Vouloir dire et vouloir faire / Wanting to Mean and Wanting to Do

Au fil de mes expérimentations, j’ai remarqué que les deux grandes familles de modèles génératifs réclament de nous des intentions inverses. Si je demande des idées à un modèle de langage sans en avoir une moi-même, je reçois une bouillie moyenne, le résumé de ce que n’importe qui aurait pu dire. Le modèle n’est pas, à strictement parler, une boîte à idées. Il sait relier, relire, résumer, juger, évaluer, faire des sauts et des différences, déplier une phrase en dix, mais à condition qu’il y ait quelque chose à déplier. Ma pensée ressemble souvent à une feuille de papier froissée, et le modèle l’étale, la défroisse, me montre où passent les plis. Encore faut-il que la feuille existe. Devant un modèle de diffusion, l’expérience se renverse. Quand j’arrive avec un concept bien formé, avec une signification que je veux voir apparaître, l’image sort mauvaise, et mauvaise d’une façon reconnaissable. Il suffit d’assister à quelques colloques universitaires sur l’intelligence artificielle pour en voir la preuve projetée sur grand écran : des robots, qui font office de corps et d’extériorité, des circuits imprimés qui font office d’intériorité. On a chargé une machine de visualiser un concept et elle a rendu le lieu commun, avec une docilité parfaite. Ce qui marche, pour qui possède une culture visuelle, est l’inverse : ne pas savoir, partir sans phrase, déplacer des paramètres, changer de graine, écrire des codes plutôt que des descriptions, avancer dans l’espace latent comme dans un pays inconnu dont on rapporte des images, puis affiner peu à peu. Je garde rarement l’image la plus résolue. La différence se joue, me semble-t-il, au croisement de deux séries de faits : ce que chaque médium permet d’inscrire d’une intention, et la façon dont chaque famille de modèles fabrique ses sorties.

Le titre vient d’un déplacement de vocabulaire. Quand Derrida lit Husserl dans La Voix et le phénomène (1967), « vouloir-dire » est le mot qu’il retient pour l’intention de signifier, ce par quoi un signe devient expression au lieu de rester simple indice. Husserl espérait que cette intention puisse se remplir dans la présence à soi de la voix, quand je m’entends parler et que le sens est là, sans détour. Derrida montre que cette plénitude est promise et jamais tenue : l’expression fonctionne en l’absence de ce qu’elle vise, en l’absence aussi de celui qui parle, et c’est même sa condition de possibilité. Je n’ai aucune envie de revenir à un sujet transparent à ses propres intentions. Reste une asymétrie que la déconstruction suppose elle-même. Pour que le vouloir-dire échoue, il faut que la marque soit répétable, reconnaissable comme la même d’une occurrence à l’autre, par n’importe qui, hors contexte. Derrida y insiste dans « Signature événement contexte » : l’itérabilité qui ruine la présence suppose pourtant une identité minimale de la marque. Le mot ne garantit rien, mais il offre un lieu où l’écart se mesure. On peut dire d’un lecteur qu’il a mal compris parce qu’il existe un dictionnaire, un état de la langue contre lesquels le prendre en défaut. Entre ce que je voulais dire et ce que l’autre a lu, il y a un malentendu possible, donc une norme. Entre ce que je voulais faire et ce que l’on voit dans une image, il y a autre chose, qui n’a pas de nom.

Nelson Goodman a donné à cette asymétrie une forme presque technique dans Languages of Art (1968). Un système de symboles est notationnel quand ses caractères sont disjoints et différenciés de façon finie : une inscription appartient à la classe A ou n’y appartient pas, elle est une copie correcte d’une autre ou une mauvaise, et aucune zone grise ne compte. Le système pictural fait l’inverse. Il est dense, au sens où entre deux marques il y en a toujours une troisième qui peut changer ce que l’on voit, et il est replet, car beaucoup de dimensions de la marque pèsent à la fois, l’épaisseur du trait, la manière dont il hésite. Le même tracé peut être le contour d’une montagne dans un dessin ou la courbe d’un instrument de mesure, et selon le cas presque aucune de ses propriétés ne compte de la même façon. Krzysztof Guczalski a soutenu en 2021 que la densité, telle que Goodman la définit, ne s’applique pas aux systèmes de symboles comme celui-ci l’entendait, mais la distinction tient comme description grossière de ce que nous faisons quand nous lisons et quand nous regardons. Elle explique que l’on puisse paraphraser un texte et pas une image : paraphraser, c’est conserver le sens en changeant les caractères, et cela suppose que les caractères soient dissociables du sens. Dans une image la matière et la signification sont prises ensemble. Reformuler une image, c’est en faire une autre.

