Complexidade da arte generativa

Há necessidade de continuar o exame com um olhar para trabalhos que ficam nos limites da arte generativa, trabalhos com sistemas que combinam a ordem e a desordem.

Os artistas estão explorando os mesmos sistemas que são o miolo da ciência da complexidade. Os exemplos incluem algoritmos genéticos, comportamento de swarming, agentes computacionais, redes neurais, autômatos celulares, caos, mecânicos dinâmicos, fractais, sistemas de reação e fusão, os comportamentos emergentes e toda a gama de sistemas adaptáveis complexos.

Seria difícil sumariar todos os trabalhos em um único texto, e certamente não há necessidade aqui. O ponto que gostaríamos de enfatizar é que os sistemas complexos dominam nossa atenção atual e de muitas maneiras representam o futuro da arte generativa; os sistemas complexos não são “melhores” que os sistemas simples. Cada um tem um lugar histórico e contemporâneo na prática da arte. O simples e o complexo são necessários para terminar um processo dos sistemas, e assim terminar um processo de arte generativa.

A teoria da complexidade como um contexto para a teoria da arte generativa é a esperança de reforçar o olhar para os sistemas em que a teoria da complexidade fornece um contexto fecundo para a teoria da arte generativa, que resulta em uma definição orientadora dos sistemas da arte generativa.

A arte generativa se interessa predominantemente pelos resultados criados por processos generativos. (Inke Arns)[1]

Muito se tem pensado e pesquisado sobre o que é a arte generativa, cada critico ou artista tem sua própria definição.

Quando os cientistas falam de sistemas complexos não significa que os sistemas são complicados na sua maneira formal. O termo “sistema complexo” foi adotado como um termo técnico específico, para definir os sistemas que têm tipicamente um grande número de peças ou componentes pequenos que interagem com as peças e os componentes próximos e similares. Estas interações locais conduzem freqüentemente ao sistema que se organiza sem nenhum controle hierárquico ou agente externo. Tais sistemas são entendidos como auto organizantes, dinâmicos em constante mudança, não se afirmam como sistemas estáveis e equilibrados.

São sistemas que reagem às mudanças em seu ambiente para manter a integridade, são inteligentes como sistemas adaptáveis e complexos. Os componentes interagem de modo “não-linear”, isto é, as interações fazem mais do que somarem-se exponencialmente. (idem, p1)

Alguns exemplos de sistemas complexos nos são muito familiares. O tempo, como clima, é um bom exemplo, com padrões de tempestade, chuvas, furações, tempo quente e tempo frio. Contudo esses padrões não oferecem um mecanismo de controle geral e testes de padrões. Novos padrões emergem sobre outros e de uma só vez. Podemos prever o tempo com alguma exatidão, mas em alguns dias ele torna-se imprevisível. Do mesmo modo como o mercado financeiro e de capitais, ligando seus milhões de valores, em uma corrente de causa e efeito. Os testes padrões para o crescimento emergem do fluxo e do sistema na sua totalidade. Contudo um simples fator pode desnivelar a previsibilidade e a informação coletada de uma hora para outra pode se torna imprevisível.

Cada um destes sistemas é formado por muitos componentes (tais vento, umidade, etc.) que interagem com outros componentes próximos, dando forma a um padrão ou a uma entidade coerente sem nenhum controle central ou formulas a respeito de como deve acontecer. Assim os sistemas complexos freqüentemente são vistos como catastrófico imprevisível pela sua característica aleatória.

A ciência da complexidade é relativamente nova, e às vezes controversa, e numa tentativa de compreender tais sistemas busca construir uma ligação entre as diversas disciplinas tradicionais e distintas, com a finalidade de compreender a comunicabilidade dos sistemas complexos através de todas as escalas e hierarquias.

Para tanto pesquisamos a arte generativa como uma área que inclui sistemas complexos e sistemas simples.

O sistema randômico é explorado pelos artistas da arte generativa. Os cientistas da complexidade falam freqüentemente do caos. Em muitos casos um sistema caótico pode parecer aleatório porque seu comportamento é imprevisível. Mas é importante salientar que há uma diferença. Os sistemas complexos incluem o comportamento caótico, isto é sua dinâmica não é linear, mesmo quando aplicados em maquinas deterministas que seguem a seqüência de causa e efeito. A não linearidade resulta em pequenas diferenças, e aqui lembramos o “efeito borboleta”, dentro do contexto da arte generativa, os sistemas caóticos não são sistemas aleatórios.

Os sistemas caóticos naturais podem ser difíceis de previsão, mas são totalmente diferentes dos sistemas aleatórios na sua estrutura.

A fase descreve uma forma geral do desenvolvimento de um período do sistema caótico. Por exemplo, podemos prever o clima de amanha, porque tomamos como base o clima de hoje. O protocolo pode ser entendido como uma transição entre um estado e outro, contínuos e auto relacionados.

