Multifractal signatures of AI, animal, nature, cave, and human art

Resumen Técnico: Firmas Multifractales de Arte de IA, Animal, Natural, de Cuevas y Humano

Planteamiento del Problema
El estudio aborda la falta de comparaciones sistemáticas y cuantitativas entre diversas categorías de marcas gráficas: imágenes generadas por inteligencia artificial (IA), pinturas animales, arte rupestre de cuevas, arte figurativo humano, fractales matemáticos y fotografías naturales. Si bien el análisis fractal y multifractal se ha aplicado a artistas específicos (por ejemplo, Pollock, van Gogh) y paisajes naturales, se carece de un marco unificado para comparar estas distintas fuentes de textura visual. El artículo investiga si los parámetros multifractales pueden discriminar entre estas categorías y explora hasta qué punto estas firmas estadísticas pueden servir como correlatos de la intencionalidad, la atención y los procesos cognitivos, advirtiendo explícitamente contra la sobreinterpretación de la textura como evidencia directa de conciencia.

Metodología
La investigación utilizó un conjunto de datos de 142 imágenes categorizadas en seis grupos: arte generado por IA ($n=19$), pinturas animales ($n=24$), dibujos de cuevas prehistóricas ($n=35$), pinturas humanas de un solo artista, Nicolae Grigorescu ($n=16$), fractales matemáticos ($n=23$) y fotografías naturales ($n=25$).

• Preprocesamiento: Las imágenes se convirtieron a escala de grises, se recortaron a un cuadrado central de 1:1 para asegurar una escala isotrópica y se normalizaron a valores de intensidad de píxel entre 0 y 1.
• Pipeline de Análisis Multifractal: El pipeline basado en Python implementó un enfoque estándar de función de partición. Las imágenes se analizaron mediante un método de conteo de cajas sobre la magnitud de los gradientes de intensidad. El proceso consistió en:
  • Particionar las imágenes en cajas no superpuestas de tamaños variables (8 escalas distribuidas logarítmicamente).
  • Calcular la función de partición $Z(q,s)$ para órdenes de momento $q \in [-10, 10]$.
  • Derivar el exponente de masa $\tau(q)$ mediante regresión lineal en espacio log-log.
  • Calcular las dimensiones fractales generalizadas ($D_q$) y el espectro de singularidad mediante la transformada de Legendre.
• Parámetros: Se extrajeron seis parámetros clave: dimensión de capacidad ($D_0$), dimensión de información ($D_1$), dimensión de correlación ($D_2$), ancho del espectro ($\Delta\alpha$), fuerza de singularidad ($\alpha_0$) y asimetría espectral ($A$).
• Análisis Estadístico: Debido a las frecuentes violaciones de la normalidad (evaluadas mediante pruebas de Shapiro–Wilk), el estudio empleó estadística no paramétrica. Las diferencias globales se probaron mediante pruebas H de Kruskal–Wallis, seguidas de pruebas U de Mann–Whitney por pares con corrección de Bonferroni.

Resultos Clave
El análisis reveló que, si bien las dimensiones generalizadas ($D_0, D_1, D_2$) mostraron una variación moderada entre categorías, los descriptores de orden superior —específicamente el ancho del espectro ($\Delta\alpha$), la fuerza de la singularidad ($\alpha_0$) y la asimetría ($A$)— fueron los principales discriminadores.

1. Arte Generado por IA: Exhibió los espectros multifractales más amplios ($\Delta\alpha = 1.382$) de todas las categorías, superando significativamente tanto a las fotografías naturales como al arte humano (que tuvo los espectros más estrechos con $\Delta\alpha = 0.613$). Las imágenes de IA fueron estadísticamente estables (mayormente distribuciones normales) pero demostraron una heterogeneidad "hiper-multifractal". Notablemente, las imágenes de IA se agruparon en valores de asimetría bajos ($0.359$), mientras que las imágenes humanas mostraron la media de asimetría positiva más alta ($1.814$) de todas las categorías.
2. Pinturas Animales: En promedio, la creación de marcas animales igualó a las fotografías naturales en el ancho del espectro ($\Delta\alpha \approx 1.1$). Sin embargo, se observó una variación individual significativa. Un chimpancé (Congo) produjo imágenes con alta asimetría y detalle fino, mientras que un elefante (Suda) produjo texturas rítmicas y simétricas. La categoría mostró una normalidad mixta, impulsada por estas diferencias individuales.
3. Arte de Cuevas: Mostró la mayor uniformidad espacial (valores de $D_1$ y $D_2$ más altos) de cualquier categoría, acercándose a los máximos teóricos. Sin embargo, la categoría fue la más heterogénea en general, mostrando una fuerte no-normalidad en cinco de los seis parámetros. Esto sugiere que el "arte de cueva" no es un estilo monolítico, sino que varía significativamente según el sitio, el sustrato y las condiciones de preservación.
4. Pinturas Humanas (Grigorescu): Mostraron el espectro más estrecho ($\Delta\alpha = 0.613$) y la mayor asimetría positiva media ($1.814$). Esta alta asimetría fue impulsada en gran medida por una única pintura atípica (Peasant Girl Resting) que presenta un contraste extremo entre figura y fondo. Ninguna imagen de IA, pintura animal o fotografía de la muestra se acercó a este valor de asimetría; el único caso comparable fue una pintura de cueva.
5. Fractales Matemáticos: Caracterizados por la dimensión de capacidad ($D_0$) más alta y una asimetría cercana a cero, consistente con su construcción formal y determinista.

Significancia y Reivindicaciones
El artículo sostiene que el análisis multifractal proporciona un método cuantitativo para distinguir las firmas de textura a través de fuentes biológicas, culturales y sintéticas. La principal contribución empírica es la demostración de que el ancho del espectro, $\alpha_0$ y la asimetría son discriminadores más efectivos que las dimensiones generalizadas.

Respecto a la interpretación, el autor propone una "Hipótesis Estética de Trabajo" donde las firmas multifractales se tratan como correlatos candidatos —no pruebas— de la intencionalidad, la organización compositiva y el control motor. El documento enmarca explícitamente el vínculo entre las estadísticas de textura y los estados cognitivos (por ejemplo, flujo, atención, conciencia) como especulativo y heurístico. Introduce un "marco de espectro de conciencia" (Tablas 7–9) para generar hipótesis contrastables, pero enfatiza que estas asociaciones no han sido validadas frente a marcadores conductuales, fisiológicos o neurales independientes.

El estudio concluye que:

• Las texturas de la IA poseen espectros multifractales distintos y más amplios que las fuentes humanas o naturales, aunque comparten características de baja asimetría con las fotografías naturales en este conjunto de datos, diferenciándose de la alta asimetría del arte humano.
• El arte animal no puede tratarse como una categoría uniforme; la variación individual (por ejemplo, entre Congo y Suda) es sustancial.
• El arte rupestre de las cuevas exhibe una alta uniformidad espacial pero una heterogeneidad significativa dependiente del sitio, lo que desafía la noción de un único "estilo paleolítico".
• El contraste extremo entre figura y fondo (alta asimetría) en el arte humano fue observado en la producción del artista muestreado y no ocurrió en ninguna otra categoría dentro de la muestra, aunque el autor afirma que esto no puede resolverse como un logro cognitivo exclusivamente humano mediante estadísticas de textura.

El autor advierte que las estadísticas de textura por sí solas no pueden resolver el "problema de las otras mentes" ni atribuir definitivamente estados conscientes a sistemas de IA o a seres no humanos. El estudio sirve como un punto de partida para trabajos futuros que combinen el análisis multifractal con medidas independientes de compromiso y cognición.