Or la technique des modèles ne reproduit pas la distinction de Goodman, mais construit deux régimes d’inscription de l’intention qui lui répondent par analogie, et c’est là que je situe le croisement. Un modèle de langage travaille sur des jetons, des fragments tirés d’un vocabulaire fini, de quelques dizaines à quelques centaines de milliers d’unités fixées avant l’entraînement. À l’intérieur, certes, tout est vecteur et continu, mais chaque sortie se décide par un tirage dans cet alphabet fini, un jeton après l’autre, chacun conditionné par ceux qui précèdent. L’unité de décision du modèle est donc aussi une unité que la langue reconnaît. La sortie se prête donc à une lecture notationnelle : une suite de caractères discrets que n’importe quel lecteur peut identifier et contester. Cette notation vient de la langue qui rend la suite lisible comme texte, bien plus que du modèle, qui ne connaît que des statistiques sur des fragments découpés par un tokenizer. Surtout, l’entrée et la sortie appartiennent au même médium. Ce que je tape forme le début de ce que la machine va continuer. Mon prompt est un morceau du texte à venir, déjà fait de mots, déjà orienté par un vouloir-dire. Plus il est précis, plus la distribution des suites possibles se resserre autour de ce que je voulais. Moins il l’est, plus le modèle retombe sur la moyenne des textes qui pourraient suivre une phrase vague, et cela s’appelle du slop. L’intention appartient au processus, dont elle fournit le point de départ, et le modèle défroisse le papier sans pouvoir en fournir un.

Un modèle de diffusion démarre ailleurs. Entraîné à retrouver une image à partir de sa version noyée dans du bruit gaussien, il génère en partant d’un tirage de bruit pur, qu’il défait par étapes. Le point de départ est un point de l’espace des bruits, la graine, qui oriente fortement la composition générale sans la décider seule, puisque le conditionnement, le sampler et les paramètres y prennent part. Le texte arrive par le côté. Un encodeur distinct, CLIP dans Stable Diffusion 1, appris sur des centaines de millions de couples image et légende récoltés sur le web, transforme ma phrase en vecteurs, et ces vecteurs infléchissent chaque étape du débruitage par des mécanismes d’attention croisée. La phrase conditionne donc à chaque étape un processus qui ne parle pas sa langue. Il y a passage d’un médium où chaque décision porte sur une unité reconnue à un médium où aucune valeur calculée, ni pixel ni valeur latente, ne joue le rôle d’un caractère. L’image finale est stockée en valeurs discrètes, bien sûr, mais ce stockage ne crée pas de vocabulaire : personne ne peut dire de quelle classe de caractères relève tel pixel. On en tire, avec Goodman, qu’il n’existe pas de correspondance terme à terme entre la phrase et l’image. L’analogie engage une conséquence que je préfère nommer : l’argument ne dépend pas de l’architecture. Des modèles d’image autorégressifs sur des jetons visuels discrets existent, le premier DALL·E ou Parti. Leurs unités de décision ne correspondent pas davantage à un code partagé, car un jeton visuel n’est pas une lettre. Si l’analogie est juste, ils réclameraient de nous le régime des modèles de diffusion, et c’est cette hypothèse qu’il faudrait éprouver. Mon concept transite par un détour statistique appris, celui de la manière dont le web associe des mots à des images.

Ce détour explique le robot et le circuit imprimé. Le réseau de débruitage lui-même s’est entraîné sur des sous-ensembles de LAION, des milliards de couples du même genre. Les légendes du web sont ce que les gens disent des images, et ce que les gens disent d’une image de l’intelligence artificielle, c’est le plus souvent ce qu’une banque d’images a décidé d’y mettre. Le modèle apprend, pour un mot, toute une distribution d’images, et un prompt appuyé tire vers le centre de cette distribution, la moyenne visuelle du mot. Plus un concept est abstrait, plus ce centre est pauvre, parce que personne n’a jamais eu de raison de l’illustrer autrement que par un signe. Hito Steyerl a donné un nom à ce phénomène dans « Mean Images » (2023, repris dans Medium Hot, 2025) : ces images sont des rendus statistiques qui convergent autour de la moyenne et de la médiane, une « médiocrité hallucinée », et qui remplacent les ressemblances par des vraisemblances. Elle pense d’abord au portrait, à son propre visage que Stable Diffusion lui renvoie vieilli et figé, mais l’argument vaut pour les concepts. Une image « de » l’intelligence artificielle est l’image moyenne de ce qui a été légendé comme tel. Écrire le concept dans le prompt, c’est demander au modèle sa version la plus consensuelle de ce concept. La machine fait exactement ce qu’on lui demande.

