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

Resumo Técnico: Assinaturas Multifractais de Arte de IA, Animal, Natural, de Caverna e Humana

Problema
O estudo aborda a falta de comparações sistemáticas e quantitativas entre diversas categorias de marcação: imagens geradas por inteligência artificial (IA), pinturas animais, arte rupestre de cavernas, arte figurativa humana, fractais matemáticos e fotografias naturais. Embora a análise fractal e multifractal tenha sido aplicada a artistas específicos (ex: Pollock, Van Gogh) e paisagens naturais, um quadro unificado comparando essas distintas fontes de textura visual está ausente. O artigo investiga se os parâmetros multifractais podem discriminar entre estas categorias e explora até que ponto essas assinaturas estatísticas podem servir como correlatos para a intencionalidade, atenção e processos cognitivos, enquanto adverte explicitamente contra a sobreinterpretação da textura como evidência direta de consciência.

Metodologia
A pesquisa utilizou um conjunto de dados de 142 imagens categorizadas em seis grupos: arte gerada por IA ($n=19$), pinturas animais ($n=24$), desenhos de cavernas pré-históricas ($n=35$), pinturas humanas de um único artista, Nicolae Grigorescu ($n=16$), fractais matemáticos ($n=23$) e fotografias naturais ($n=25$).

• Pré-processamento: As imagens foram convertidas para tons de cinza, recortadas para um quadrado central 1:1 para garantir escalonamento isotrópico e normalizadas para valores de intensidade de pixel entre 0 e 1.
• Pipeline de Análise Multifractal: Um pipeline baseado em Python implementou uma abordagem padrão de função de partição. As imagens foram analisadas usando um método de contagem de caixas (box-counting) sobre a magnitude dos gradientes de intensidade. O processo envolveu:
  • Particionamento das imagens em caixas não sobrepostas de vários tamanhos (8 escalas distribuídas logaritmicamente).
  • Computação da função de partição $Z(q,s)$ para ordens de momento $q \in [-10, 10]$.
  • Derivação do expoente de massa $\tau(q)$ via regressão linear em espaço log-log.
  • Cálculo das dimensões fractais generalizadas ($D_q$) e do espectro de singularidade via transformada de Legendre.
• Parâmetros: Seis parâmetros principais foram extraídos: Dimensão de capacidade ($D_0$), Dimensão de informação ($D_1$), Dimensão de correlação ($D_2$), Largura do espectro ($\Delta\alpha$), Força de singularidade ($\alpha_0$) e Assimetria espectral ($A$).
• Análise Estatística: Devido às frequentes violações de normalidade (avaliadas via testes de Shapiro–Wilk), o estudo empregou estatística não paramétrica. Diferenças globais foram testadas via testes H de Kruskal–Wallis, seguidos de testes U de Mann–Whitney pareados com correção de Bonferroni.

Resultos Principais
A análise revelou que, embora as dimensões generalizadas ($D_0, D_1, D_2$) tenham mostrado variação moderada entre as categorias, os descritores de ordem superior — especificamente a largura do espectro ($\Delta\alpha$), a força de singularidade ($\alpha_0$) e a assimetria ($A$) — foram os principais discriminadores.

1. Arte Gerada por IA: Exibiu os espectros multifractais mais amplos ($\Delta\alpha = 1,382$) de todas as categorias, excedendo significativamente tanto as fotografias naturais quanto a arte humana (que teve os espectros mais estreitos em $\Delta\alpha = 0,613$). As imagens de IA eram estatisticamente bem comportadas (majoritariamente distribuições normais), mas demonstraram heterogeneidade "hiper-multifractal". Notavelmente, as imagens de IA agruparam-se em valores baixos de assimetria ($0,359$), enquanto as imagens humanas exibiram a maior assimetria positiva média ($1,814$) de todas as categorias.
2. Pinturas Animais: Em média, a marcação animal igualou-se às fotografias naturais na largura do espectro ($\Delta\alpha \approx 1,1$). No entanto, observou-se variação individual significativa. Um chimpanzé (Congo) produziu imagens com alta assimetria e detalhes finos, enquanto um elefante (Suda) produziu texturas simétricas e rítmicas. A categoria apresentou normalidade mista, impulsionada por essas diferenças individuais.
3. Arte de Caverna: Demonstrou a maior uniformidade espacial (maiores valores de $D_1$ e $D_2$) de qualquer categoria, aproximando-se de máximos teóricos. Contudo, a categoria foi a mais heterogênea no geral, mostrando forte não-normalidade em cinco de seis métricas. Isso sugere que a "arte de caverna" não é um estilo monolítico, mas varia significaneamente conforme o sítio, o substrato e as condições de preservação.
4. Pinturas Humanas (Grigorescu): Mostraram a largura de espectro mais estreita ($\Delta\alpha = 0,613$) e a maior assimetria positiva média ($1,814$). Esta alta assimetria foi impulsionada largamente por uma única pintura outlier (Peasant Girl Resting) apresentando contraste extremo entre figura e fundo. Nenhuma imagem de IA, pintura animal ou fotografia na amostra se aproximou deste valor de assimetria; o único caso comparável foi uma pintura de caverna.
5. Fractais Matemáticos: Caracterizados pela maior dimensão de capacidade ($D_0$) e assimetria próxima de zero, consistente com sua construção formal e determinística.

Significância e Alegações
O artigo afirma que a análise multifractal fornece um método quantitativo para distinguir assinaturas de textura através de fontes biológicas, culturais e sintéticas. A principal contribuição empírica é a demonstração de que a largura do espectro, $\alpha_0$ e a assimetria são discriminadores mais eficazes do que as dimensões generalizadas.

Em relação à interpretação, o autor propõe uma "Hipótese Estética de trabalho" onde as assinaturas multifractais são tratadas como correlatos candidatos — não provas — de intencionalidade, organização composicional e controle motor. O artigo enquadra explicitamente a ligação entre estatísticas de textura e estados cognitivos (ex: fluxo, atenção, consciência) como especulativa e heurística. Introduz um "espectro de consciência" (Tabelas 7–9) para gerar hipóteses testáveis, mas enfatiza que essas associações não foram validadas contra marcadores comportamentais, fisiológicos ou neurais independentes.

O estudo conclui que:

• Texturas de IA possuem espectros multifractais distintos e mais largos do que fontes humanas ou naturais, embora compartilhem características de baixa assimetria com fotografias naturais neste conjunto de dados, distinguindo-se da alta assimetria da arte humana.
• A arte animal não pode ser tratada como uma categoria uniforme; a variação individual (ex: entre Congo e Suda) é substancial.
• A arte rupestre de cavernas exibe alta uniformidade espacial, mas significativa heterogeneidade dependente do sítio, desafiando a noção de um único "estilo Paleolítico".
• O contraste extremo entre figura e fundo (alta assimetria) na arte humana foi observado na produção do artista amostrado e não ocorreu em nenhuma outra categoria na amostra, embora o autor afirme que isso não pode ser resolvido como um feito cognitivo exclusivamente humano apenas através de estatísticas de textura.

O autor adverte que as estatísticas de textura sozinhas não podem resolver o "problema das outras mentes" ou atribuir definitivamente estados conscientes a criadores não humanos ou sistemas de IA. O estudo serve como um ponto de partida para trabalhos futuros que combinem a análise multifractal com medidas independentes de engajamento e cognição.