Estética Computacional e Inteligência Artificial (IA): Porque É que a IA Adora Hambúrgueres?

Source: https://www.uc.pt/rualarga/revistas/beleza/oficina-dos-saberes/ciencia-refletida/estetica-computacional-e-inteligencia-artificial-porque-e-que-a-ia-adora-hamburgeres/ Parent: https://www.uc.pt/rualarga/

Rua Larga

Entrar

/ Revistas / Beleza / Oficina dos Saberes / Ciência Refletida

Estética Computacional e Inteligência Artificial (IA): Porque É que a IA Adora Hambúrgueres?

≈ 7 minutos de leitura

Penousal Machado

Professor associado do Departamento de Informática, Universidade de Coimbra

A procura por regras universais para quantificar o belo, como o célebre rácio dourado, acompanha a história da arte e da ciência. Embora este rácio surja em contextos matemáticos e biológicos, não há evidência de que tenha qualquer relevo estético. O mito persiste, não por ser correto, mas por ser sedutor: oferece uma explicação simples para algo complexo, e as nossas mentes evoluíram para valorizar isso.

Apesar de a procura por uma métrica universal ser ilusória, há características visuais que surgem recorrentemente em diferentes épocas e culturas, e às quais reagimos de forma inata. Noções como simetria, proporção, equilíbrio ou contraste são ubíquas, porque detectá‑las oferece vantagens bio‑evolucionárias e, por isso, o nosso sistema visual evoluiu para as reconhecer eficazmente.

Ver não é um ato passivo, mas um processo cognitivo complexo: a mente constrói representações estáveis a partir de sinais ambíguos e variáveis (Marr, 1982). Nesse sentido, como defende Zeki, a arte explora as funções e limitações do sistema visual. A recusa de Mondrian em usar diagonais, por exemplo, tem fundamento neurobiológico: a zona V1 do córtex visual tem mais neurónios sensíveis a horizontais e verticais do que a orientações oblíquas.

Foi com estas ideias em mente que, no final dos anos 1990, eu e Amílcar Cardoso, no âmbito da minha tese de doutoramento, pomposamente intitulada «Inteligência Artificial e Arte», formulámos uma abordagem para a estética computacional. Defendemos que o valor estético resulta do prazer cognitivo de encontrar uma representação simples (um perceto) para um estímulo visual complexo. Os percetos são sempre aproximações, porque o sistema visual extrai apenas a informação essencial. Como tal, o modelo considera o tamanho do percepto, o erro introduzido pela simplificação, e o facto de a perceção se desenrolar no tempo.

Esta abordagem bebe de trabalhos de Birkhoff (1928), Moles (1971) e Minsky (1986), mas inova ao distinguir a complexidade do estímulo da complexidade do percepto e ao usar técnicas de compressão de imagem para estimar ambas. Isso permitiu medir o «valor estético» de imagens, obter resultados competitivos com os de humanos no Test of Drawing Appreciation (Graves, 1977), e automatizar a avaliação de imagens geradas por IA (sim, já se fazia nos anos 1990) viabilizando a geração autónoma de artefactos visuais. Anos mais tarde, a psicologia confirmou esta intuição com a noção de processing fluency, segundo a qual estímulos processados mais facilmente tendem a ser avaliados como mais agradáveis (Reber, Schwarz & Winkielman, 2004).

A convergência entre estes resultados sugere uma ideia clara: a beleza pode ser vista como um subproduto cognitivo, produto dos mecanismos de perceção. Este enquadramento também clarifica o debate nature vs. nurture: o gosto é moldado pela cultura, mas assenta em predisposições percetuais enraizadas na arquitetura do sistema visual.