On objectera qu’un prompt détaillé change la donne, et qu’il suffit de tout dire. C’est se tromper sur ce que dire peut faire à une image. Une phrase comme « une femme en manteau rouge sur un quai de gare au petit matin » est satisfaite par un nombre indéfini d’images, qui toutes lui obéissent et dont aucune ne ressemble à celle que j’avais en tête, puisque celle-ci n’était pas tout à fait en tête, elle se formait dans le regard. Dans les termes de Goodman, ce qui se conforme à une description picturale n’a pas de bornes nettes, alors qu’une inscription notationnelle délimite strictement la classe de ce qui lui répond. Que fait le modèle devant cette sous-détermination ? Il choisit le plus probable pour cette phrase : la femme, le manteau, le quai les plus attendus, le grain le plus répandu, la lumière que tout le monde a déjà vue. Le texte résiste mieux, parce que ses singularités sont portées par des unités reconnues. Un mot rare ou un nom propre passent à la sortie tels quels. La singularité d’un trait, en revanche, ne s’énonce pas, et ajouter des mots ne l’y fera pas entrer. Ce qui fait l’unicité d’une image ne se dit pas dans une langue qui n’a pas ses caractères.

La technique le confirme par un réglage que les utilisateurs de ComfyUI connaissent, l’échelle de guidage. Dans la guidance sans classifieur, proposée par Jonathan Ho et Tim Salimans en 2022, le modèle calcule à chaque étape deux prédictions, l’une avec le texte, l’autre sans, et extrapole le long de la différence entre les deux, d’autant plus loin que le coefficient est élevé. Pousser ce coefficient rapproche l’image du prompt. Ho et Salimans signalaient déjà une perte de diversité, et les travaux de 2025 ajoutent la saturation des couleurs et la simplification des images. Une équipe de l’ETH Zurich et de Disney Research l’écrit à l’ICLR 2025 : les grandes échelles sont généralement nécessaires pour la qualité et l’accord avec la condition, et elles abîmment l’image. Plus le guidage impose de conformité sémantique, plus il risque de réduire l’espace des variations visuelles disponibles. Ce compromis est documenté en ingénierie, et des méthodes récentes, dont celle de cet article, l’atténuent sans le supprimer. La branche sans texte du calcul est la prédiction du modèle avec un prompt vide, obtenue en retirant le texte pendant une partie de l’entraînement, et elle reste conditionnée par l’architecture et par les données. J’en fais, par métaphore, sa pente propre, son monde, et mon concept devient un écart par rapport à elle, que l’on paie. Un travail de 2025 sur le guidage décomposé par fréquences (arXiv 2506.19713) ajoute que l’accord avec la condition se joue dans les basses fréquences, la structure globale, tandis que les hautes fréquences portent la finesse visuelle. On peut en tirer que le concept décide de la composition, donc de l’endroit où se placent le robot et son fond de circuits, et laisse au modèle le rendu des détails.

Barthes avait décrit en 1964, dans « Rhétorique de l’image », pourquoi le concept appelle le cliché. Il choisit l’image publicitaire parce qu’en publicité la signification est intentionnelle : les signifiés sont arrêtés d’avance et doivent être transmis aussi clairement que possible. Son exemple est une affiche Panzani, où un filet de pâtes et de légumes porte, par le jaune, le vert et le rouge, un signifié qui s’appelle l’italianité. L’image seule est polysémique, elle flotte, et c’est la légende qui la fixe : Barthes appelle ancrage cette fonction du message linguistique, qui retient la prolifération des sens à la manière d’un étau. Le prompt est une légende au sens exact. Il ancre. Une image dont le sens est fixé d’avance par un texte, c’est la définition de l’image publicitaire, donc d’un régime où l’on cherche le signe le plus lisible, qui est toujours le plus usé. Les images de colloque sont des affiches pour un produit nommé intelligence artificielle. Le texte se passe de légende. Barthes distingue aussi le relais, où texte et image se complètent au lieu de se recouvrir, comme dans la bande dessinée. La pratique que j’appelle dérive me paraît de ce côté, avec un relais déplacé : le texte n’y dit plus ce que l’image doit signifier, il sert de coordonnée pour s’y déplacer.

