原文标题：《艺术市场总在秘密进行》

这是一个让我激动了半天的链上数据可视化案例。作者通过对SuperRare上887位艺术家创作的16198件NFT作品，涉及3210位收藏家和超过23000笔交易进行可视化分析。得出了以下结论：

• 超过60%NFT藏家的会“购买并持有”；

…

但，精彩的远远不止结论。“作为一个网络科学家，当我遇到像艺术市场这样复杂的现象时， 我倾向于研究它的隐藏结构，揭开看不见的关系网络。同时，它形成一种天然的艺术形态。”

“blockchain data art”

Mark Pernice

正文

自从被称为Beeple的数字艺术家制作的NFT在3月的拍卖会上以6900万美元的价格售出以来，艺术界的观察家们一直对这种类型的作品—— 所谓的基于NFT的艺术 ——的天价飙升感到着迷和困惑。这些是数字创作，因为它们很容易被复制和再现，所以以不可伪造的代币或NFT的形式出售，这些代币使用区块链技术来证明真实性和所有权。（Beeple的作品是他自2007年以来每天在网上发布的图片拼贴画）。

这种艺术的市场已经急剧增长。据Crypto Art的统计数据，从2018年4月5日到今年4月15日， 6158名艺术家售出了191,208件基于NFT的艺术品，总金额为541,378,383美元。 这些交易中大约有一半发生在过去的三月，造就了历史上最伟大和最突然的资产繁荣期之一。

作为一个艺术收藏家，每遇到一件感兴趣的艺术品，我会问自己可能会 花多少钱来拥有它 。但作为一个网络科学家，当我遇到像艺术市场这样复杂的现象时， 我倾向于研究它的隐藏结构 [3] ，从多个学科（物理学、社会学、计算机科学）中汲取营养，揭开看不见的关系网络，以帮助解释它如何运作以及为什么这样运作。

从我了解到基于NFT的艺术品世界的那一刻起，我就一直在忙着做我最擅长的事情：制图——也就是分析和呈现这种所有权交易的模式，这也是该流派迅速崛起的基础所在。最终的结论是，，基于NFT的艺术市场既彼此孤立又紧密联系。网络的这些特点可能有助于解释基于NFT的艺术品价格的峰值是怎么来的。

NFT是一种永久性的、可靠的公共所有权的链上记录，可以与任何资产连接。今年，Twitter的首席执行官杰克(Jack Dorsey)以290万美元的价格出售了他有史以来第一条作为NFT的推文）。就基于NFT的艺术品而言，NFT包括关于 “一级 “市场的信息——创作者、第一个收藏者和销售价格——以及 “二级 “市场的记录，所有权和估值随时间的变化。在传统的艺术世界里，这种信息往往被掩盖在秘密之中。

绘制基于NFT的艺术品所涉及的整套所有权交易需要一些时间，即使对我实验室的尖端计算机来说也是如此。但与数据科学家米兰·亚诺索夫合作，我已经发现了一些有趣的模式。

我们的分析是从一个叫SuperRare的网站开始的，这个网站是最早的、最著名的NFT数字艺术买卖平台之一。利用专门的算法，我们追踪了SuperRare上每一笔涉及NFT的交易。这个故事始于2018年4月5日，罗比·巴拉特发布了一幅由人工智能生成的裸体肖像，此后不久，一位名叫杰森·贝利的收藏家以176美元的价格购买了这幅肖像。根据我们的分析，到今年4月15日，887位艺术家创作的16198件作品在SuperRare网站上转让了所有权，涉及3210位收藏家和超过23000笔交易。

60%的收藏家“购买并持有”

与传统艺术市场一样，这些收藏家中的大多数都是 “购买并持有”， 这个数字超过60%，意味着他们购买的数字艺术不会再进入市场。但与传统艺术市场一样，NFT也有一个活跃的二级市场。2020年3月，二级市场的活动占SuperRare网站销售量的9%。到今年3月，二级市场正在蓬勃发展。转售占平台上出售的艺术品的36%。

接下来， 我们需要决定我们想要绘制基于NFT的艺术市场的哪些方面 。我们选择研究共有的模式，将每件艺术品绘制成网络中的一个节点，如果两件艺术品在其存在期间的任何时候被同一个收藏家所拥有，我们将把它们联系起来。

为什么要专注于共同所有权（ownership）？我们的理由是，艺术收藏家往往专注于市场的某些部分——一个特定的艺术家群体（例如，哈德逊河画派）或一个艺术运动（如印象派）、流派（如静物）或媒介（如雕塑）。因此，我们怀疑共同所有权的模式会反映出艺术品之间有意义的共同点。

我们的下一步是在二维物理空间中铺设网络，以便我们能够最好地观察其结构。为了做到这一点，我们通过计算机模拟网络，以尽量减少节点之间的链接总长度。这确保了我们能够清楚地看到所有权的模式。由一个收藏家拥有的艺术品必须彼此紧密排列（因为它们之间有许多链接），而由几个 “分离度”（没有两个共同的所有者，但仍然可以通过一系列的所有者进行链接）连接的艺术品则必须相距较远。那些没有通过任何所有权链与其他艺术品相连的艺术品将作为孤立的节点或孤立的群组自由漂浮。

