem istotnym dla historycznej wiarygodności.

Jeszcze ciekawiej wygląda to w przypadku malowideł ściennych. W nowszych pracach nad rekonstrukcją zniszczonych murali łączono architektury GAN z modelami dyfuzyjnymi, aby zachować strukturę obrazu, uniknąć przesunięć kolorystycznych i lepiej odtwarzać duże obszary ubytku. To ważne, bo w klasycznych metodach cyfrowego uzupełniania obrazu właśnie kolor, rytm kompozycji i lokalna spójność były największym problemem. Takie badania pokazują, że generatywna rekonstrukcja staje się coraz bardziej zaawansowana technicznie. Nie rozwiązują jednak podstawowego problemu epistemologicznego. Nawet najlepszy wynik nie daje gwarancji, że odtworzony fragment rzeczywiście odpowiada temu, co kiedyś znajdowało się na ścianie.

Na osobną uwagę zasługuje przypadek fizycznej restoracji obrazu za pomocą cyfrowo skonstruowanej maski. W pracy Alexa Kachkine’a AI posłużyła nie tylko do symulacji brakujących partii, ale do przygotowania odwracalnej, fizycznej warstwy, którą można było nałożyć na oryginalne dzieło. W demonstracji system wykrył tysiące uszkodzonych obszarów, użył dziesiątek tysięcy kolorów i przyspieszył pracę wielokrotnie względem klasycznych metod. To ważny przykład, bo pokazuje najbardziej obiecujący kierunek rozwoju. AI nie musi zastępować konserwatora. Może działać jako precyzyjne, szybkie i odwracalne narzędzie pomocnicze.

 

Właśnie słowo odwracalne jest tu kluczowe. W konserwacji od dawna liczy się nie tylko skuteczność zabiegu, ale też możliwość wycofania się z niego, jeśli później pojawią się lepsze dane, nowe ekspertyzy albo bardziej odpowiedzialna metoda pracy. AI staje się więc naprawdę wartościowa wtedy, gdy wspiera człowieka bez ostatecznego zamykania interpretacji.

Najtrudniejsze pytanie: czy to jeszcze jest autentyczne

Im lepsze stają się modele generatywne, tym łatwiej uwierzyć, że można po prostu odzyskać przeszłość. Problem w tym, że ochrona zabytków nigdy nie opierała się wyłącznie na tym, czy coś wygląda przekonująco. Karta Wenecka przypomina, że zabytki powinny być przekazywane przyszłym pokoleniom w pełni ich autentyczności. Dokument z Nary dopowiada, że autentyczność nie jest pojęciem redukowalnym do samej formy wizualnej. Obejmuje także kontekst kulturowy, sposób wykonania, funkcję, materiał, ducha miejsca i wiarygodność źródeł.

Z tego punktu widzenia model generatywny może być wizualnie znakomity, a jednocześnie historycznie słaby. Może wyglądać bardziej przekonująco niż ręczna rekonstrukcja, lecz nadal opierać się na niepewnych danych, stylizowanych porównaniach i uśrednionych wzorcach. To właśnie dlatego London Charter tak mocno podkreśla metodologiczną rzetelność komputerowych wizualizacji dziedzictwa. W rekonstrukcji nie liczy się tylko efekt końcowy, ale też to, czy da się pokazać proces jego powstania, źródła danych i poziom niepewności.

W praktyce oznacza to, że uczciwa rekonstrukcja AI powinna odpowiadać na trzy pytania. Po pierwsze, co w danym obrazie lub modelu pochodzi bezpośrednio z dokumentacji. Po drugie, co zostało odtworzone przez analogię do podobnych obiektów. Po trzecie, co jest już generatywną propozycją modelu. Jeśli odbiorca nie dostaje takiego rozróżnienia, rekonstrukcja zaczyna pełnić funkcję bardziej retoryczną niż naukową. Zamiast pomagać myśleć o przeszłości, zaczyna podsuwać jedną wersję przeszłości jako oczywistą i bezdyskusyjną.