Une image n’est jamais seule, et Gombrich en donne la formulation la plus nette. Dans L’Art et l’illusion (1960), il soutient que l’artiste ne commence pas par regarder le monde pour le copier. Il part d’un schéma hérité, qu’il confronte à ce qu’il voit et corrige, selon la formule restée célèbre, faire précède ajuster. On ne fabrique pas une image fidèle à partir de rien, ajoute-t-il, en empruntant à Popper l’essai et la réfutation. Une image naît d’un fonds d’images, se juge contre lui, et la nouveauté n’y est qu’un écart. Rien de tel dans le texte, qui vient avec un répertoire fermé et partagé, alors que le fonds visuel est ouvert et individuel. Les modèles de diffusion réalisent cette doctrine à la lettre. L’espace latent y joue le fonds de schémas et l’échantillonnage le faire, l’ajuster revient à celui qui regarde et trie. Dans un tel dispositif, partir avec un sens à illustrer supprime la phase de correction, la seule où quelque chose puisse arriver. Quand je retiens la moins résolue des images d’une série, je corrige le schéma dominant du modèle.

Deleuze décrit la même situation sans qu’aucune machine y figure. Dans Francis Bacon, Logique de la sensation (1981) comme dans ses cours sur la peinture, il répète que la toile n’est pas une surface blanche : elle est déjà encombrée de clichés, dans la tête, dans la rue, avant que le premier geste ait eu lieu. Le peintre doit les défaire, traverser une catastrophe où l’on ne voit plus rien, y introduire des marques libres, un diagramme, pour que quelque chose en sorte. Le modèle de diffusion est cette toile. Le bruit y tient lieu de blanc, mais le trajet retombe sur les clichés dès que la condition sémantique est assez forte. La graine aléatoire, le guidage faible, le mélange de codes sans signification, tout ce que fait celui qui dérive dans l’espace latent, occupe la place du diagramme deleuzien. Le hasard brouille les clichés avant qu’ils se referment, c’est tout ce qu’on lui demande. Il faut pour cela savoir ce qu’est un cliché, donc avoir vu beaucoup d’images.

Flusser apporte le point de vue de l’appareil. Dans Pour une philosophie de la photographie (1983), l’image est une surface que l’on parcourt par balayage, et son sens est la synthèse de deux intentions, celle qui s’est manifestée dans l’image et celle de l’observateur. Le texte est une ligne, il porte la conscience historique, il se lit dans un ordre. Les images techniques sont produites par des appareils selon un programme, et la liberté du photographe consiste à jouer contre ce programme pour y faire entrer une information improbable. On peut lire dans le fonctionnement des modèles une version presque littérale de cette opposition. Un modèle de langage fabrique son texte dans l’ordre où il sera lu, un jeton après l’autre, sans revenir en arrière sur ce qu’il a écrit, et la linéarité du texte est celle de sa génération. Un modèle de diffusion produit toute l’image à chaque étape, du flou vers le net, des grandes masses vers le détail, comme l’œil qui balaye puis revient. Le premier suit le fil, le second déploie une surface. L’un a pour début une intention, l’autre un hasard. Le programme est dans les poids, et le geste de celui qui travaille avec ces modèles reste celui que Flusser demandait au photographe : jouer contre l’appareil, et cela exclut de s’en servir pour illustrer.

Entre l’inscription et la réception, j’ai parlé de différend en pensant à Lyotard, pour qui un différend est un litige entre deux parties qu’aucune règle de jugement commune ne peut trancher, faute d’un idiome partagé. Entre le vouloir-faire d’une image et ce qu’elle suscite chez qui la voit, aucun tribunal ne siège. Foucault avait donné le modèle de cet échec dans Ceci n’est pas une pipe (1973), à propos de Magritte : le dessin et la phrase sont posés l’un sur l’autre sans se rencontrer, le « ceci » glisse sur eux sans les réunir, et le calligramme, où la phrase fait image, se défait. Il n’existe pas de lieu commun où texte et image s’ajusteraient. Je croise souvent des gens persuadés que le rouge est dynamique et le bleu froid. Tout dépend de ce qu’ils ont vu avant et après, de ce qui entoure le rouge dans l’image. Il y a une série là où le texte dispose d’un code. Ce que le texte appelle un sens, l’image l’appelle un voisinage. Un malentendu se corrige, un différend se constate. Je ne peux donc pas dire d’une image qu’elle est ratée par rapport à mon intention, seulement qu’elle me retient ou me laisse indifférent, et le critère de réussite se déplace de la fidélité à l’intention vers ce qui, dans l’image, résiste à toute intention. Le jugement se loge alors dans la sélection, dans le geste qui garde la moins résolue.

