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

Sintesi Tecnica: Firme Multifrattali di Arte AI, Animale, Naturale, Rupestre e Umana

Problematica
Lo studio affronta la mancanza di confronti sistematici e quantitativi tra diverse categorie di produzione di segni: immagini generate dall'intelligenza artificiale (AI), dipinti animali, arte rupestre preistorica, arte figurativa umana, frattali matematici e fotografie naturali. Sebbene l'analisi frattale e multifrattale sia stata applicata a specifici artisti (ad es. Pollock, van Gogh) e paesaggi naturali, manca un quadro unificato per confrontare queste distinte fonti di texture visiva. Il documento indaga se i parametri multifrattali possano discriminare tra queste categorie e esplora l'estensione con cui tali firme statistiche possano servire come correlati di intenzionalità, attenzione e processi cognitivi, ponendo esplicitamente cautela contro la sovrainterpretazione della texture come prova diretta di coscienza.

Metodologia
La ricerca ha utilizzato un dataset di 142 immagini categorizzate in sei gruppi: arte generata da AI ($n=19$), dipinti animali ($n=24$), disegni rupestri preistorici ($n=35$), dipinti umani di un singolo artista, Nicolae Grigorescu ($n=16$), frattali matematici ($n=23$) e fotografie naturali ($n=25$).

• Pre-elaborazione: Le immagini sono state convertite in scala di grigi, ritagliate in un quadrato centrale 1:1 per garantire una scalatura isotropa e normalizzate ai valori di intensità dei pixel tra 0 e 1.
• Pipeline di Analisi Multifrattale: Una pipeline basata su Python ha implementato un approccio standard della funzione di partizione. Le immagini sono state analizzate tramite un metodo di box-counting sul modulo dei gradienti di intensità. Il processo ha comportato:
  • Partizionamento delle immagini in scatole (box) di dimensioni variabili (8 scale logaritmiche).
  • Calcolo della funzione di partizione $Z(q,s)$ per ordini di momento $q \in [-10, 10]$.
  • Derivazione dell'esponente di massa $\tau(q)$ tramite regressione lineare nello spazio log-log.
  • Calcolo delle dimensioni frattali generalizzate ($D_q$) e dello spettro di singolarità tramite trasformata di Legendre.
• Parametri: Sono stati estratti sei parametri chiave: dimensione di capacità ($D_0$), dimensione dell'informazione ($D_1$), dimensione di correlazione ($D_2$), ampiezza dello spettro ($\Delta\alpha$), forza di singolarità ($\alpha_0$) e asimmetria spettrale ($A$).
• Analisi Statistica: A causa delle frequenti violazioni della normalità (valutate tramite test di Shapiro–Wilk), lo studio ha impiegato la statistica non parametrica. Le differenze globali sono state testate tramite test H di Kruskal–Wallis, seguiti da test U di Mann–Whitney per confronti a coppie con correzione di Bonferroni.

Risultati Chiave
L'analisi ha rivelato che, mentre le dimensioni generalizzate ($D_0, D_1, D_2$) mostravano una variazione moderata tra le categorie, i descrittori di ordine superiore — specificamente l'ampiezza dello spettro ($\Delta\alpha$), la forza di singolarità ($\alpha_0$) e l'asimmetria ($A$) — erano i principali discriminatori.