我们的预感是，这个网络会显示出自己被分割成孤立的集群，每个集群都反映了收藏家对某些类型的艺术家和艺术品的专门兴趣。但我们得到的网络打破了我们的预期，显示出一个中心的、高度相互联系的结构——这个结构包含了16000多件艺术品中除122件以外的所有作品。 为了让你感受到这个市场是多么的小众 ， 这个网络中的任何两件艺术品（不包括122件例外）都不是通过传说中的六度分隔，而是通过不少于三个收藏家的链条联系在一起 。

这就是这个网络的模样。

来源：foundation.app/barabasilab

这些社区节点代表了藏家

正如你所看到的，这个网络有几个大型的、容易被发现的 “社区”——相互之间紧密联系的艺术品集群。这些社区代表什么？ 起初，我们怀疑它们是基于NFT的各种子类型的艺术作品的集合，表现出视觉或概念上的相似性，从而吸引了具有相似品味的收藏家 。为了验证这一猜测，我们给每个节点分配了一种颜色，对应于创作该作品的艺术家。但是，由此产生的色彩混乱并没有证实这一假设。虽然在这些社区中，似乎存在着对某些艺术家的轻微偏好，但这种模式似乎是偶然的，而不是解释性的。

然后我们探讨了另一个假设：这些社区代表了藏家 。这一次，我们给每个节点分配了一种颜色，对应于艺术品的当前所有者。这就是我们的曙光时刻。网络地图显示，每个社区都与一个收藏家有关。

来源：foundation.app/barabasilab

尽管在我们分析时，SuperRare上有3210名收藏家，但大部分艺术品都在少数投资者手中。如果你看一下一级市场，就可以很清楚地看到这一点，那里最大的集群代表了四个早期投资者购买的艺术品，他们的Twitter名是@momuscollection（深蓝色，左边），@0x123456789（粉红色，上面），@thedruid（浅蓝色，右上）和@ethsquiat（黄色，右上）。(底部的大型橙色群组具有某些属性，表明它可能代表一个不再在SuperRare上活跃的用户所拥有的作品。)

来源：foundation.app/barabasilab

在艺术界，少数有进取心的收藏家主导新艺术的初级市场的情况并不罕见。例如，在19世纪70年代，艺术经销商 保罗·杜兰德·鲁埃尔 是最早认识到现代艺术潜力的人之一，他购买了5000多幅帆布画，包括大约1000幅莫奈、1500幅雷诺和800幅毕加索。但通常情况下，随着先锋派的地位上升，新的收藏家进入市场，所有权也随之多样化。

这种多样化还没有发生在NFT的艺术世界

这种多样化似乎并没有发生在基于NFT的艺术世界中，至少现在还没有。 我们的网络地图显示，二级市场甚至比一级市场更加集中。在我们分析的过程中，两个收藏家，@0x123456789（粉红色）和@momuscollection（深蓝色），从早期投资者那里买了相当数量的作品，建立了对市场的主导地位。

来源：foundation.app/barabasilab

为什么这个网络意义重大？ 首先它表明，当涉及到基本的经济变量——供应和需求时，SuperRare中待售艺术品的供应受到了严格的控制。将这种受控的供应与突然涌现的对数字艺术的兴趣结合起来，你就会看到一个需求驱动的市场。SuperRare对供应也有额外的限制，它以缓慢的速度接纳新的艺术家进入其平台）。

但更重要的是市场的纯粹开放性。从历史上看，艺术市场一直在不透明的情况下蓬勃发展。在一级市场和二级市场购买的作品往往从公众视野中消失，最后成为私人收藏。买家往往缺乏关于可比价格、供应和市场其他相关特征的完整信息。那些拥有更多信息的人——通常是画廊老板和经销商——可以因此而发财。

基于NFT的艺术品为所有权和交易带来了可喜的透明度。这使得NFT不仅仅是一个小众的艺术市场。通过引入所有类型的艺术家——传统的和数字的——可以使用区块链技术来公开认证他们的作品并公开记录他们的销售历史，NFT为整个艺术市场提供公平的竞争环境，从根本上重塑艺术的交易和收藏方式。

后记

翻译这篇文章是因为最近受到郭老师的启发，发现了一些原生的数字艺术家（大多是数据科学家）。我们都知道区块链链上的数据自发地书写着区块链的历史，却忽视了它同时也能成就最天然的艺术形式。

我计划做一个系列文章 #[[blockchain data art]]，来发现和解读这些基于链上数据 创作原生NFT的艺术家和他们的作品。同时我会做一个list，用来收集这样的艺术家? 名单。如果你有关注的人选推荐，请发邮件到[email protected]，注明 @你的姓名+艺术家的Twitter名称+为啥喜欢他 等，我会把这个list的链接共享给你。

references

[1] 原文链接：https://www.nytimes.com/2021/05/07/opinion/nft-art-market.html

[2] https://cryptoart.io/

[3] 数据的隐藏结构

https://science.sciencemag.org/content/362/6416/825/tab-figures-data