On m’opposera les surréalistes et leur cadavre exquis, ou le cut-up de Gysin et de Burroughs, tentatives de désamarrer l’écriture de l’intention. Elles confirment plutôt le partage. Ces pratiques sont restées en marge, définies contre la manière dominante d’écrire, qui est de communiquer d’un destinateur à un destinataire. Elles ne fonctionnent d’ailleurs que parce que le lecteur recolle du sens : le hasard textuel est sauvé par le code de la réception, il déplace l’intention vers l’aval sans la supprimer. La technique permet un test que j’aime bien. Qu’on monte la température d’un modèle de langage, c’est-à-dire la part d’aléa dans le tirage des jetons : le texte devient vite illisible, une salade où la syntaxe s’effondre, parce que l’alphabet est fini et que chaque écart est une faute. Qu’on change de graine, qu’on baisse le guidage, qu’on bouscule le conditionnement dans un modèle de diffusion : on obtient des formes plausibles, étranges, souvent belles, car la densité de l’image tolère la dérive. La dérive est gratuite dans le continu et coûteuse dans le discret. On peut se perdre avec profit dans un espace latent d’images, alors qu’on se perd dans un espace de mots avec de fortes chances de ne rien trouver.

Avec le texte, je dois posséder un vouloir-dire, même mal formé, puisque le modèle prolonge ce que je mets au début. L’effort préalable est un effort de pensée, et la machine l’amplifie. Avec l’image, je dois posséder un fonds, une mémoire d’images, puisque le modèle commence par du bruit et que mon intervention est un tri. Ce que j’ai appelé ailleurs un espace latent organique, celui qu’on se forge dans une pratique, est ce fonds, et l’espace latent du modèle ne suffit jamais sans lui. Des deux côtés on demande quelque chose à l’humain, mais pas la même chose, et l’erreur courante consiste à demander le contraire : exiger de l’image qu’elle illustre un propos, attendre du texte qu’il invente la pensée. Les nuances existent. Stable Diffusion 3 ajoute aux encodeurs CLIP un encodeur T5, et Flux s’appuie sur T5, un modèle de langage : ils comprennent mieux les phrases, et une instruction détaillée donne aujourd’hui des images moins pauvres qu’en 2022. Ils améliorent l’obéissance sans changer de régime : l’image qui obéit à une phrase reste une image qui obéit, et ce qu’elle gagne en précision, elle le perd en surprise. ChatGPT fait ce pas avec DALL·E 3 : d’après la fiche système d’OpenAI (2023), GPT-4 réécrit la demande et, quand elle est vague, la complète de détails censés rendre l’image plus convaincante, avant de la transmettre. On place alors, en amont du modèle qui exige que l’on ne sache pas ce qu’on veut, la machine qui a besoin qu’on le sache et qui, faute de le savoir, le remplace par la moyenne. Le cliché se fabrique deux fois, en mots puis en pixels. Je n’ai pas de remède, seulement l’habitude de couper cette étape et d’écrire moi-même mes codes.

In the course of my experimentation, I have noticed that the two major families of generative models demand inverse intentions from us. If I ask a language model for ideas without having one myself, I receive a mediocre mashup—the summary of what anyone could have said. Strictly speaking, the model is not an idea box. It knows how to connect, reread, summarize, judge, evaluate, make leaps and distinctions, and unfold a single sentence into ten, but only on the condition that there is something to unfold. My thinking often resembles a crumpled sheet of paper, and the model smooths it out, unwrinkles it, and shows me where the creases run. Yet, the sheet must exist to begin with.

Before a diffusion model, the experience is reversed. When I arrive with a well-formed concept, with a meaning I want to see appear, the image comes out bad, and bad in a recognizable way. One only needs to attend a few academic conferences on artificial intelligence to see proof of this projected on a grand screen: robots acting as bodies and exteriority, printed circuits acting as interiority. A machine has been tasked with visualizing a concept, and it has rendered the commonplace with perfect docility. What actually works, for anyone equipped with visual culture, is the inverse: not knowing, starting without a sentence, shifting parameters, changing the seed, writing code rather than descriptions, moving through the latent space like an unfamiliar country from which one brings back images, and then refining little by little. I rarely keep the most high-resolution image. The difference plays out, it seems to me, at the intersection of two series of facts: what each medium allows an intention to inscribe, and the way each family of models manufactures its outputs.

The title comes from a displacement of vocabulary. When Derrida reads Husserl in Speech and Phenomena (1967), “wanting-to-mean” (vouloir-dire) is the term he seizes upon for the intention to signify—that through which a sign becomes an expression instead of remaining a simple index. Husserl hoped that this intention could be fulfilled in the self-presence of the voice, when I hear myself speak and the meaning is present, without detour. Derrida shows that this fullness is promised and never kept: expression functions in the absence of what it aims at, and in the absence of the speaker as well; indeed, that is the very condition of its possibility. I have no desire to return to a subject transparent to its own intentions. What remains is an asymmetry that deconstruction itself presupposes. For the wanting-to-mean to fail, the mark must be repeatable, recognizable as the same from one occurrence to the next, by anyone, out of context. Derrida insists on this in “Signature Event Context”: iterability, which ruins presence, nonetheless presupposes a minimal identity of the mark. The word guarantees nothing, but it offers a place where the gap can be measured. We can say of a reader that they misunderstood because there is a dictionary—a state of the language—against which they can be found at fault. Between what I wanted to say and what the other read, a misunderstanding is possible, and thus a norm. Between what I wanted to do and what one sees in an image, there is something else, which has no name.