Podemos olhar para o fenómeno de forma mais abrangente: o prazer estético é ubíquo e, como tal, tem de ter uma explicação bio‑evolucionária. A inteligência, humana ou artificial, pode ser entendida como a capacidade de reduzir a complexidade do mundo a estruturas simples e manipuláveis. Se a evolução favoreceu organismos capazes de transformar caos em compreensão, faz sentido que também tenha selecionado o prazer associado a esse ato (é um reforço positivo que nos leva a procurar explicações). É esse mecanismo que une a experiência estética nos mais diversos domínios, da arte à ciência.

Imagens produzidas pelo sistema EIGO, Domício Neto, João Correia, Penousal Machado, 2025.

Saltemos agora para o presente; para uma era em que a investigação em visão computacional produziu modelos conexionistas que, em vários aspetos, se aproximam da arquitetura funcional do sistema visual humano; para um momento em que a atenção pública se concentra no impacto da IA na arte (e no nosso dia a dia).

Importa recordar que estas ligações não são novas: AARON, o sistema pioneiro de Harold Cohen, já nos anos 1990 levantava questões de autoria semelhantes às atuais. O que mudou foi a escala: hoje, qualquer pessoa pode gerar imagens de elevado realismo com um simples comando, e o facto de os modelos mais populares serem treinados com grandes coleções de imagens existentes e com o objetivo de as aproximarem.

É cedo para aferir o impacto da IA na arte, mas quando a produção se torna trivial e abundante, o valor tende a baixar. Por outro lado, a arte contemporânea raramente se define pela procura do belo; tem sido, sobretudo, um espaço de problematização conceptual e social, o que talvez a proteja da IA.

Mas voltemos à estética, que é o foco deste artigo. A abordagem mais popular para construir modelos computacionais de estética consiste em treinar redes neuronais profundas com milhões de imagens avaliadas por utilizadores. Quando usamos estes modelos para maximizar o «valor estético» de uma imagem gerada, o resultado é elucidativo: pores do sol, comida de Instagram, silhuetas a caminhar rumo ao horizonte e outros clichés visuais. Trata‑se da consequência inevitável de treinar sistemas para agradar ao gosto médio: o equivalente estético de um gelado de baunilha — consensual, inócuo e previsível.\ \ Mais preocupantes são os enviesamentos culturais. Por exemplo, partindo de um prompt tão neutro como «uma mulher» e otimizando o valor estético previsto, a roupa tende a desaparecer. O mesmo não acontece com homens. Estes modelos promovem também um imperialismo cultural: ao otimizar o valor estético absoluto, surgem hambúrgueres atrás de hambúrgueres, mas nunca um arroz de polvo, por muito fotogénico que este seja. Os dados têm destas coisas: vence sempre o cliché dominante.

São também imperdoavelmente pobres do ponto de vista conceptual, porque ignoram uma oportunidade inédita: agora que possuímos modelos do sistema visual suficientemente sofisticados, podemos, por fim, aproximar‑nos de uma teoria computacional da estética que respeite a perceção humana.

Costuma dizer‑se que «sem dados não há IA», mas isso é falso. Há IA sem dados, há IA generativa há décadas, há aprendizagem por reforço, sistemas baseados em regras, modelos evolutivos, e muitas outras técnicas que não dependem de exemplos. Mais importante ainda, a IA, mesmo a baseada em dados, não está condenada à repetição. É perfeitamente possível produzir resultados radicalmente distintos do material de treino. Por exemplo, um modelo treinado apenas com fotografias de animais e plantas pode gerar imagens com pinceladas no estilo de Van Gogh ou até simular a assinatura de Picasso (sim, já o fizemos).

O que limita a IA não é a sua natureza, mas a forma como a treinamos, como a usamos e como interagimos com ela. O modelo não está preso aos dados; está preso ao modo como lhe pedimos para os usar. É, por isso, crucial desenvolver novas formas de interação entre humanos e IA, capazes de sustentar processos de co‑criação ricos, eticamente responsáveis e alinhados com os valores culturais e sociais que queremos preservar.

Artigo anterior

Esta edição

Download