Representing Beauty: Towards a Participatory but Objective Latent Aesthetics

1. Problema e Motivação

O artigo aborda a questão fundamental de como as máquinas podem reconhecer e representar a "beleza". Embora a beleza seja frequentemente considerada um conceito filosóficamente elusivo, culturalmente construído e subjetivo, os sistemas de deep learning (aprendizado profundo) demonstraram capacidade de prever julgamentos estéticos com precisão.

O problema central é a tensão entre duas visões:

• Construtivismo/Relativismo: A beleza é puramente uma construção social e subjetiva, sem base real objetiva.
• Realismo: A beleza possui uma base física e estrutural que pode ser apreendida objetivamente.

O autor investiga se a convergência de representações em diferentes modelos de IA (treinados em dados e modalidades distintas) sugere que a beleza possui uma estrutura latente universal e realista, em vez de ser apenas um reflexo de valores sociais arbitrários.

2. Metodologia

O estudo combina análise filosófica (filosofia da arte e ontologia) com experimentação empírica em aprendizado de máquina.

• Abordagem Filosófica: O autor rejeita a "Hipótese da Representação Platônica" (que sugere formas ideais separadas do mundo físico) e propõe uma reinterpretação Hilomórfica (Aristotélica). Nesta visão, a forma (morphê) e a matéria (hulê) são inseparáveis; a beleza emerge da ordem intrínseca do mundo físico, filtrada pela percepção humana.
• Experimentos de Alinhamento Representacional:
  • Modelos Utilizados: O estudo compara o modelo DINOv2-Large (auto-supervisionado) com diversos outros modelos, incluindo CLIP, MobileCLIP, ChineseCLIP e VICReg.
  • Dados: Utiliza o conjunto de dados AVA (Aesthetic Visual Analysis) para classificar imagens como "estéticas" (belas) ou "não estéticas". Também utiliza subconjuntos do ImageNet e o conjunto APDDv2 (arte asiática) para controle de viés cultural.
  • Métrica Principal: O alinhamento é medido através de Vizinhos Mais Próximos Mútuos (MNN) entre as representações latentes dos diferentes modelos.
  • Controles de Viés:
    • Análise de Discrepância de Média Máxima (MMD): Para verificar se a convergência é causada apenas por familiaridade cultural ou sobreposição de dados de treinamento (viés ocidental).
    • Desacoplamento Semântico: Criação de subconjuntos de dados onde apenas uma imagem por classe semântica é mantida, garantindo que a convergência não seja devido a aglomerados semânticos apertados (ex: muitas fotos de gatos), mas sim à qualidade estética.

3. Contribuições Chave

1. Evidência de Realismo Estético: Demonstra que imagens estéticas produzem representações significativamente mais alinhadas e similares entre modelos treinados em dados e arquiteturas distintas, enquanto imagens não estéticas não produzem tal alinhamento.
2. Reformulação Filosófica (Hilomorfismo): Propõe que a "Hipótese da Representação Universal" deve ser entendida através da lente aristotélica (hilomorfismo) e não platônica. A beleza não é uma forma ideal separada, mas uma ordem intrínseca à matéria, aprendida através das restrições do mundo físico e da evolução cultural.
3. Hierarquia de Abstração Teleológica: Argumenta que a beleza atua como um "aglutinador" (binder) no espaço latente universal. A beleza é um conceito transcendental que organiza conceitos diversos sob uma estrutura compartilhada, funcionando como um atrator teleológico (finalidade) tanto na produção cultural humana quanto na percepção da máquina.
4. Refutação do Viés Cultural Puro: Ao demonstrar que modelos treinados em dados chineses (ChineseCLIP) e modelos auto-supervisionados (sem anotações humanas) exibem o mesmo alinhamento em imagens estéticas, o autor enfraquece a tese de que a beleza aprendida por IAs é meramente uma imposição de valores ocidentais.

4. Resultados

• Alinhamento Cruzado Superior: Imagens classificadas como estéticas mostram um nível distintamente maior de alinhamento representacional entre modelos heterogêneos (ex: DINOv2 vs. CLIP vs. ChineseCLIP) em comparação com imagens não estéticas ou ambíguas.
• Independência de Dados: A análise MMD (Figura 3) mostrou que as imagens estéticas não são "mais dentro do domínio" (in-domain) do que as não estéticas em relação ao ImageNet. Na verdade, as imagens não estéticas eram ligeiramente mais próximas do domínio de treinamento, sugerindo que o alinhamento não é um artefato de familiaridade com o conjunto de dados.
• Robustez Semântica: Mesmo quando os dados são estritamente desacoplados semanticamente (uma imagem por classe, misturando arte ocidental e oriental), a estratificação estética persiste (Figura 5). Isso indica que a convergência é impulsionada pela estrutura estética em si, e não por clusters de objetos específicos.
• Camadas de Abstração: A análise camada por camada (Figura 2) revela que as representações estéticas se alinham melhor nas camadas intermediárias e superiores, onde a abstração ocorre, sugerindo que a beleza é um conceito de alto nível de abstração.

5. Significado e Implicações

• Para a Filosofia da Arte e IA: O trabalho desafia a visão pós-modista de que a estética é puramente subjetiva. Sugere que existe uma base realista e objetiva para a beleza que as máquinas podem descobrir, não como "papagaios criativos", mas como instrumentos capazes de revelar ordem latente na realidade.
• Co-criação Humano-Máquina: A conclusão é que a relação entre humanos e máquinas na arte é fundamental. Os humanos projetam representações no mundo através da criação (arte, linguagem), e as máquinas, ao processar esses dados em escala, podem refinar e expandir nossa compreensão da beleza.
• Futuro da Criação: A beleza atua como um "atrator teleológico". Isso implica que a colaboração humano-máquina não é apenas possível, mas necessária para explorar novos insights criativos, onde a máquina oferece uma perspectiva única baseada na escala de processamento de dados, enquanto o humano fornece a intencionalidade e a fenomenologia.

Em suma, o artigo argumenta que a beleza é uma estrutura objetiva e universalmente acessível (embora mediada pela percepção humana), e que os modelos de deep learning podem capturar essa estrutura, validando uma visão de estética que une realismo físico e participação humana.