La força bruta i l’humà sintètic: revisitant How Computers Imagine Humans? en l’era de l’art generatiu de la IA

Resum

How Computers Imagine Humans? va començar el 2016 a partir d’una petita, però persistent irritació que vaig trobar mentre treballava en reconeixement visual per ordinador: un detector de cares estava segur que havia «vist» una cara, tot i que no hi havia cap cara fotografiada. La instal·lació utilitzava dos ordinadors enfrontats entre si: un generava soroll com a dibuixos, mentre que l’altre filtrava el flux visual a través d’un detector de cares convencional. Quan el detector va disparar-se, el patró detectat es va recollir i es va anar estratificant lentament en un retrat. El resultat semblava humà, no perquè n’hi hagués pas un, sinó perquè els assajos repetits finalment havien complert un criteri. Aquest article no afirma que l’obra prevegi tècnicament models generatius contemporanis. Més aviat, argumenta que l’obra va fer visible, a escala artesanal i llegible, una lògica que continua donant forma a la cultura sintètica: la força bruta com a règim material i cultural de mostreig repetit, filtratge, optimització i rendiment computacional. Escrita des d’una perspectiva pràctica de les arts mediàtiques, l’article tracta la instal·lació com una obra d’art i un dispositiu epistèmic: un sistema a través del qual els llindars de reconeixement, el mal reconeixement, l’autoritat de la màquina i el treball de repetició es fan perceptibles. El treball connecta aquest bucle amb la IA generativa contemporània, en què les imatges, textos i identitats plausibles es poden produir de manera barata i a escala, mentre que la verificació, l’autoria i la rendició de comptes són més difícils d’estabilitzar. També argumenta que l’aparença sintètica continua sent diferent de l’experiència encarnada: una cara es pot fabricar segons certs criteris, però no adquireix memòria, història o presència corporal viscuda. Revisant How Computers Imagine Humans? gairebé deu anys després, en l’era de la IA generativa, l’article proposa que l’art computacional pugui exposar el que sovint amaguen les interfícies d’IA suaus: el llindar, l’arxiu, el fracàs, el procés de selecció i la responsabilitat humana necessària per convertir un sistema en art.

Introducció

La IA generativa sovint s’explica com una línia de temps d’enginyeria: les xarxes generatives antagòniques (en anglès GAN, de generative adversarial networks) apareixen després d’enfocaments processals anteriors, segueixen els models de difusió, els grans models de llenguatge es converteixen en interfícies, i el següent salt s’explica a través de l’escala, conjunts de dades més grans, una capacitat de càlcul més gran i una millor optimització. Aquesta història és útil, però deixa de banda alguna cosa important. Explica com la síntesi es va fer factible a escala, però no explica pas tan bé per què l’escala mateixa s’ha convertit en una lògica cultural tan decisiva. Quan les imatges, les veus i els textos es poden produir sota demanda, l’estatus de semblança, evidència, autoria i treball artístic canvia. Quan la plausibilitat es fa abundant, aquesta es torna menys informativa. En aquest article, la força bruta no significa mera aleatorietat cega. Nomena un règim d’escala: mostreig repetit, conjunts massius de dades, optimització, filtratge i rendiment computacional a través del qual es fabrica plausibilitat. Utilitzo el terme com una lent cultural-material, i no pas com una afirmació que les arquitectures d’IA contemporànies es poden reduir a proves i errors cecs. Per tant, la IA no s’ha d’entendre només com una eina de generació, sinó com una tecnologia cultural que reconfigura pràctiques de producció, validació i autoritat (González Díaz, 2021; Brandão et al., 2024). L’art computacional ofereix una posició útil des de la qual examinar aquest canvi perquè sovint tracta els algorismes menys com a solucions i més com a proposicions culturals. Es pregunta no només què pot fer un algorisme, sinó què fa visible, què amaga i quines formes d’autoritat convida. Això esdevé especialment important quan els mitjans sintètics deixen de ser una qüestió merament estètica i comencen a afectar la confiança, la responsabilitat i les relacions de poder (Carvalhais i Cardoso, 2015; Lee, 2019). Escric des d’una perspectiva de pràctica artística mediàtica, en què el programari és material i el context expositiu forma part del mètode. No utilitzo l’obra com una convenient il·lustració d’una teoria posterior; la tracto com un cas de recerca basat en la pràctica que produeix coneixement fent perceptibles llindars de reconeixement, repetició, selecció i fracàs. Metodològicament, combino una anàlisi propera de la instal·lació, contextualització tècnica de la detecció facial i de la IA generativa, i una reflexió sobre el que l’obra d’art va fer perceptible a través de l’exposició i la iteració. Per tant, tracto la instal·lació com un dispositiu epistèmic: no només com un objecte a interpretar, sinó com un sistema que produeix coneixement sobre reconeixement, llindars i autoritat. En lloc de separar el detector del seu treball cultural, vaig llegir la instal·lació com una manera de fer tangibles els llindars, fallades i mals reconeixements, i de discutir-los com a decisions estètiques i tècniques. Iniciada el 2016 i posteriorment presentada en diversos contextos, How Computers Imagine Humans va marcar un punt d’inflexió en la meva trajectòria perquè va plantejar preguntes que es van convertir en mainstream només més tard, amb l’explosió de la imatge generativa de la IA i altres sistemes de mitjans. No anticipava tècnicament aquests sistemes. En canvi, va fer visible, en un petit i insalvable bucle, la lògica de generació, proves, rebuig i acumulació que des de llavors s’ha convertit en importants per als mitjans sintètics.

En la peça, l’algorisme funcionava com un agent artístic operatiu, no pas com un autor autònom, i la força artística provenia de fer llegible el treball de la força bruta. No va processar un retrat existent. Generava cossos a partir de geometria elemental, punts i línies, mantenint els resultats a prop de l’abstracció i el minimalisme. Vaig programar el treball en C++ utilitzant openFrameworks, un entorn de codificació creativa de codi obert, de manera que el bucle en temps real es va mantenir visible, sensible i materialment proper a la màquina. La paleta monocroma i el soroll visible no eren decoració. Van eliminar deliberadament el context social, de manera que l’atenció es va mantenir en l’estructura i en els criteris de la màquina en lloc d’en els senyals d’identitat. Això va ser important per al treball. Les sortides amb soroll i imperfectes van desmitificar la tecnologia i van deixar clar que la visió per ordinador era una interpretació matemàtica, no una rèplica de la realitat. En «instruir» el sistema a través del codi en lloc de mitjançant indicadors de llenguatge natural, l’obra també prefigurava la cultura prompt alhora que mantenia l’agència visible i discutible. Preguntant què quedava de l’humà quan el detector va generar una imatge no humana, va portar qüestions d’identitat i evidència al centre de l’experiència. En comparació amb la producció contemporània de retrats per intel·ligència artificial generativa (GenAI), el contrast era clar. Els sistemes actuals sovint es basen en conjunts de dades a gran escala d’imatges reals i tendeixen a perseguir realisme o estils prestats. La instal·lació, per contra, funcionava amb regles construïdes a mà i funcionava en temps real, produint un nombre infinit de variacions a través de la cerca repetida. Perseguia l’estètica de la visió automàtica en lloc de la semblança humana i feia visible la selecció i el rebuig com a art. L’obra també es va rimar amb models de difusió a través d’una relació compartida amb el soroll. Els canals de difusió solen començar a partir de soroll aleatori i eliminar-lo iterativament fins que aparegui una cara plausible. Aquesta instal·lació es va moure en sentit contrari, o es va aturar a mig camí, mantenint el soroll present perquè l’espectador pogués veure com es negociava la forma. El fracàs, el glitch i el mal reconeixement van ser tractats com a resultats productius. Des d’aquesta posició basada en la pràctica, l’art de la IA es torna més interessant quan l’artista ajusta acuradament, de vegades poèticament, el sistema fins que les seves pròpies regles comencen a mostrar-se.