Nelson Goodman gave this asymmetry an almost technical form in Languages of Art (1968). A symbol system is notational when its characters are disjoint and finitely differentiated: an inscription belongs to class A or it does not, it is a correct copy of another or a bad one, and no gray area matters. The pictorial system does the opposite. It is dense—in the sense that between any two marks there is always a third that can change what we see—and it is replete, because many dimensions of the mark weigh in all at once: the thickness of the stroke, the way it hesitates. The exact same tracing can be the contour of a mountain in a drawing or the curve of a measuring instrument, and depending on the case, almost none of its properties count in the same way. Krzysztof Guczalski argued in 2021 that density, as Goodman defines it, does not apply to symbol systems as the latter understood them, but the distinction holds as a rough description of what we do when we read versus when we look. It explains why one can paraphrase a text and not an image: to paraphrase is to preserve meaning while changing the characters, and this presupposes that the characters are dissociable from meaning. In an image, matter and signification are taken together. To reformulate an image is to make another one.

Yet model technology does not reproduce Goodman’s distinction; rather, it constructs two regimes of inscription of intention that answer it by analogy, and it is there that I locate the intersection. A language model works on tokens—fragments drawn from a finite vocabulary, ranging from tens to hundreds of thousands of fixed units established prior to training. Internally, of course, everything is vector-based and continuous, but every output is decided by a draw from this finite alphabet, one token after the other, each conditioned by those that precede it. The model’s unit of decision is therefore also a unit recognized by language. The output thus lends itself to a notational reading: a sequence of discrete characters that any reader can identify and contest. This notation comes from language—which makes the sequence readable as text—far more than from the model, which only knows statistics on fragments cut up by a tokenizer. Above all, input and output belong to the same medium. What I type forms the beginning of what the machine will continue. My prompt is a piece of the text to come, already made of words, already oriented by a wanting-to-mean. The more precise it is, the more the distribution of possible sequences tightens around what I intended. The less precise it is, the more the model falls back on the average of the texts that could follow a vague sentence, and this is called slop. Intention belongs to the process, of which it provides the starting point, and the model smooths out the paper without being able to supply one of its own.

A diffusion model starts elsewhere. Trained to recover an image from a version drowned in Gaussian noise, it generates by starting from a draw of pure noise, which it untangles in steps. The starting point is a point in the noise space—the seed—which strongly orients the general composition without solely deciding it, since conditioning, the sampler, and parameters all take part. Text arrives from the side. A distinct encoder, CLIP in Stable Diffusion 1, trained on hundreds of millions of image-caption pairs harvested from the web, transforms my sentence into vectors, and these vectors inflect each step of denoising through cross-attention mechanisms. The sentence thus conditions, at each step, a process that does not speak its language. There is a passage from a medium where every decision bears on a recognized unit to a medium where no computed value—neither pixel nor latent value—plays the role of a character. The final image is stored in discrete values, of course, but this storage does not create a vocabulary: no one can say which class of characters a given pixel belongs to. We may infer with Goodman that there is no term-by-term correspondence between the sentence and the image. The analogy entails a consequence I prefer to name: the argument does not depend on architecture. Autoregressive image models on discrete visual tokens exist, such as the early DALL·E or Parti. Their decision units do not correspond to a shared code any more than pixels do, because a visual token is not a letter. If the analogy is correct, they would demand of us the regime of diffusion models, and it is this hypothesis that needs to be tested. My concept transits through a learned statistical detour: that of the way the web associates words with images.

This detour explains the robot and the printed circuit. The denoising network itself was trained on subsets of LAION, billions of pairs of the same kind. Web captions are what people say about images, and what people say about an image of artificial intelligence is most often what an image bank has decided to put there. The model learns, for a word, an entire distribution of images, and an emphatic prompt pulls toward the center of that distribution—the visual mean of the word. The more abstract a concept is, the poorer that center is, because no one has ever had a reason to illustrate it other than by a sign. Hito Steyerl gave a name to this phenomenon in “Mean Images” (2023, collected in Medium Hot, 2025): these images are statistical renders converging around the mean and the median, an “hallucinated mediocrity” that replaces resemblances with likelihoods. She is thinking primarily of portraiture—of her own face sent back to her by Stable Diffusion, aged and frozen—but the argument holds for concepts. An image “of” artificial intelligence is the average image of what has been captioned as such. Writing the concept into the prompt is asking the model for its most consensual version of that concept. The machine does exactly what it is asked.