To zagrożenie jest szczególnie duże w kulturze wizualnej, która bardzo łatwo utożsamia wysoką jakość obrazu z wysoką jakością wiedzy. Piękny render może wywoływać silniejsze poczucie prawdziwości niż ostrożny opis konserwatorski. W efekcie technologia może nieświadomie przesuwać autorytet z badacza i konserwatora na sam interfejs. To niebezpieczne, bo przeszłość nie staje się prawdziwsza tylko dlatego, że została wygenerowana w wysokiej rozdzielczości.

Czyje dane, czyja przeszłość

Etyczny problem rekonstrukcji AI nie kończy się na autentyczności. Równie ważne jest pytanie o dane. Anna Foka i Gabriele Griffin zwracają uwagę, że bias nie pojawia się dopiero na etapie modelu. Jest obecny już w samych kolekcjach dziedzictwa kulturowego, ich cyfrowych reprezentacjach i sposobach opisu. Archiwa, zbiory muzealne i katalogi nie są neutralnym odbiciem historii. Powstawały w konkretnych warunkach politycznych, ekonomicznych i kolonialnych. Jeśli na takich zasobach trenujemy modele, istnieje duże ryzyko, że AI będzie nie tylko reprodukować te uprzedzenia, ale wręcz je wzmacniać.

W badaniach nad interpretacją przeszłości Matthew Magnani i Jon Clindaniel pokazują, że AI może wytwarzać archeologiczne wizje obciążone systemowymi uproszczeniami. To bardzo ważna uwaga. Model generatywny nie odtwarza dawnego świata z pustki. Korzysta z tego, co już wcześniej zostało zebrane, opisane i zhierarchizowane. Jeśli więc w zbiorach dominują określone style reprezentacji, zachodnie sposoby klasyfikowania sztuki albo nierówny dostęp do danych z różnych regionów świata, to wygenerowana przeszłość także będzie nierówna.

To prowadzi do jeszcze jednego pytania: kto ma prawo odbudowywać przeszłość. UNESCO w najnowszych opracowaniach o AI i kulturze podkreśla znaczenie kulturowej suwerenności, praw kulturowych, przejrzystości i ochrony przed homogenizacją. W odniesieniu do dziedzictwa oznacza to, że rekonstrukcja nie powinna być wyłączną domeną dużych laboratoriów technologicznych albo firm posiadających najlepsze modele. Jeśli zabytek należy do określonej wspólnoty historycznej, religijnej albo lokalnej, to ta wspólnota powinna uczestniczyć w podejmowaniu decyzji o tym, jak przedstawiać jego przeszłość i niepewność tej przeszłości.

Bez takiego udziału bardzo łatwo przejść od ochrony dziedzictwa do cyfrowego zawłaszczenia pamięci. Technicznie udana rekonstrukcja może wtedy stać się narzędziem estetycznej dominacji. Odbiorca dostaje gotowy obraz i nie widzi, że za jego formą stoją określone wybory kulturowe, a czasem również brak konsultacji z tymi, których ta historia dotyczy najbardziej.

Co zyskujemy, co ryzykujemy

Obszar	Możliwa korzyść	Główne ryzyko
Dokumentacja 3D	trwały zapis stanu obiektu, możliwość badań i edukacji	złudzenie, że model wyczerpuje wiedzę o zabytku
Generatywne uzupełnianie braków	lepsza czytelność dzieła, wsparcie pracy badawczej i konserwatorskiej	dopisywanie elementów, których historycznie nie da się potwierdzić
Platformy online i immersja	większa dostępność dziedzictwa dla szerokiej publiczności	mylenie hipotezy z faktem i traktowanie rekonstrukcji jak oryginału
Praca na archiwach i kolekcjach	szybkie porównywanie wariantów, analiza wzorców, odzyskiwanie fragmentarycznych informacji	powielanie biasu obecnego w zbiorach i opisach

Tabela pokazuje, że problem nie polega na tym, czy AI jest dobra albo zła. Problem polega na warunkach jej użycia. Ta sama technologia może być znakomitym narzędziem dokumentacji i zarazem fatalnym narzędziem komunikacji, jeśli odbiorcy nie powiedziemy, co widzą. Może pomagać w ochronie zagrożonego dziedzictwa i jednocześnie wzmacniać dominujące narracje kulturowe, jeśli nie zadbamy o kontekst danych. Może przyspieszać konserwację, ale też wypierać ostrożność metodologiczną, jeśli zaczniemy mylić prawdopodobieństwo z pewnością.