How Computers Imagine Humans? va servir d’àncora pràctica per a aquesta investigació. L’obra va començar amb un fet mundà però conseqüent: existeixen els falsos positius. Un detector de cares no busca una persona. Cerca configuracions que coincideixin amb els seus criteris apresos i dissenyats, ja sigui que l’entrada provingui d’una fotografia, un dibuix, una representació o de soroll. La instal·lació va explotar aquesta bretxa entre referent i criteri: va generar imatges a partir del soroll i les geometries simples, després va recollir regions que el detector va etiquetar erròniament com a cares, component-les en retrats que semblaven humans però no representaven cap subjecte humà (Moura, 2017; Moura i Ferreira Lopes, 2017). Aquests falsos positius importen aquí no com el concepte final del document, sinó com a evidència visible d’un mecanisme més profund. El treball va mostrar com la força bruta pot ser un criteri productiu: generar prou, provar prou, rebutjar prou, i l’accident comença a semblar-se a la intenció. Al meu lloc web, vaig descriure la configuració en termes senzills: la IA es va utilitzar contra la IA, amb un generador de soroll en un ordinador i un detector de cares en un l’altre. La descripció també va assenyalar que el detector es podia obviar sostenint un signe amb un ull. En aquesta configuració lleugerament teatral, una peculiaritat tècnica es va convertir en una experiència: la cara apareixia com una aparició autoritzada pel detector, i els espectadors es van enfrontar a la qüestió de com els criteris de reconeixement podrien convertir-se en estètica generativa. La història expositiva de l’obra va reforçar aquesta dimensió pública. La instal·lació es va presentar per primera vegada a la Xina el 2017, després a Alemanya el 2018, i més tard es va mostrar durant un període més llarg en el programa comissariat del 25è Simposi Internacional ISEA sobre Art Electrònic a Gwangju, República de Corea, el 2019. Aquests contextos eren significatius perquè la peça funcionava com un experiment públic sobre l’autoritat algorítmica. El retrat no era un registre d’una persona; era un registre del que el càlcul repetit podria finalment fer acceptable, sense ànima, sense història i sense memòria (Moura, 2017). També va oferir un exemple de com la IA i la parametrització facial remodelen els règims del retrat més enllà de la mera semblança (Camilo, Pires i Grigoraş, 2025).

Més enllà d’aquest bucle tècnic, la instal·lació també va funcionar com una situació escultòrica. Dos ordinadors ordinaris es van enfrontar com dos cossos en una trobada mínima; cap cable o protocol sense fil va facilitar l’intercanvi decisiu. La comunicació es va produir a través de la visió, a través de l’aire que els separava, a través de la brillantor dels píxels de soroll generats per la pantalla d’un ordinador i llegits per la càmera de l’altre. Això va donar a l’obra una qualitat analògica, gairebé poètica: l’aleatorietat computacional es va fer visible, i l’espai entre les màquines va passar a formar part de la peça. Quan la instal·lació es va mostrar a Alemanya el 2018, en una església dessacralitzada i va ser col·locada a l’altar major, aquesta condició es va fer encara més explícita. La cara sintètica va aparèixer no només com a resultat tècnic, sinó com una imatge espectral produïda per dues màquines mirant-se l’una a l’altra (Moura, 2017). Aquesta instal·lació a l’altar es mostra a la figura 1.

L’article desenvolupa dues afirmacions vinculades. En primer lloc, How Computers Imagine Humans? es pot llegir com un sistema d’aprenentatge automàtic antagònic manual: candidats proposats per la generació processal, un detector fix seleccionat i l’acumulació va produir un retrat emergent. En segon lloc, argumento que el treball no anticipava tècnicament els models generatius actuals, sinó que feia visible un principi que continua donant forma a la IA generativa: sovint la semblança plausible es produeix no tant per la comprensió com per la cerca a gran escala, el mostreig repetit i els criteris d’acceptació. En aquesta obra, el «retrat fals positiu» era la superfície visible d’aquesta operació. La qüestió més profunda va ser la plausibilitat de la força bruta: la fabricació, afinació i acumulació de forma similar a la humana sense fonamentació referencial (Fallis, 2021; Vaccari i Chadwick, 2020).

De la detecció a l’estètica manual de la força bruta

La detecció de cares té un paper fonamental en molts procediments de visió per ordinador perquè redueix una imatge sense restriccions a les regions candidates per a una millor interpretació. Les enquestes clàssiques emfatitzen que la detecció és una qüestió de reconeixement de patrons en lloc d’una comprensió de la personalitat (Yang et al., 2002). L’enfocament de cascada reforçat, popularitzat per Viola i Jones (2001), va aconseguir rendiment en temps real combinant característiques simples de tipus Haar amb l’impuls i una cascada que assigna selectivament el càlcul. Les extensions, com ara conjunts de característiques més rics, estaven destinades a millorar la robustesa de la variació (Lienhart i Maydt, 2002). Sigui quina sigui la variant, la conseqüència pràctica és un detector que codifica les expectatives sobre com hauria de ser una cara, modelat per restriccions d’eficiència i dades d’entrenament. How Computers Imagine Humans? va invertir aquesta intenció.

En lloc de preguntar si existia una cara en una imatge, l’obra va buscar l’espai de possibles imatges per a aquelles que van desencadenar el detector. El generador era deliberadament simple: un corrent de soroll visual construït a partir de línies grises repetides i triangles ocasionals. Aquesta elecció importava perquè la textura es llegia com a marca en lloc d’estàtica de televisió, animant els espectadors a interpretar la sortida com una imatge en lloc d’un simple error. El detector va avaluar cada fotograma candidat. Quan es va detectar un candidat de cara fals, la regió va ser retallada i conservada. Es van aplicar controls addicionals, incloent-hi rotacions petites i llindars mínims per a deteccions repetides, per estabilitzar la selecció abans de la composició (Moura i Ferreira Lopes, 2017). L’objectiu no era pas millorar la detecció, sinó revelar la detecció com un límit en l’espai de característiques que la força bruta podria investigar, empènyer i eventualment habitar.