1. Arte Generata da AI: Ha esibito gli spettri multifrattali più ampi ($\Delta\alpha = 1.382$) di tutte le categorie, superando significativamente sia le fotografie naturali che l'arte umana (che presentava gli spettri più stretti con $\Delta\alpha = 0.613$). Le immagini AI erano statisticamente ben comportate (distribuzioni prevalentemente normali) ma dimostravano un'eterogeneità "iper-multifrattale". Notevolmente, le immagini AI si raggruppavano a bassi valori di asimmetria ($0.359$), mentre le immagini umane mostravano la media di asimmetria positiva più alta ($1.814$) di tutte le categorie.
2. Dipinti Animali: In media, la produzione di segni animale corrispondeva alle fotografie naturali in termini di ampiezza dello spettro ($\Delta\alpha \approx 1.1$). Tuttavia, è stata osservata una significativa variazione individuale. Un chimpanzé (Congo) ha prodotto immagini con alta asimmetria e dettagli fini, mentre un elefante (Suda) ha prodotto texture ritmiche e simmetriche. La categoria mostrava una normalità mista, guidata da queste differenze individuali.
3. Arte Rupestre: Ha mostrato la massima uniformità spaziale (i valori più alti di $D_1$ e $D_2$) di qualsiasi categoria, avvicinandosi ai massimi teorici. Tuttavia, la categoria è stata la più eterogenea complessivamente, mostrando una forte non-normalità in cinque dei sei parametri. Ciò suggerisce che l'"arte rupestre" non sia uno stile monolitico, ma vari significativamente per sito, substrato e condizioni di conservazione.
4. Dipinti Umani (Grigorescu): Hanno mostrato lo spettro più stretto ($\Delta\alpha = 0.613$) e la più alta asimmetria positiva media ($1.814$). Questa alta asimmetria è stata guidata in gran parte da un singolo dipinto outlier (Peccante Girl Resting) caratterizzato da un estremo contrasto figura-sfondo. Nessun'immagine generata da AI, dipinto animale o fotografia nel campione si è avvicinata a questo valore di asimmetria; l'unico caso comparabile è stato un dipinto rupestre.
5. Frattali Matematici: Caratterizzati dalla più alta dimensione di capacità ($D_0$) e asimmetria quasi nulla, coerentemente con la loro costruzione deterministica e formale.

Significatività e Rivendicazioni
Il documento sostiene che l'analisi multifrattale fornisca un metodo quantitativo per distinguere le firme di texture tra fonti biologiche, culturali e sintetiche. Il principale contributo empirico è la dimostrazione che l'ampiezza dello spettro, $\alpha_0$ e l'asimmetria sono discriminatori più efficaci rispetto alle dimensioni generalizzate.

Per quanto riguarda l'interpretazione, l'autore propone una "Ipotesi Estetica di lavoro" in cui le firme multifrattali sono trattate come correlati candidati — non prove — di intenzionalità, organizzazione compositiva e controllo motorio. Il documento inquadra esplicitamente il legame tra statistica della texture e stati cognitivi (ad es. flow, attenzione, coscienza) come speculativo ed euristico. Introduce un "framework dello spettro della coscienza" (Tabelle 7–9) per generare ipotesi testabili, ma sottolinea che tali associazioni non sono state validate rispetto a marcatori comportamentali, fisiologici o neurali indipendenti.

Lo studio conclude che:

• Le texture AI possiedono spettri multifrattali distinti e più ampi rispetto alle fonti umane o naturali, sebbene condividano caratteristiche di bassa asimmetria con le fotografie naturali nel presente dataset, distinguendosi dall'alta asimmetria dell'arte umana.
• L'arte animale non può essere trattata come una categoria uniforme; la variazione individuale (ad es. tra Congo e Suda) è sostanziale.
• L'arte rupestre preistorica esibisce un'alta uniformità spaziale ma una significativa eterogeneità specifica per sito, sfidando la nozione di un singolo "stile paleolitico".
• L'estremo contrasto figura-sfondo (alta asimmetria) nell'arte umana è stato osservato nella produzione dell'artista campionato e non si è verificato in nessuna altra categoria del campione, sebbene l'autore affermi che ciò non possa essere stabilito come un traguardo cognitivo unicamente umano attraverso la sola statistica della texture.

L'autore avverte che la statistica della texture da sola non può risolvere il "probleo delle altre menti" né attribuire definitivamente stati di coscienza a sistemi non umani o AI. Lo studio funge da punto di partenza per lavori futuri che combinino l'analisi multifrattale con misure indipendenti di impegno e cognizione.