Dlatego najuczciwsze podejście do rekonstrukcji generatywnej nie polega na ukrywaniu jej sztuczności, lecz na maksymalnym ujawnianiu procesu. Odbiorca powinien wiedzieć, że ma do czynienia z wariantem rekonstrukcyjnym. Powinien widzieć, jakie źródła wykorzystano, gdzie występują luki, a gdzie model zaproponował jedną z kilku możliwych odpowiedzi. To nie osłabia wartości takiej pracy. Przeciwnie, zwiększa jej wiarygodność.

Wnioski

AI może stać się ważnym narzędziem rekonstrukcji kultury utraconej, ale tylko wtedy, gdy nie będzie udawała, że ma bezpośredni dostęp do przeszłości. Największa wartość tej technologii ujawnia się nie wtedy, gdy ogłasza się ją maszyną do odzyskiwania prawdy, lecz wtedy, gdy traktuje się ją jako narzędzie wspomagania dokumentacji, analizy, konserwacji i odpowiedzialnej wizualizacji.

W praktyce oznacza to kilka prostych zasad. Po pierwsze, trzeba wyraźnie oddzielać dokumentację od generatywnej hipotezy. Po drugie, należy ujawniać źródła danych i poziom niepewności rekonstrukcji. Po trzecie, w proces powinny być włączane nie tylko laboratoria technologiczne, ale także konserwatorzy, historycy sztuki, archeolodzy i wspólnoty związane z danym dziedzictwem. Po czwarte, każda rekonstrukcja powinna być możliwie odwracalna albo przynajmniej jawnie oznaczona jako wariant.

Jeśli te warunki nie zostaną spełnione, sztuczna inteligencja może stać się narzędziem produkowania bardzo pięknych, bardzo sugestywnych, ale historycznie wątpliwych obrazów przeszłości. Jeśli jednak zostaną spełnione, AI może pomóc nam ocalić coś naprawdę cennego: nie iluzję pełnego odzyskania utraconego świata, lecz odpowiedzialny sposób pamiętania o nim, badania go i przekazywania dalej. I być może właśnie to jest najuczciwsza definicja cyfrowej rekonstrukcji kultury utraconej.

Literatura

1. Altaweel, M., Khelifi, A., & Zafar, M. H. (2024). Using Generative AI for Reconstructing Cultural Artifacts: Examples Using Roman Coins. Journal of Computer Applications in Archaeology, 7(1), 301–315.
2. Foka, A., & Griffin, G. (2024). AI, Cultural Heritage, and Bias: Some Key Queries That Arise from the Use of GenAI. Heritage, 7(11), 6125–6136.
3. Kachkine, A. (2025). Physical restoration of a painting with a digitally constructed mask. Nature, 642, 343–350.
4. Magnani, M., & Clindaniel, J. (2025). Artificial Intelligence and the Interpretation of the Past. Advances in Archaeological Practice.
5. Moral-Andr’es, F., Merino-G’omez, E., Reviriego, P., & Lombardi, F. (2024). Can Artificial Intelligence Reconstruct Ancient Mosaics? Studies in Conservation, 69(5), 313–326.
6. Stacchio, L., Balloni, E., Gorgoglione, L., Mancini, A., Giovanola, B., Tiribelli, S., & Zingaretti, P. (2024). An ethical framework for trustworthy Neural Rendering applied in cultural heritage and creative industries. Frontiers in Computer Science, 6.
7. UNESCO. (2021). Recommendation on the Ethics of Artificial Intelligence.
8. UNESCO. (2025). Artificial Intelligence and Culture. Report of the Independent Expert Group on Artificial Intelligence and Culture.
9. ICOMOS. (1964/2023). International Charter for the Conservation and Restoration of Monuments and Sites (Venice Charter).
10. UNESCO World Heritage Centre. (1994). The Nara Document on Authenticity. 
11. The London Charter. (2009). The London Charter for the Computer-Based Visualisation of Cultural Heritage. 
12. Rekrei. Home. https://rekrei.org/
13. UNESCO. Revive the Spirit of Mosul.
14. Microsoft & Basilica di San Pietro. La Basilica di San Pietro.