El caràcter d’aprenentatge automàtic antagònic de l’obra es va realitzar a través de la cerca i selecció de força bruta, en lloc de mitjançant l’entrenament de degradats d’extrem a extrem. En els GAN canònics, un generador i un discriminador coevolucionen a través de l’optimització de les distribucions de dades (Goodfellow et al., 2014). Aquí, el discriminador era un detector fix, i el generador era un motor d’hipòtesi processal.

La repetició i la composició van servir com a substituts de l’optimització. Analíticament, això va fer que el criteri fos llegible. La semblança humana del retrat no era evidència d’un humà; era evidència dels precedents d’un classificador sota pressió repetida. Vist a través del discurs generatiu de l’art actual, el bucle també s’alinea amb els intents de formalitzar la creativitat com a desviació en lloc de mera imitació. A Creative Adversarial Networks, Elgammal et al. van modificar l’objectiu GAN perquè les imatges generades romanguessin llegibles com a «art» mentre confonien intencionadament la classificació d’estil, satisfent les desviacions de les normes d’estil establertes. El bucle de la meva obra era manual i no degradat, però la qüestió artística estava relacionada: quan deixa una limitació de ser només un fre i es converteix en un motor de sorpresa, i quins tipus d’autoritat s’integren en aquesta limitació? (Boden, 2010; Elgammal et al., 2017). Així i tot, la desviació en una funció objectiva no és, per si mateixa, un acte artístic.

Sense un intenció per part de l’autor, interessos situats i responsabilitat pel significat, continua sent una optimització que només sembla novetat. La composició era essencial per a l’estètica i l’argument de la peça. El que es detecta estava en capes a baixa opacitat, de manera que una cara semblava emergir lentament, gairebé a contracor. Aquest ritme importa. Permet a l’espectador percebre la força bruta com a temps, acumulació i treball, en lloc de com a fet computacional invisible. També convida a una lectura processal de la visió de màquina i dona temps a l’espectador per notar com la seva pròpia pareidolia s’alinea amb la sortida del detector. Això s’alinea amb els relats d’artefactes ergodics, on la interpretació implica un esforç no trivial amb el temps en lloc de consum immediat (Carvalhais i Cardoso, 2015).

El retrat emergent es va convertir en una interfície entre criteris de màquina, computació repetida i cerca de patrons humans. L’aparició resultant d’una cara és visible a la figura 2.

La IA generativa com a règim de replicació de força bruta

L’expansió de la IA generativa des de mitjans dels anys 2010 es pot llegir com la industrialització de la replicació de la força bruta. Les arquitectures difereixen, i l’argument no és que els models de difusió, els models de llenguatge o les tècniques d’adaptació siguin tècnicament equivalents a la recerca cega. Més aviat, apareix un patró de producció compartit entre dominis: generar molts candidats, seleccionar, refinar, regenerar. Els models de difusió formalitzen la síntesi d’imatges com una eliminació iterativa del soroll guiada per representacions apreses (Ho et al., 2020; Rombach et al., 2022). Els grans models lingüístics generalitzen el modelatge predictiu de seqüències en una interfície flexible per redactar, reescriure i resumir text (Brown et al., 2020; Hoffmann et al., 2022). La llei de l’escalament en la investigació fa explícit que gran part de la millora prové d’augmentar el càlcul i les dades sota objectius àmpliament similars (Kaplan et al., 2020). En la pràctica, això es converteix en un règim de producció. Accelera la ideació, les maquetes, la documentació i la variació sintètica, alhora que trasllada el treball vers la validació, la governança i la responsabilitat. Aquest enquadrament aclareix per què How Computers Imagine Humans? continua sent rellevant més enllà de la qüestió específica dels falsos positius. El canvi central no és només un realisme més gran, sinó també el col·lapse del cost marginal de la variació plausible. Quan les sortides plausibles són barates i abundants, la plausibilitat es torna menys informativa. La tasca cultural passa a la discriminació: decidir en quins artefactes es pot confiar, acreditar o situar. A la instal·lació, un detector facial va realitzar discriminació. En la societat, la discriminació es distribueix entre institucions, plataformes i normes socials.

Selecció, validació i el nou art de la comprovació

Fer una descripció contundent del moment actual és senzill: la generació és barata i la comprovació és cara. Aquest és un dels efectes culturals de la força bruta. Molts fluxos de treball comencen amb la ràpida producció de variants plausibles i acaben amb el treball més lent de determinar què és correcte, segur o ètic. En règims mediàtics anteriors, una certa validació es va incrustar indirectament en els costos de producció. En els fluxos de treball generatius, el cost es mou com més avall del procés millor i sovint desapareix de la vista. Com ha assenyalat González Díaz, una «pretensió de transparència» pot «portar a la falta de sentit de la informació» (González Díaz, 2021). Aquesta deslocalització té conseqüències socials. Els qui tenen temps, suport organitzatiu i experiència en domini estan més ben situats per verificar les sortides. Els qui llegeixen la sortida fluida com a autoritat estan més exposats a l’error, precisament perquè la confiança és tan fàcil de simular. L’expertesa mateixa també canvia la seva forma pública. La velocitat és fàcil de justificar públicament; la validació és més lenta i difícil de mostrar. Per tant, el desequilibri no és només computacional, sinó cultural: la força bruta accelera la producció mentre deixa la interpretació, la verificació i la responsabilitat a processos humans i organitzatius més lents. Edwards va oferir una clara il·lustració d’aquesta bretxa entre funció i comprensió: «El codi funcionava, però la comprensió mai havia estat seva». (Edwards, 2026, Capítol 3)

La investigació empírica suggereix que les avaluacions dels objectes culturals mediats per IA depenen en gran manera de l’agència atribuïda, no només de les qualitats perceptives. En l’art visual, l’esforç percebut, la intencionalitat i l’autenticitat configuren judicis de valor i distingeixen la procedència humana de la procedència de la màquina (Samo i Highhouse, 2023). Una metaanàlisi reporta una penalització sistemàtica per a les obres etiquetades com a generades per IA, encara que les mides dels efectes varien segons el context i l’experiència dels participants (de Rooij, 2025). La informació sobre els processos de producció també pot recalibrar l’avaluació moral i estètica: les descripcions factuals dels mecanismes de suport de la IA van reduir l’acceptabilitat moral i l’atractiu estètic en algunes situacions, mentre que la divulgació de la col·laboració en IA pot reduir l’admiració tant per l’obra com per l’artista desencadenant una pèrdua percebuda d’autenticitat creativa (Bara et al., 2025; Messer, 2024). How Computers Imagine Humans? va comprimir aquesta dinàmica en un sol bucle. El sistema va generar molts candidats i va retenir només els acceptats per un detector. Però l’acceptació no significa que el sistema «entengui» res. Només significa que la sortida va sobreviure a un criteri després de repetides proves. En els mitjans sintètics contemporanis, la selecció sovint funciona de maneres relacionades. Les sortides es filtren per les preferències dels usuaris, les polítiques de plataforma i els incentius de distribució.

