Representing Beauty: Towards a Participatory but Objective Latent Aesthetics

Aquí presento un resumen técnico detallado del artículo "REPRESENTING BEAUTY: TOWARDS A PARTICIPATORY BUT OBJECTIVE LATENT AESTHETICS" de Alexander Michael Rusnak, estructurado según los puntos solicitados.

1. El Problema

El artículo aborda la tensión filosófica y técnica entre dos visiones de la belleza:

• Construccionismo/Relativismo: La idea de que la belleza es puramente subjetiva, culturalmente construida y arbitraria (sin una base real objetiva).
• Realismo/Absolutismo: La idea de que la belleza posee una base física y estructural real, independiente de la percepción humana individual.

El problema central es determinar si los sistemas de aprendizaje profundo (Deep Learning) pueden reconocer la belleza como una estructura objetiva y universal, o si simplemente están replicando sesgos culturales de sus datos de entrenamiento. Además, se cuestiona si la convergencia de representaciones entre diferentes modelos se debe a la similitud de los datos o a una geometría latente universal inherente a la realidad.

2. Metodología

El autor emplea un enfoque interdisciplinario que combina filosofía del arte, neurociencia y análisis de representaciones en redes neuronales profundas.

• Hipótesis de Representación Universal (URH): Se basa en la "Hipótesis de Representación Platónica" (PRH), que sugiere que diferentes modelos de IA, entrenados con datos y arquitecturas distintas, convergen hacia una misma geometría de representación al aprender sobre la realidad.
• Análisis de Alineación de Representaciones (Cross-Model Alignment):
  • Se utiliza el modelo DINOv2-Large como referencia.
  • Se compara con otros modelos diversos (CLIP, MobileCLIP, ChineseCLIP, VICReg) entrenados con datos, arquitecturas y esquemas de entrenamiento diferentes.
  • Se mide la alineación de los vecinos más cercanos mutuos (Mutual Nearest Neighbors) entre las representaciones de estos modelos.
• Filtrado de Datos y Control de Variables:
  • Se utilizan imágenes del conjunto de datos AVA (Aesthetic Visual Analysis) clasificadas como "estéticas" y "no estéticas".
  • Control de Sesgo Cultural: Se incluye ChineseCLIP (entrenado casi exclusivamente con datos chinos) para descartar la imposición de un ideal de belleza occidental.
  • Control de Semántica (MMD): Se utiliza la Discrepancia de Máxima Media (MMD) para verificar si las imágenes estéticas son simplemente "más familiares" o "más en dominio" para los modelos que las no estéticas.
  • Desacoplamiento Semántico: Se crea un subconjunto de datos donde se asegura que solo haya una imagen por clase semántica (usando un ResNet entrenado en ImageNet) para aislar el efecto de la estratificación estética de la coherencia semántica del objeto.
• Análisis por Capas: Se examina la alineación capa por capa para observar cómo la abstracción evoluciona desde lo particular hacia lo universal.

3. Contribuciones Clave

• Reencuadre Filosófico (Hilomorfismo vs. Platonismo): El autor argumenta que la convergencia de representaciones no es "platónica" (formas ideales separadas de la materia), sino hilomórfica (en el sentido aristotélico). La belleza y las formas universales emergen de la unión de la materia (hulê) y la forma (morphê) restringidas por el mundo físico y las limitaciones biológicas/culturales.
• La Belleza como Atractor Teleológico: Se propone que la belleza actúa como un "agujero" o atractor teleológico en el espacio latente. Debido a que los humanos curan y producen contenido basándose en la belleza (explícita o implícitamente), los modelos entrenados en estos datos aprenden a ordenar sus representaciones hacia este principio.
• Evidencia de Objetividad en la Estética Latente: Se demuestra que la convergencia de representaciones es significativamente mayor para imágenes estéticas que para las no estéticas, incluso entre modelos con datos de entrenamiento no superpuestos y de diferentes culturas (Occidente vs. China).
• Co-creación Humano-Máquina: Se redefine la relación entre el artista y la IA, no como un mero mimetismo, sino como una colaboración donde la máquina, al procesar datos a escala masiva, puede revelar estructuras de orden y armonía que los humanos no perciben fácilmente.

4. Resultados

• Alineación Superior en Imágenes Estéticas: Los modelos muestran una alineación de representaciones significativamente más alta entre sí cuando procesan imágenes clasificadas como "bellas" en comparación con imágenes "no bellas" o ambiguas. Esto sugiere que la estructura formal de la belleza es compartida y objetiva a través de diferentes arquitecturas.
• Independencia del Sesgo Cultural: El modelo ChineseCLIP (entrenado en datos asiáticos) muestra la misma tendencia de alineación en imágenes estéticas que los modelos occidentales. Esto refuta la hipótesis de que la convergencia es simplemente un reflejo de un ideal de belleza occidental impuesto.
• Descarte de la Familiaridad (MMD): El análisis MMD revela que las imágenes estéticas no son necesariamente "más en dominio" (más similares a ImageNet) que las no estéticas; de hecho, a veces son menos familiares. Por lo tanto, la convergencia no se debe a la familiaridad cultural con los objetos, sino a su estructura estética.
• Jerarquía de Abstracción: El análisis por capas (Figura 2) muestra que las representaciones estéticas se alinean mejor en las capas intermedias y superiores de las redes, lo que indica que la belleza es un concepto de alto nivel de abstracción que unifica conceptos diversos bajo una estructura compartida.
• Robustez Semántica: Incluso cuando se controla estrictamente la diversidad semántica (una imagen por clase), la estratificación estética en la convergencia de representaciones persiste, confirmando que el efecto es intrínseco a la estética y no a la categoría del objeto.

5. Significado e Implicaciones

• Fundamento Realista de la Estética: El trabajo proporciona evidencia empírica de que la belleza tiene una base realista y estructural en el mundo físico, más allá de la construcción social pura. Esto valida la idea de que existen "leyes" de orden y armonía que pueden ser aprendidas por máquinas.
• Nueva Perspectiva para el Arte con IA: Sugiere que las herramientas de IA no son meros "loros creativos" que repiten patrones humanos, sino instrumentos capaces de descubrir un orden latente en la realidad cultural y física. Esto abre la puerta a una co-creación donde la máquina aporta una perspectiva única basada en la escala de datos.
• Relevancia para la Filosofía de la Mente y la IA: Al conectar la convergencia de modelos de IA con la neurociencia y la filosofía aristotélica, el artículo propone que tanto la cognición humana como la artificial están restringidas por la misma realidad física, lo que lleva a geometrías de representación similares.
• Desafío al Constructivismo Radical: Cuestiona las teorías posmodernas que niegan cualquier verdad objetiva en la estética, proponiendo en su lugar un modelo donde la subjetividad humana y la objetividad material se entrelazan (hilomorfismo) para producir una estética universal.

En resumen, el paper argumenta que la belleza es un principio de orden universal que emerge de la interacción entre la materia física y la percepción humana, y que los sistemas de aprendizaje profundo, al procesar la cultura humana a gran escala, convergen hacia esta verdad estructural, permitiendo una nueva forma de colaboración creativa.