One will object that a detailed prompt changes the game, and that it suffices to say everything. This is to misunderstand what saying can do to an image. A sentence like “a woman in a red coat on a station platform in the early morning” is satisfied by an indefinite number of images, all of which obey it and none of which resemble the one I had in mind—since that one was not entirely in mind, but was forming in the gaze. In Goodman’s terms, what conforms to a pictorial description has no sharp boundaries, whereas a notational inscription strictly demarcates the class of what answers to it. What does the model do in the face of this underdetermination? It chooses the most probable outcome for that sentence: the most expected woman, coat, and platform, the most widespread grain, the light everyone has already seen. Text resists better because its singularities are carried by recognized units. A rare word or a proper name passes into the output as is. The singularity of a stroke, by contrast, cannot be stated, and adding words will not bring it in. What makes an image unique cannot be spoken in a language that lacks its characters.

Technology confirms this through a setting familiar to ComfyUI users: guidance scale. In classifier-free guidance, proposed by Jonathan Ho and Tim Salimans in 2022, the model computes two predictions at each step—one with the text, one without—and extrapolates along the difference between the two, pushing further the higher the coefficient is. Pushing this coefficient brings the image closer to the prompt. Ho and Salimans already signaled a loss of diversity, and 2025 studies add color saturation and image simplification. A team from ETH Zurich and Disney Research writes at ICLR 2025: high scales are generally necessary for quality and agreement with the condition, and they damage the image. The more guidance imposes semantic conformity, the more it risks shrinking the space of available visual variations. This trade-off is documented in engineering, and recent methods—including the one in that paper—mitigate it without suppressing it. The text-free branch of the calculation is the model’s prediction with an empty prompt, obtained by removing the text during part of the training, and it remains conditioned by the architecture and the data. I take it, metaphorically, as the model’s own slope, its world, and my concept becomes a deviation from it, which comes at a price. A 2025 study on frequency-decomposed guidance (arXiv 2506.19713) adds that agreement with the condition plays out in the low frequencies—the global structure—while the high frequencies carry visual finesse. One can deduce from this that the concept decides the composition (and thus where the robot and its background of circuits are placed) and leaves the rendering of details to the model.

Barthes described in 1964, in “The Photographic Message” [Rhetoric of the Image], why the concept calls for the cliché. He chose the advertising image because in advertising, signification is intentional: the signifieds are settled in advance and must be transmitted as clearly as possible. His example is a Panzani poster, where a mesh bag of pasta and vegetables carries, through yellow, green, and red, a signified called italianness. The image alone is polysemic; it floats, and it is the caption that fixes it. Barthes calls this function of the linguistic message anchorage, which holds back the proliferation of meanings like a vise. The prompt is a caption in the exact sense. It anchors. An image whose meaning is fixed in advance by text—that is the definition of the advertising image, and thus of a regime where one seeks the most readable sign, which is always the most worn out. Conference images are posters for a product named artificial intelligence. Text does without a caption. Barthes also distinguishes relay, where text and image complement each other instead of overlapping, as in comics. The practice I call drift seems to me to lie on this side, with a displaced relay: text no longer tells what the image must signify, but serves as a coordinate to move around within it.

An image is never alone, and Gombrich gives the clearest formulation of this. In Art and Illusion (1960), he argues that the artist does not begin by looking at the world to copy it. He starts from an inherited schema, which he confronts with what he sees and corrects—according to the famous formula, making comes before matching. One does not manufacture a faithful image from nothing, he adds, borrowing trial and error from Popper. An image is born from a fund of images, judges itself against it, and novelty is merely a deviation. Nothing of the sort exists in text, which comes with a closed and shared repertoire, whereas the visual fund is open and individual. Diffusion models realize this doctrine to the letter. Latent space plays the role of the fund of schemata there, and sampling plays the role of the making; matching falls to the viewer who looks and sorts. In such a setup, starting with a meaning to illustrate suppresses the phase of correction—the only one in which something can happen. When I keep the least resolved image of a series, I am correcting the model’s dominant schema.