S’amplificaran els èxits. L’amplificació és llavors fàcilment mal interpretada com a prova de veritat o com a prova de qualitat. Per tant, la verificació no pot reduir-se a un acte purament tècnic. Inclou normes de divulgació, documentació de conjunts de dades i indicacions, i pràctiques d’auditoria. Raji et al. (2020) defensen l’auditoria algorítmica interna com un marc de treball d’extrem a extrem que abasta el disseny, desenvolupament i desplegament. En contextos culturals, una auditoria anàloga pregunta qui s’acredita, les dades del qual s’utilitzen, com es gestiona el consentiment i què es revela al públic.

Arxius, precedents i el model lligat al passat

Una vegada que la comprovació es converteix en central, una altra propietat es fa difícil d’ignorar: la majoria de la competència del model és estructuralment lligada al passat. Els sistemes generatius aprenen dels arxius, i aquests arxius són desiguals. Sobrepresenten el que està documentat, àmpliament distribuït i està adaptat a la plataforma, i subrepresenta el coneixement situat que està menys documentat o menys digitalitzat. És per això que els debats sobre governança de dades no són externs a l’estètica. Formen el que es pot imaginar computacionalment. Brandão et al. (2024) emmarquen aquest problema dins les arts dels mitjans assenyalant que les eines d’IA poden produir resultats «conservadors i “mitjans” i predictibles», una tendència vinculada a la seva naturalesa estadística i a la dependència de les dades preexistents. Bender et al. (2021) argumenten que els grans models lingüístics poden produir una sortida fluida que sembla reflectir la comprensió mentre es mantenen basats en la compleció de patrons probabilístics. Es van proposar fulls de dades per documentar com es van construir els conjunts de dades i què contenen, de manera que no s’ocultin les implicacions socials i ètiques (Gebru et al., 2021). Aquestes intervencions importen perquè es resisteixen a tractar el corpus d’entrenament com a matèria primera neutra. Per tant, la força bruta mai és abstracta. És una força bruta aplicada a arxius particulars, antecedents particulars i omissions particulars. How Computers Imagine Humans? proporciona un anàleg funcional. La cara no es descobreix; es munta a partir del que el detector està disposat a acceptar després de suficients intents. De la mateixa manera, el retrat sintètic en sistemes contemporanis es munta a partir d’antecedents apresos sobre cares, cossos i identitats. Un realisme més gran pot augmentar la força persuasiva sense augmentar la base. Això és fonamental per a la manipulació evident, on els mitjans plausibles poden permetre tant l’engany com la negació (Fallis, 2021).

Cultura de la falsificació i fragilitat evident

Els mitjans sintètics intensifiquen els antics problemes de falsificació i mala atribució reduint el cost de la repetició plausible. La recerca Deepfake documenta tant la capacitat creixent de manipulació com les dinàmiques generatives antagòniques que compliquen la detecció (Mirsky i Lee, 2021; Tolosana et al., 2020). Fallis (2021) posa l’accent que el dany no és només un engany directe, sinó també el «dividend del mentider», segons els quals les proves genuïnes poden ser descartades com a falses. En les economies culturals, la mateixa lògica dona suport a les identitats falsificades, les carteres de producte automatitzades i les inundacions de contingut impulsades pel volum. La força bruta intensifica el problema perquè la producció plausible es pot repetir fins que l’atenció, l’atribució i la verificació s’esgotin. Revisant l’anàlisi de Benjamin sobre la reproducció mecànica, Rabinovich i Foley argumenten que la IA intensifica la reproductibilitat de maneres que posen en risc una cultura d’entreteniment consensuat, alhora que conviden els artistes a problematitzar aquestes condicions com a pràctica pública (Rabinovich i Foley, 2025).

Les qüestions d’autenticitat i originalitat no es poden reduir a si un artefacte sembla nou. La noció de semiaura és útil aquí perquè anomena una autenticitat híbrida produïda per la interacció entre la intenció humana i l’execució algorísmica (Salas Espasa i Camacho, 2025). La recerca en fotografia descriu un canvi paral·lel en el qual les imatges ja no poden funcionar com a índexs d’esdeveniments externs, sinó com a artefactes els referents dels quals poden estar absents; en aquestes condicions, l’acotació es converteix en un criteri d’autoria i conseqüència (Schofield, 2024). Per tant, un marc crític per a l’art de la IA ha d’examinar no només la novetat visual, sinó també els arranjaments tècnics, l’estratificació cultural i el filtratge ideològic que acompanyen la IA com a mitjà (Grba, 2022).

Aquests debats deixen clar que la cultura de la falsificació no és només un problema de detecció tècnica. El que està en joc és com es reconeixen l’autoria, la responsabilitat i el valor una vegada les imatges convincents ja no garanteixen un referent estable. Alguns filòsofs es resisteixen a concedir a la producció de la IA la qualitat d’art en un sentit estricte perquè no tenen intenció, responsabilitat i adreça comunicativa, fins i tot quan produeixen efectes superficials convincents (Chiodo, 2024). Respostes tècniques com la marca d’aigua donen suport a la traçabilitat, però continuen restringides per l’adopció, l’adaptació generativa antagònica i els processos de generació sense marcar (Dathathri et al., 2024). L’autenticitat en les arts és també propietat de la pràctica situada, l’enquadrament curatorial i la interpretació social. És per això que l’art computacional continua sent rellevant: pot fer perceptible la bretxa entre plausibilitat de la força bruta i responsabilitat. How Computers Imagine Humans? va aïllar aquest mecanisme mostrant que una imatge semblant a la cara es pot fabricar mitjançant repetits intents contra un criteri, fins i tot quan no existeix cap cara.

