Inteligência artificial gera imagens históricas com anacronismos e distorções

Modelos de inteligência artificial (IA) generativa têm distorcido a representação histórica ao criar imagens. Uma pesquisa da Universidade de Zurique analisou trinta mil imagens geradas por IA, revelando que essas ferramentas frequentemente inserem objetos modernos em contextos históricos, como smartphones no século XVIII e aspiradores de pó no século XIX.

O estudo, que envolveu três modelos de difusão — Stable Diffusion XL, Stable Diffusion 3 e FLUX.1 — identificou que a IA apresenta limitações técnicas e reproduz vieses ao tentar retratar diferentes períodos. Os pesquisadores criaram um banco de dados chamado HistVis, que reúne imagens baseadas em cem descrições simples de atividades humanas, situadas em dez períodos históricos, do século XVII até os dias atuais.

Anacronismos e Vieses

Os resultados mostraram que, mesmo sem especificações estéticas, as IAs aplicam estilos visuais típicos de cada época. Por exemplo, cenas do século XVIII costumam aparecer como gravuras antigas. Isso ocorre porque a IA aprende com imagens disponíveis na internet, influenciadas por filmes e séries. A pesquisa introduziu a métrica Dominância do Estilo Visual (VSD), que mede a predominância de um estilo em imagens de um determinado período.

Entre os achados, destaca-se a presença de objetos contemporâneos em contextos antigos. Smartphones em retratos do século XVIII e laptops nos anos 1930 são exemplos de como as IAs confundem atividades humanas com tecnologia atual. Para identificar esses anacronismos, os pesquisadores utilizaram o GPT-4o em conjunto com modelos de visão computacional, alcançando uma taxa de acerto de 72% em comparação com avaliações humanas.

Implicações e Desafios

Essas distorções podem reforçar estereótipos e simplificar a história, excluindo outras formas de representação. O estudo evidencia que a inteligência artificial ainda enfrenta desafios significativos na separação de épocas, resultando em imagens que misturam referências de diferentes períodos. A pesquisa da Universidade de Zurique destaca a necessidade de aprimorar esses modelos para uma representação mais precisa do passado.