Visual Distances among Cultural Art Corpora Align with Expert-Coded Historical-Artistic Relatedness

美術史は、時代や空間を超えて文化を繋ぐ見えない糸を辿るために、長らく学者の鍛えられた眼に依存してきました。専門家たちは、衣服の襞（ひだ）の様式がいかにしてギリシャからインドへと伝わったのか、あるいはピラミッドという概念がいかにしてエジプトとアメリカ大陸で独立して出現したのかといったことを、何世紀にもわたって記録してきました。これらの繋がりは必ずしも明白なものではありません。それらはしば der 多くの変化の下に埋もれていたり、装飾、形状、素材の微妙な細部に隠されていたりすることが多いのです。人間にとって、こうした深い歴史的結びつきを認識するには、長年の研究と膨大な記録のライブラリへのアクセスが必要です。しかし、もしインターネット上の視覚的な歴史全体を学習した機械が、歴史書を一冊も読むことなく、これらと同じ繋がりを見出すことができたとしたらどうでしょうか。この問いは、人工知能と文化研究の交差点に位置しており、コンピュータビジョン・システムの中に隠された数学的なパターンが、人間の専門家が理解する芸術の進化を偶然にも反映しているのではないか、という問いを投げかけています。

ある研究チームは、このアイデアを世界規模で検証するために、西洋美術への通常の焦点を超え、5大陸にわたる5000年の歴史を含む伝統へと対象を広げました。彼らは、古代地中海から先住民のオセアニアの系譜に至るまで、53の明確な文化的単位を表す膨大な画像コレクションを集めました。比較のための信頼できる基準を作成するため、彼らは美術史、考古学、博物館学の専門家である10人のブラインド・エキスパートを募り、あらゆる文化グループのペアについて、それらがどの程度密接に関連しているかを評価してもらいました。専門家が見ていたのは、例えば両方の絵画が「青色」を使用しているといった単純な視覚的類似性ではありません。彼らは、文化的な接触や共有された視覚的伝統の文書化された証拠に基づき、歴史的な関連性を判断するよう求められました。その結果、どの文化が歴史的に結びついており、どの文化がそうでないかについての合意を含む、1300組以上の比較を網羅した、人間の判断の詳細なマップが作成されました。

次に研究者たちは、今日の画像認識や生成ツールを支える、大規模なビジョンモデルである6種類の異なるモデルへと目を向けました。これらのモデルは、インターネット上の数十億の画像を学習し、視覚情報を、似た画像は近くに、異なる画像は遠くに配置されるような数学的な空間へと圧縮することを学習してきました。チームは、これらのデジタル空間内における53の文化グループ間の距離を測定しました。もし機械が美術史について何も学んでいなければ、これらのグループ間の距離はランダムになるはずです。もし機械が人間の専門家の模倣を学習していたならば、専門家が歴史的に結びついていると判断したグループは、無関係であると判断されたグループよりも、機械の思考内においてより近くに配置されるはずです。

結果は、驚くべき一致を示しました。テストされた6種類すべての異なる人工知能モデルにおいて、文化グループ間の数学的な距離は、一貫して人間の専門家の判断と一致していました。専門家が2つの伝統が歴史的に繋がっていると述べたとき、モデルはそれらをより近くに配置しました。専門家が無関係であると述べたとき、モデルはそれらをより遠くに配置しました。このパターンは、地理的な要因を制御した場合でも成立しており、単に2つの文化がたまたま近くに位置していたからではないことが確認されました。その信号は、古代ギリシャの伝統とガンダーラ仏教美術のように、数千キロメートルの距離を隔てた文化間においても検出できるほど強力でした。これは、文化交流の古典的な例です。

この研究は、これらの機械が歴史に対する意識的な理解を持っていると主張したり、人間の学者の代わりになれると主張したりするものではありません。研究者たちは、モデルが見出したパターンは、おそらく画像に含まれる統計的な規則性を反映したものであり、それは博物館やアーカイブが何世紀にもわたって芸術を収集し、分類してきた方法によって形作られているものであることを注意深く指摘しました。モデルは教室で美術史を学んだのではなく、それらが消費したデータの中に組み込まれている「文化的な接触の視覚的な指紋」を学んだのです。しかし、異なる目標を持って訓練された6つの異なるアーキテクチャがすべて同じ結論に達したという事実は、文化伝播の視覚的証拠が強固であり、検出可能であることを示唆しています。これは、インターネット規模の視覚的記録が、偏りや欠落を抱えているとはいえ、何世紀にもわたる人間の学術研究によって文書化されてきた関係性を反映する、一貫した構造を含んでいることを示しています。

結果が特定の画像選択によるアーティファクト（人工的な産物）ではないことを確実にするため、チームはまた、12カ国から4500人の参加者を対象とした知覚チェックを実施しました。美術史の訓練を受けていない一般の人々に、広範な視覚的スタイルのカテゴリーを区別するよう求めました。参加者はカテゴリーを識別することができ、研究で使用された視覚的な違いが実在し、人間の目に見えるものであることが確認されました。これにより、機械が見出したパターンが単なる数学的な癖ではなく、現実世界において視覚的に明確なものに対応しているという、検証の層が加えられました。

また、本研究はデータ自体の限界についても強調しました。53の文化的単位の定義の仕方は、美術史という分野の不均衡な歴史を反映しており、ヨーロッパの伝統が多くの細かいカテゴリーに細分化されている一方で、アフリカやアメリカの一部などの他の地域は、より広範で詳細度の低い単位としてグループ化されていました。研究者たちは、このデータにおける構造的なバイアスが結果に影響を与えた可能性があることを認め、今後は先住民や非西洋圏の協力者を交えた、より公平な枠組みを構築することを求めています。それにもかかわらず、核心となる発見は安定していました。すなわち、これらの強力な人工知能システムによって算出された視覚的な距離は、専門家がコード化した歴史的な関連性と有意に一致しているということです。

この研究は、芸術のグローバルな歴史を見るための新しい視点を提供しています。それは、インターネット上の膨大で混沌とした画像のコレクションが、現代の人工知能によって処理されることで、人間の専門家が何世紀もかけて解明してきたのと同じ深い構造的つながりを明らかにできることを示唆しています。これは、人間の解釈や歴史的記録の綿密な研究を置き換えるものではありませんが、手作業ではマッピングすることが困難なスケールにおいて、パターンを見出すための強力なツールを提供します。この研究は、人類の文化の視覚的な言語が、その移動、交流、そして独立した発明のすべてを伴いながら、人工知能が読み取ることを学習できる統計的な署名を残していることを裏付けているのです。