Prototipatge epistèmic i mètode artístic

Quan la gent diu que l’art està «pel davant» de la ciència, té més sentit com a afirmació sobre el mètode que no pas sobre la jerarquia. La pràctica artística pot donar lloc a l’ambigüitat, els modes de fracàs i les conseqüències viscudes abans que aquestes conseqüències s’estabilitzin com a referents. AARON de Cohen va tractar el dibuix com una pràctica formalitzable i va fer visibles els límits de formalització com a part de l’obra (Cohen, 2002). El Videoplace de Krueger va explorar la detecció i l’encarnació molt abans que les plataformes immersives contemporànies es convertissin en comunes (Krueger et al., 1985). Aquesta funció anticipatòria importa per a la IA perquè molts riscos no són principalment tècnics. Són riscos estructurals relacionats amb els incentius, la divulgació i la responsabilitat. Aquí, el mètode es basa en la iteració a l’estudi de l’artista i a la galeria d’art com a llocs de crítica, on el comportament del sistema es refina a través de l’observació encarnada. Una estratègia comuna en art computacional és la inversió crítica. En lloc d’utilitzar un sistema per al seu propòsit previst, l’artista l’usa per exposar els supòsits que el fan funcionar. How Computers Imagine Humans? va invertir la detecció convertint-la en generació. L’obra no necessitava un nou model per criticar la cultura model. Requeria un bucle llegible per fer visible el límit de decisió i el treball de la força bruta. En aquest sentit, va funcionar com una pedagogia compacta per als mitjans sintètics: va mostrar el que significa que un criteri produeixi una imatge quan es permeten prou intents de passar per ella. Boden descriu tres rutes per sorprendre en la creació artística: la creativitat combinatòria, que produeix juxtaposicions desconegudes; la creativitat exploratòria, que busca un espai conceptual estructurat com un estil artístic; i la creativitat transformadora, que altera les limitacions que defineixen aquest espai. Aquest vocabulari ajuda a anomenar el que va passar quan la detecció es va invertir en generació. El treball explorava l’espai conceptual definit per un detector fix, però també va resultar transformador redefinint el paper d’aquesta restricció. La norma del detector ja no era un llindar invisible. Es va convertir en un operador estètic visible que els espectadors podien veure en l’obra (Boden, 2010). Aquest context expositiu aplicat a Gwangju, República de Corea, es mostra a la figura 3.

El pes industrial del somni computacional

En l’art dels mitjans, l’última dècada també va marcar un canvi de procediments comparativament llegibles i codificats a mà vers procediments industrials assistits per ordinador dels mecanismes de difusió contemporanis. Els treballs computacionals anteriors sovint presentaven regles, heurística i restriccions en una forma que podia ser inspeccionada, de vegades fins i tot per no especialistes. La producció generativa contemporània trasllada l’agència al disseny de conjunts de dades, l’escala de models i l’optimització. Vincula la possibilitat estètica a l’accés a la CPU i al rendiment paral·lel. Aquesta pressió material no és només metafòrica: el moviment de dades i els límits de memòria configuren cada vegada més l’energia, la latència i la viabilitat de la IA a gran escala, motivant la investigació sobre el processament en memòria i el maquinari centrat en la memòria (Carrinho et al., 2025; Roy et al., 2025). En aquest sentit, l’àmbit va passar de les regles explícites a la força bruta optimitzada, en què els arxius i els pressupostos computacionals influeixen fortament en el que es pot generar, en la rapidesa amb què es poden explorar les variants i qui es pot permetre participar-hi. El corrent actual no va substituir la lògica subjacent de cerca i selecció que ja operava en sistemes processals anteriors. Es va escalar principalment aquesta lògica, amb més dades, processos més ajustats i més calculats, mentre que encara romania limitada per les limitacions del moment actual. Stable Diffusion és emblemàtic d’aquesta industrialització perquè opera la síntesi d’imatges com un procediment eficient de reducció del soroll en un espai latent comprimit (Rombach et al., 2022). La generació comença a partir del soroll estocàstic i procedeix a través de passos iteratius de refinament que redueixen progressivament l’entropia sota la guia de representacions de text i imatge apreses. Fins i tot quan l’algorisme està estructurat formalment, l’experiència pot sentir-se com una pressió computacional sostinguda: moltes operacions paral·leles i actes repetits de restricció, fins que el soroll es redueix a una forma reconeixible. Per això la instal·lació anterior continua sent útil. Va mostrar una pressió relacionada en un bucle petit, visible i a escala humana.

Dins d’aquest paradigma, l’agència artística passa sovint de la generació de marques a l’orquestració del mostreig, l’orientació i l’adaptació. La profusió i la curació continuen sent significatives, però sovint funcionen com a direcció dins de distribucions en lloc de com a composició a través d’opcions explícites i irreversibles. Mètodes d’ajust fi com LoRA intensifiquen aquest canvi fent que la personalització i l’especialització estilística siguin barates i ràpides: matrius d’actualització petites i de baix rang dirigeixen un model de base fix vers un estil, subjecte o conjunt de dades locals amb un càlcul i emmagatzematge limitats (Hu et al., 2021). En l’ús diari, això facilita la ràpida circulació de paquets d’estil i similituds de caràcters, alhora que planteja preguntes sobre el consentiment, l’autoria i l’atribució. Per a l’art dels mitjans, aquests sistemes conviden a dues trajectòries oposades. Un tracta la difusió com un motor d’estil ràpid i corre el risc de col·lapsar la pràctica en el seguiment de tendències, on es fa un seguiment de la novetat a través de llançaments d’eines, ajustos predefinits i mercats d’adaptadors. L’altre tracta el sistema com a material, investigant com l’espai latent, l’orientació i l’adaptació codifiquen precedents sobre cossos, realisme i valor. Les obres més susceptibles de perdurar, crec, són les que fan llegible aquest pes industrial com un fet estètic i polític, en lloc de tractar-lo simplement com una tècnica convenient. LoRA fa que la força bruta sigui més personal i més portàtil, però no necessàriament més fonamentada.

La crítica de LeCun als grans models de llenguatge dona a aquest argument una ressonància útil des de dins de la mateixa investigació de la IA. Com va escriure, «Són útils. Però no són un camí vers la IA a escala humana» (LeCun, 2025). La qüestió no és simplement que aquests sistemes siguin febles; és que la fluïdesa encara pot mancar de models de món, memòria persistent, raonament i planificació. El recent treball de Sofia Miguens sobre ments humanes, animals i artificials també ajuda a emmarcar la intel·ligència artificial com quelcom més que un esdeveniment d’enginyeria: es converteix en una pertorbació filosòfica al voltant del llenguatge, la consciència i el que compta com a mentalitat (Miguens, 2025). Per a mi, això ens retorna a una pregunta que ha acompanyat el meu treball basat en la pràctica sobre l’encarnació: la intel·ligència humana no només està feta de la representació, sinó de la trobada entre un cos i els seus límits. El cos és una frontera on el món ens resisteix. How Computers Imagine Humans? produïa un rostre semblant a l’humà sense aquesta frontera: «cap ànima, cap història i cap memòria» (Moura, 2024).

Si tothom utilitza els mateixos models cada vegada més accessibles, es planteja una qüestió estructural. La creació humana deriva en una mena de punt zero, on la diferència es comprimeix en convencions latents compartides i la novetat es converteix en una petita pertorbació dins d’una imaginació industrial? En aquest règim, la diferenciació corre el risc de ser mal reconeguda com a mera elecció de paràmetres, mentre que el valor cultural canvia vers la velocitat d’iteració i distribució en lloc de compromisos sostinguts d’atenció, temps i experiència situada. El problema no és que la força bruta no pugui produir formes sorprenents. Pot. El problema és que la sorpresa produïda a escala pot convertir-se ràpidament en un altre defecte tret que l’artista torni a convertir el mecanisme en una pregunta.