O sistema aleatório é diferente do sistema caótico porque segue a historia, não posso fazer a previsão específica de uma fase, mas posso perceber o rumo que segue, sempre há um valor de incerteza, mas em contrapartida sempre há um sentido dentro do jogo de causa e efeito. Existe a surpresa, mas sempre relacionada com uma correspondência. (idem, p7)

Os fatores de ordem e desordem dos sistemas generativos seguem seqüências repetitivas regulares ou relacionais, de modo que a transmissão entre eles faz fluir a informação. Seqüências regulares repetitivas, redundantes não carregam a surpresa e não transmitem informação exemplificamos com a seqüência “DDDDDDD”. No caso da seqüência trazer uma relação entre seus símbolos, como “DADEDIDODU”, percebemos que a informação é transmitida. Se ainda criarmos uma seqüência aleatória, não linear, que não siga padrões de reconhecimento como “FHGROWSNTRRPVN”, como no primeiro exemplo do “DDDDDDD” a informação não é transmitida.

A habilidade humana de compreender necessita de um padrão que contenha a redundância e a surpresa para transmitir a informação. (idem. p7)

No campo da arte, um exemplo com a teoria da informação e a percepção, é a diferença de animações com Flash (Gifs animados) e projetos como Fullfil fullness. Os dois tipos de trabalho têm valores estéticos, mas o gif animado é previsível enquanto Fullfil fullness tem fases inusitadas e altamente desordenadas. Joga com o aleatório, e desse modo o interesse não é perdido como no gif animado que é apenas uma experiência estética. Essa perda de interesse se dá pela falta de complexidade contínua e estrutural. Portanto para uma experiência estética eficaz os processos generativos devem explorar tanto a ordem como a desordem, de modo contínuo, com o intuito de nessa relação desenvolver um sistema complexo eficaz.

Os sistemas complexos opostos aos sistemas simples devem considerar a complexidade algorítmica (C. A.) de cada sistema numa tentativa de medir a complexidade. A complexidade algorítmica é chamada também de índice de informação algorítmico (AIC), e foi desenvolvida independentemente por Kolmogorov (Kolmogorov, A.N ,1965,p 1-7), por Solomonoff (Solomonoff ,1964, p 224-254), e por Chaitin (Chaitin, 1966, p.547-569). Sabe-se que todo o sistema pode ser planejado como um programa de computador que gera um tempo de saída,o sistema fractal, requerer um tempo infinito pela característica de gerar o detalhe infinitamente. Mas isso não quer dizer que os fractais têm a complexidade infinita. São simples no sentido que exibem sempre a mesma estrutura em todas as escalas. Um algoritmo fractal certamente pode ser muito compacto.

Para medir a quantidade de um sistema, não basta medir a quantidade de C.A e de AIC, porque não é a quantidade de complexidade algorítmica que determina se o sistema é mais ou menos complexo. (idem, p8)

O que necessitamos é um coeficiente de “complexidade eficaz”, CE, isto é o quanto o sistema é requisitado. Murray Gell-Mann (1995, p16-19) um dos fundadores do Instituto de Ciência e Complexidade coloca o AIC como randonismo. Para ele o sistema que equilibra entre o sistema caótico e o randômico, em posições próximas do zero, são visto como um sistema complexo. A complexidade eficaz será o sistema que proporcionalmente se equilibra no intermediário entre caótico e randômico. Os sistemas que se fixam mais no caótico ou mais no randômico podem ser entendidos como processos simples.

A arte generativa se refere a qualquer prática que o artista usa um sistema, com regras da língua natural, ou um programa de computador, a maquina ou qualquer invenção que contenha qualquer nível de automatização e que isso contribua para o resultado final.

Generative art refers to any art practice where the artist uses a system, such as a set of natural language rules, a computer program, a machine, or other procedural invention, which is set into motion with some degree of autonomy contributing to or resulting in a completed work of art.

(Philip Galanter,http://www.philipgalanter.com/academia/index.html)

No GA2001, (Generative Art) em Milão[2], Philip Galanter apresentou um gráfico para medirmos o coeficiente de complexidade. Se aplicado em sistemas de arte nosso entendimento sobre a eficiência do projeto será mais claro. Usando o gráfico em diferentes projetos percebemos o grau de complexidade entre os inúmeros sistemas generativos. Ao analisarmos um projeto e qualificá-lo entre as diretrizes do gráfico perceberemos o grau de eficiência e o quanto ele está ou não se apropriando das características dos sistemas simples ou complexos, os sistemas randômicos ou fractais.

Se nós aceitamos o paradigma de que a arte generativa é definida pelo uso dos sistemas, e que os sistemas exploram o contexto da teoria de complexidade, temos, portanto uma maior compreensão do que a arte generativa é realmente.

Primeiro devemos salientar que a complexidade é específica a um sistema dado e as diferentes classificações dos sistemas não os obriga a serem vistos como sistemas complexos. E desse modo a arte generativa pode se apropriar de sistemas simples e nos surpreender com um resultado dos mais complexos.

Para Philip Galanter (Galanter, 2004)[3]·, a arte generativa é um dos métodos mais antigos, e toda a criação que explora a simetria, ou padrões, pode ser entendido como um sistema autônomo.


[2]-Galanter, P. Foundations of generative art systems – a hybrid survey and studio class for graduate students. Generative Art 2001: Proceedings of the 4th International Conference. Generative Design Lab, Milan Polytechnic, Milan 2001

[3]– Galanter, P. Generative art is as old as art’. Entrevista com Philip Galanter (6/9/2004)

http://www.artificial.dk/articles/galanter.htm

Anúncios