Deleuze describes the same situation without any machine figuring in it. In Francis Bacon: The Logic of Sensation (1981), as in his lectures on painting, he repeats that the canvas is not a white surface: it is already cluttered with clichés—in the head, in the street—before the first gesture has taken place. The painter must undo them, pass through a catastrophe where nothing more can be seen, and introduce free marks—a diagram—so that something may emerge. The diffusion model is that canvas. Noise stands in for white there, but the trajectory falls back into clichés as soon as the semantic condition is strong enough. The random seed, the weak guidance, the mixture of meaningless codes—everything done by someone drifting in latent space—occupies the place of the Deleuzian diagram. Chance blurs the clichés before they close back up; that is all that is asked of it. To do this, one must know what a cliché is, and therefore have seen many images.

Flusser brings the viewpoint of the apparatus. In Towards a Philosophy of Photography (1983), the image is a surface that one traverses by scanning, and its meaning is the synthesis of two intentions: that which manifested itself in the image and that of the observer. Text is a line; it carries historical consciousness, and it is read in an order. Technical images are produced by apparatuses according to a program, and the photographer’s freedom consists in playing against that program to inject improbable information into it. One can read in the functioning of models an almost literal version of this opposition. A language model manufactures its text in the order it will be read, one token after another, without going back on what it has written, and the linearity of the text is that of its generation. A diffusion model produces the entire image at each step, from blur to sharpness, from broad masses to detail, like the eye scanning and then returning. The first follows the thread; the second unfolds a surface. The one has an intention for a beginning, the other chance. The program is in the weights, and the gesture of the person working with these models remains what Flusser demanded of the photographer: to play against the apparatus—and that excludes using it for illustration.

Between inscription and reception, I spoke of a differend, thinking of Lyotard, for whom a differend is a dispute between two parties that no common rule of judgment can settle, for lack of a shared idiom. Between the wanting-to-do of an image and what it evokes in whoever sees it, no tribunal sits. Foucault had given the model of this failure in This is Not a Pipe (1973), concerning Magritte: the drawing and the sentence are laid one over the other without meeting, the “this” slides over them without uniting them, and the calligram, where the sentence becomes image, undoes itself. There is no common ground where text and image align. I often run into people persuaded that red is dynamic and blue is cold. Everything depends on what they saw before and after, on what surrounds red in the image. There is a series there, whereas text possesses a code. What text calls a meaning, the image calls a neighborhood. A misunderstanding is corrected; a differend is noted. I cannot say of an image that it failed relative to my intention, only that it holds me or leaves me indifferent, and the criterion of success shifts from fidelity to intention toward what, in the image, resists all intention. Judgment then lodges itself in selection, in the gesture that keeps the least resolved.

One might object with the Surrealists and their exquisite corpse, or Gysin and Burroughs’s cut-up—attempts to unmoor writing from intention. Rather, they confirm the division. These practices remained marginal, defined against the dominant way of writing, which is to communicate from a sender to a receiver. Moreover, they only function because the reader pieces meaning back together: textual chance is rescued by the reception code; it displaces intention downstream without suppressing it. Technology permits a test that I rather like. Let us turn up the temperature of a language model—that is, the share of randomness in token drawing: the text quickly becomes unreadable, a salad where syntax collapses, because the alphabet is finite and every deviation is an error. Let us change the seed, lower the guidance, shake up the conditioning in a diffusion model: one obtains plausible, strange, often beautiful forms, because the density of the image tolerates drift. Drift is cost-free in the continuous and costly in the discrete. One can lose oneself profitably in an image latent space, whereas one loses oneself in a word space with a high probability of finding nothing.

With text, I must possess a wanting-to-mean, even if poorly formed, since the model extends what I put at the beginning. The prior effort is an effort of thought, and the machine amplifies it. With an image, I must possess a fund, a memory of images, since the model begins with noise and my intervention is a sorting. What I have called elsewhere an organic latent space—the one forged through practice—is that fund, and the model’s latent space never suffices without it. On both sides, something is asked of the human, but not the same thing, and the common error consists in demanding the reverse: requiring the image to illustrate a proposition, expecting text to invent thought. Nuances exist. Stable Diffusion 3 adds a T5 encoder to the CLIP encoders, and Flux relies on T5, a language model: they understand sentences better, and a detailed instruction today yields images less impoverished than in 2022. They improve obedience without changing regime: the image that obeys a sentence remains an image that obeys, and what it gains in precision, it loses in surprise. ChatGPT takes this step with DALL·E 3: according to OpenAI’s system card (2023), GPT-4 rewrites the prompt and, when vague, completes it with details supposedly making the image more convincing before passing it along. One thus places, upstream of the model that demands we not know what we want, the machine that needs us to know it and which, lacking that knowledge, replaces it with the average. The cliché is manufactured twice—first in words, then in pixels. I have no remedy, only the habit of cutting out that step and writing my own code.