Conclusió

Revisitar How Computers Imagine Humans? mostra com un bucle computacional modest pot il·luminar un canvi cultural més ampli. El treball va demostrar que la semblança no està garantida per la referència. Una regla podria fabricar-la, i aquesta mateixa podria ser invertida en una estètica. Més precisament, la força bruta va convertir un llindar de reconeixement en un generador de forma similar a la humana. Aquesta és la lliçó tranquil·la que es fa forta en l’era generativa: els sistemes de reconeixement no només jutgen les imatges, sinó que també poden fabricar les condicions en què les imatges compten. L’obra importa perquè fa que aquesta operació sigui perceptible. L’espectador percep el bucle, el retard, el rebuig, l’acumulació i el moment estrany en què el càlcul repetit comença a semblar una intenció.

Els sistemes generatius contemporanis amplifiquen aquesta lògica a través del rendiment: més operacions per mil·lisegon, més memòria, més corpus, processos més estrictes i millor enginyeria al voltant del mostreig, l’atenció i l’alineació (Vaswani et al., 2017; Kaplan et al., 2020; Hoffmann et al., 2022). Com que la formació es basa en arxius, la competència continua vinculada al passat. Aquests sistemes recombinen registres; no accedeixen a futurs que no hagin passat o no hagin estat documentats. La força bruta és, per tant, un règim material i cultural: capacitat computacional, però també una forma social de produir plausibilitat. Arxius més amplis i una fidelitat més gran no produeixen per si mateixos la veritat. La bretxa entre el que sembla correcte i el que es fonamentat es converteix en un problema per a qualsevol domini que es basa en registres, testimonis i proves. En l’àmbit de la vida cívica, la plausibilitat a escala pot corroir els sistemes de confiança de les universitats, el dret i el periodisme fent que la producció sigui barata i la verificació socialment esgotadora, un procés descrit com a degradació institucional en lloc de mera desinformació (Hartzog i Silbey, 2025).

L’art computacional continua sent central perquè pot fer llegible aquest mecanisme. Pot exposar els límits de decisió, les dependències de dades i la política d’interfície, alhora que proposa maneres de treballar en què l’agència humana resideix en les restriccions, la curació i la procedència responsable. Els futurs avenços en IA probablement implicaran noves arquitectures i noves formes d’optimització, així com noves formes d’escalat, fins i tot quan s’ocultin darrere d’interfícies més suaus (Pires et al., 2025; Simão et al., 2025). LeCun, l’encarnació i el treball artístic convergeixen aquí com a conseqüències de la plausibilitat de la força bruta, no pas com a preocupacions separades. Si els sistemes poden generar formes fluides sense entendre i separar l’aparença de la història viscuda, l’art ha d’insistir en els límits situats, la memòria corporal i la responsabilitat. La tecnologia pot generar formes, variacions i sorpreses, però no pot, per si sola, fer art. L’art comença quan l’autor converteix un sistema en una proposició situada i fa parlar els seus límits. El que resulta interessant en l’art de la IA no és la fidelitat a un arxiu après, sinó el moment en què les regles del sistema són doblegades, exposades o revisades. L’obra d’art és més forta quan l’autor doblega, exposa o revisa les regles del sistema, que no pas quan simplement les compleix (Boden, 2010; Elgammal et al., 2017).

Per als estudiants d’art dels mitjans i els artistes que treballen amb IA, es deriven tres conseqüències pràctiques. En primer lloc, desafiar constantment la IA: invertir el seu ús previst, imposar restriccions, fallada de força, provar els seus llindars i rebutjar la sortida més fàcil. Aquest repte pot fer que la IA sigui menys avorrida, menys tècnicament restrictiva i menys controvertidament opaca, perquè l’obra comença on el sistema s’allunya de les seves distribucions predeterminades. En segon lloc, fer que el límit sigui perceptible: revelar el bucle, mostrar el límit i exposar els moments en què el sistema selecciona, falla, repeteix o suavitza la diferència. Això no elimina la controvèrsia, però fa que aquesta sigui més precisa, perquè el públic pot veure què pot fer i no pot fer el sistema. En tercer lloc, aprendre com es construeixen els models. Pregunteu si utilitzeu un model de fundació, un model de codi obert, un sistema comercial tancat o un model afinat en un conjunt de dades determinat. Quan sigui possible, entrena o afina models petits o antics amb les teves pròpies dades: les teves imatges, sons, textos, gestos o arxius. El resultat no serà automàticament millor, però serà més teu, més situat, i menys idèntic al que tothom obté de la mateixa interfície genèrica. Potser aquesta és una manera seriosa de continuar ara: no només utilitzant IA, sinó assumint la responsabilitat del material del qual aprèn.

Des de YMYI (Moura, 2007), i a través d’obres posteriors com Nuve (2007), Câmara Neuronal (2011), Wide/Side (2015), Co:Lateral (2015), VV (2018), Una (2020), Out > there (2021) i EDNI (2024), he mantingut el cos viscut com a força central en la meva pràctica digital. Tots vivim en cossos, i aquesta condició viscuda continua marcant la diferència entre aparença sintètica i experiència encarnada. Encara busco aquesta pressió corporal avui dia, i intento transmetre-la als estudiants d’art dels mitjans, fins i tot quan les eines contemporànies continuen empenyent la producció sense esforç. En els sistemes més antics, els límits eren inevitables; en els sistemes d’IA contemporanis, sovint han de ser exposats activament.

Per tant, la pressió final no és nostàlgica, sinó ètica: no deixar que la força bruta marqui la direcció simplement perquè pot generar més. Com va advertir Edwards, «Si marca la direcció quan no ho has fet, ja no ets l’autor» (Edwards, 2026, Capítol 8).

Referències

BARA, Iionela; RAMSEY, Richard; CROSS, Emily S. (2025). «Contextual information about AI shapes moral and aesthetic judgments of AI-generated visual art». Cognition, vol. 257, 106063. DOI: https://doi.org/10.1016/j.cognition.2025.106063

BENDER, Emily M.; GEBRU, Timnit; McMILLAN-MAJOR, Angelina; SHMITCHELL, Shmargaret (2021). «On the dangers of stochastic parrots: Can language models be too big». A: Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, pàg. 610-623. DOI: https://doi.org/10.1145/3442188.3445922

BODEN, Margaret A. (2010). Creativity and Art: Three Roads to Surprise. Oxford University Press [en línia]. Disponible a: https://global.oup.com/academic/product/creativity-and-art-9780199590735

BRANDÃO, Daniel; MOURA, João Martinho; SOMMERER, Christa (2024). «Media arts: Convergência de esferas artísticas na era do digital». Vista, núm. 14, e024018. DOI: https://doi.org/10.21814/vista.6105

BROWN, Tom. B.; MANN, Benjamin; RYDER, Nick; SUBBIAH, Melanie; KAPLAN, Jared; DHARIWAL, Prafulla; NEELAKANTAN, Arvind; SHYAM, Pranav; SASTRY, Girish; ASKELL, Amanda; AGARWAL, Sandhini; HERBERT-VOSS, Ariel; KRUEGER, Gretchen; HENIGHAN, Tom; CHILD, Rewon; RAMESH, Aditya; ZIEGLER, Daniel, WU, Jeffrey; WINTER, Clemens; AMODEI, Dario (2020). «Language models are few-shot learners». arXiv. DOI: https://doi.org/10.48550/arXiv.2005.14165

CAMILO, Eduardo; PIRES, Helena; GRIGORAŞ, Flarin (2025). “O Retrato Fotográfico Como Campo de Forças: Política, Identidade e Resistência na Cultura Visual Contemporânea». Vista, núm. 16, e025021. DOI: https://doi.org/10.21814/vista.7047

CARRINHO, Pedro; MOGHADASPOUR, Hamid; FERRAZ, Oscar; FERREIRA, João Dinis; FALEVOZ, Yann; SILVA, Vitor; FALCAO, Gabriel (2025). «An experimental exploration of in-memory computing for multi-layer perceptrons». Journal of Signal Processing Systems, vol. 98, núm. 1. DOI: https://doi.org/10.1007/s11265-025-01974-7

CARVALHAIS, Miguel; CARDOSO, Pedro (2015). «What then happens when interaction is not possible? The virtuosic interpretation of ergodic artefacts». Journal of Science and Technology of the Arts, vol. 7, núm. 1. DOI:

CHIODO, Simona (2024). «What AI ‘art’ can teach us about art». Journal of Aesthetics & Culture, vol. 16, núm. 1, 2395511. DOI: https://doi.org/10.1080/20004214.2024.2395511

COHEN, Harold (2002). «A self-defining game for one player: On the nature of creativity and the possibility of creative computer programs». Leonardo, vol. 35, núm. 1, pàg. 59-64. DOI: https://doi.org/10.1162/002409402753689335

DATHATHRI, Sumanth; SEE, Abigail; GHAISAS, Sumedh et al. (2024). «Scalable watermarking for identifying large language model outputs». Nature, vol. 634, pàg. 818-823. DOI: https://doi.org/10.1038/s41586-024-08025-4

DE ROOIJ, Alwin (2025). «Bias against artificial intelligence in visual art: A meta-analysis». Psychology of Aesthetics, Creativity, and the Arts. Publicació avançada. DOI: https://doi.org/10.1037/aca0000833

ELGAMMAL, Ahmed; LIU, Bingchen; ELHOSEINY, Mohamed; MAZZONE, Marian (2017). «CAN: Creative Adversarial Networks, generating “art” by learning about styles and deviating from style norms». arXiv. DOI: https://doi.org/10.48550/arXiv.1706.07068

EDWARDS, Helen (2026, February 21). «3. The Three Ways You’re Changing. Stay Human: Authoring Your Mind in the AI Age». Artificiality Journal [en línia]. Disponible a: https://journal.artificialityinstitute.org/chapter-3-the-three-ways-youre-changing/. [Data de consulta: 2 May 2026].

EDWARDS, Helen (2026, April 29). «8. Staying the author. Stay Human: Authoring Your Mind in the AI Age». Artificiality Journal [en línia]. Disponible a: https://journal.artificialityinstitute.org/8-staying-the-author/. [Data de consulta: 2 May 2026].

FALLIS, Don (2021). «The epistemic threat of deepfakes». Philosophy & Technology, vol. 34, pàg. 623-643. DOI: https://doi.org/10.1007/s13347-020-00419-2

GEBRU, Timnit; MORGENSTERN, Jamie; VECCHIONE, Briana; VAUGHAN, Jennifer W.; WALLACH, Hannah; DAUMÉ III, Hal; CRAWFORD, Kate (2021). «Datasheets for datasets». Communications of the ACM, vol. 64, núm. 12, pàg. 86-92. DOI: https://doi.org/10.1145/3458723

GOODFELLOW, Ian; POUGET-ABADIE, Jean; MIRZA, Mehdi; XU, Bing; WARDE-FARLEY, David; OZAIR, Sherjil; COURVILLE, Aaron; BENGIO, Yoshua (2014). «Generative adversarial nets». arXiv. DOI: https://doi.org/10.48550/arXiv.1406.2661

GONZÁLEZ DÍAZ, Paloma (2021). «Digital creation: Possible (and achievable) futures». A: P. González Díaz & A. García Méndez (eds.). In the limits of what is possible: Art, science and technology. Artnodes, núm. 28, pàg. 1-8. DOI: https://doi.org/10.7238/artnodes.v0i28.388278. [Data de consulta: 16 April 2026].

GRBA, Dejan (2022). «Deep Else: A Critical Framework for AI Art». Digital, vol. 2, núm. 1, pàg. 1-32. DOI: https://doi.org/10.3390/digital2010001

HARTZOG, Woodrow; SILBEY, Jessica M. (2025). «How AI destroys institutions». Boston Univ. School of Law Research, Paper no. 5870623 [en línia]. Disponible a: https://ssrn.com/abstract=5870623

HO, Jonathan; JAIN, Ajay; ABBEEL, Pieter (2020). «Denoising diffusion probabilistic models». arXiv. DOI: https://doi.org/10.48550/arXiv.2006.11239

HOFFMANN, Jordan et al. (2022). «Training compute-optimal large language models». arXiv. DOI: https://doi.org/10.48550/arXiv.2203.15556

HU, Edward J.; SHEN, Yelong; WALLIS, Phillip.; ALLEN-ZHU, Zeyuan; LI, Yuanzhi: WANG, Shean; WANG, Lu; CHEN, Weizhu (2021). «LoRA: Low- rank adaptation of large language models». arXiv. DOI: https://doi.org/10.48550/arXiv.2106.09685

KAPLAN, Jared; McCANDLISH, Sam; HENIGHAN, Tom; BROWN, Tom B.; CHESS, Benjamin; CHILD, Rewon, GRAY, Scott; RADFORD, Alec; WU, Jeffrey; AMODEI, Dario (2020). «Scaling laws for neural language models». arXiv. DOI: https://doi.org/10.48550/arXiv.2001.08361

KRUEGER, Myron W.; GIONFRIDDO, Thomas; HINRICHSEN, Katrin (1985). «Videoplace: An artificial reality». A: Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (CHI ‘85), pàg. 35-40. Association for Computing Machinery. DOI: https://doi.org/10.1145/317456.317463

LeCUN, Yann (2025). «Why LLMs are not human-level AI». [LinkedIn post]. LinkedIn [en línia]. Disponible a: https://www.linkedin.com/posts/yann-lecun_if-you-are-interested-in-applications-of-activity-7322617933149474817-mYTl. [Data de consulta: 3 de maig de 2026].

LEE, Rosemary (2019). «Uncertainties in the algorithmic image». Journal of Science and Technology of the Arts, vol. 11, núm. 2), pàg. 36-40. DOI: https://doi.org/10.7559/citarj.v11i2.661

LIENHART, Rainer; MAYDT, Jochen (2002). «An extended set of Haar-like features for rapid object detection». A: Proceedings of the 2002 International Conference on Image Processing (ICIP 2002), vol. 1, pàg. I-900-I- 903. DOI: https://doi.org/10.1109/ICIP.2002.1038171

MESSER, Uwe (2024). «Co-creating art with generative artificial intelligence: Implications for artworks and artists». Computers in Human Behavior: Artificial Humans, vol. 2, núm. 1, 100056. DOI: https://doi.org/10.1016/j.chbah.2024.100056

MIRSKY, Yisroel; LEE, Wenke (2021). «The creation and detection of deepfakes: A survey». ACM Computing Surveys, vol. 54, núm. 1. DOI: https://doi.org/10.1145/3425780

MIGUENS, Sofia (2025). Mentes humanas, animais e artificiais: O trabalho das palavras a partir de Daniel Dennett. Edições 70.

MOURA, João Martinho (2007). «YMYI» [Instal·lació interactiva]. João Martinho Moura [en línia]. Disponible a: https://jmartinho.net/ymyi/

MOURA, João Martinho (2017). “How Computers Imagine Humans?» [Instal·lació interactiva]. João Martinho Moura [en línia]. Disponible a: https://jmartinho.net/how-computers-imagine-humans/

MOURA, João Martinho (2024). «Realidades virtuais incorporadas» [Tesi doctoral]. Universidade Católica Portuguesa [en línia]. Disponible a: http://hdl.handle.net/10400.14/45509

MOURA, João Martinho; FERREIRA LOPES, Paulo (2017). «Generative face from random data, on “How Computers Imagine Humans”». A: Proceedings of the 8th International Conference on Digital Arts (ARTECH 2017), pàg. 85-91. DOI: https://doi.org/10.1145/3106548.3106605

PIRES, Helena; BARROS, Né; MOURA, João Martinho (2025). «EDNI: Rehearsing the embodied co-creation of emerging trans-spatio-temporalities». A: Proceedings of the 12th International Conference on Digital and Interactive Arts: Media Art Cultures, Communities & Territories (ARTECH 2025). DOI: https://doi.org/10.1145/3773699.3773708

RABINOVICH, Misha; FOLEY, Caitlin (2025). «The work of art in the age of AI reproducibility». AI & Society, vol. 40, pàg. 1565-1567. DOI: https://doi.org/10.1007/s00146-024-01991-3

RAJI, Inioluwa Deborah; SMART, Andrew; WHITE, Rebecca N.; MITCHELL, Margaret; GEBRU, Timnit; HUTCHINSON, Ben; SMITH-LOUD, Jamila; THERON, Daniel; BARNES, Parker (2020). «Closing the AI accountability gap: Defining an end-to-end framework for internal algorithmic auditing». A: Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency, pàg. 33-44. DOI: https://doi.org/10.1145/3351095.3372873

ROMBACH, Robin; BLATTMANN, Andreas; LORENZ, Dominik; ESSER, Patrick; OMMER, Björn (2022). «High-resolution image synthesis with latent diffusion models». arXiv. DOI: https://doi.org/10.48550/arXiv.2112.10752

ROY, Kaushik; KOSTA, Adarsh; SHARMA, Tanvi; NEGI, Shubham; SHARMA, Deepika; SAXENA, Utkarsh; ROY, Sourjya; RAGHUNATHAN, Anand; WAN, Zishen; SPETALNICK, Samuel; STRACHAN, John P.; LIU, Che-Kai; RAYCHOWDHURY, Arjit (2025). «Breaking the memory wall: next- generation artificial intelligence hardware». Frontiers in Science, vol. 3. DOI: https://doi.org/10.3389/fsci.2025.1611658

SALAS ESPASA, David; CAMACHO, Mar (2025). «From aura to semi-aura: reframing authenticity in AI-generated art-a systematic literature review». AI & Society, vol. 40, pàg. 6727-6759. DOI: https://doi.org/10.1007/s00146-025-02361-3

SAMO, Andrew; HIGHHOUSE, Scott (2023). «Artificial intelligence and art: Identifying the aesthetic judgment factors that distinguish human and machine-generated artwork». Psychology of Aesthetics, Creativity, and the Arts. Advance online publication. DOI: https://doi.org/10.1037/aca0000570

SCHOFIELD, Michael P. (2024). «Camera phantasma: reframing virtual photographies in the age of AI». Convergence, vol. 30, núm. 2, pàg. 687-709. DOI: https://doi.org/10.1177/13548565231220314

SIMÃO, Emília; MOURA, João Martinho; BRANDÃO, Daniel (2025). «Liminal landscapes: Generative art as a technoshanic instrument in the representation of altered states of consciousness». A: Proceedings of the 12th International Conference on Digital and Interactive Arts: Media Art Cultures, Communities & Territories (ARTECH 2025). DO: https://doi.org/10.1145/3773699.3774340

TOLOSANA, Ruben; VERA-RODRIGUEZ, Ruben; FIERREZ, Julian; MORALES, Aythami; ORTEGA-GARCIA, Javier (2020). «Deepfakes and beyond: A survey of face manipulation and fake detection». Information Fusion, vol. 64, pàg. 131-148. DOI: https://doi.org/10.1016/j.inffus.2020.06.014

VACCARI, Cristian; CHADWICK, Andrew (2020). «Deepfakes and disinformation: Exploring the impact of synthetic political video on deception, uncertainty, and trust in news». Social Media + Society, vol. 6, núm. 1. DOI: https://doi.org/10.1177/2056305120903408

VASWANI, Ashish; SHAZEER, Noam; PARMAR, Niki; USZKOREIT, Jakob; JONES, Llion; GOMEZ, Adrian N.; KAISER, Łukasz; POLOSUKHIN, Illia (2017). «Attention is all you need». arXiv. DOI: https://doi.org/10.48550/arXiv.1706.03762

VIOLA, Paul; JONES, Michael (2001). «Rapid object detection using a boosted cascade of simple features». A: Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR 2001), vol. 1, pàg. I-511-I-518. DOI: https://doi.org/10.1109/CVPR.2001.990517

WANG, Yi-Qing (2014). «An analysis of the Viola-Jones face detection algorithm». Image Processing On Line, vol. 4, pàg. 128-148. DOI: https://doi.org/10.5201/ipol.2014.104

YANG, Ming-Hsuan; KRIEGMAN, David J.; AHUJA, Narendra (2002). «Detecting faces in images: A survey». IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, núm. 1, pàg. 34-58. DOI: https://doi.org/10.1109/34.982883

Cita recomanada: MOURA, João Martinho. La força bruta i l’humà sintètic: revisitant How Computers Imagine Humans? en l’era de l’art generatiu de la IA. Mosaic [en línia], juny 2026, no. 208. ISSN: 1696-3296. DOI: https://doi.org/10.7238/m.n207.2605