De Carne e Aço: Criatividade computacional na música e na questão do

corpo
Of Flesh and Steel: Computational creativity in music and the body issue

Resumo
Será que algum dia as máquinas poderão tomar nosso lugar na criação de arte
e, particularmente, de música? Os excelentes resultados de algumas IAs
conhecidas (por exemplo, EMI, Flow Machines) podem nos fazer acreditar que
sim. Entretanto, apesar dessas evidências, parece que as máquinas
apresentam alguns limites intrínsecos, tanto em contextos criativos quanto não
criativos (já destacados por John Searle e pelo debate sobre mecanismo). Os
argumentos deste artigo estão centrados exatamente nessa crença: estamos
convencidos de que as afirmações utópicas sobre a inteligência total das
máquinas não são plausíveis e que nossa atenção deve ser direcionada para
questões mais relevantes no campo da criatividade computacional. Em
particular, concentramos nossa atenção no que chamamos de "questão do
corpo", ou seja, o papel do corpo na experiência e na criação de música, que
consideramos problemático para a ideia de uma máquina verdadeiramente
criativa (mesmo se levarmos em consideração versões mais fracas da
inteligência artificial). Nosso argumento baseia-se em descobertas
contemporâneas da neurociência (especialmente sobre cognição incorporada)
e nas teorias de Maurice Merleau-Ponty e Roland Barthes.

Palavras-chave
inteligência artificial, criatividade computacional, neurônios-espelho, cognição
incorporada, simulação incorporada, corpo, criatividade, desempenho
De Carne e Aço: Criatividade computacional na música e na questão do corpo

Abstract
Could machines ever take our place in the creation of art, and particularly
music? The outstanding results of some well-known AIs (e.g. EMI, Flow
Machines) might make us believe that this is the case. However, despite this
evidence it seems that machines present some intrinsic limits both in creative
and non-creative contexts (already highlighted by John Searle and the debate
around mechanism). The arguments of this paper are centered around this very
belief: we are convinced that the utopian claims regarding all-round machine
intelligence are not plausible and that our attention should be directed towards
more relevant issues in the field of computational creativity. In particular, we
focus our attention on what we call the “body issue”, i.e. the role of the body in
the experience and creation of music, that we consider problematic for the idea
of a truly creative machine (even if we take into consideration weaker renditions
of artificial intelligence). Our argument is based on contemporary findings in
neuroscience (especially on embodied cognition) and on the theories of Maurice
Merleau-Ponty and Roland Barthes.

Keywords: artificial intelligence, computational creativity, mirror neurons,

embodied cognition, embodied simulation, body, creativity, performance1
Introdução

Os avanços tecnológicos são, hoje em dia, considerados como algo natural:

Os assistentes inteligentes nos ajudam a agendar nossos compromissos em
nossas agendas, os algoritmos sugerem a música que devemos ouvir e o que
podemos querer comprar em seguida. Nossas vidas são compartilhadas com
outras pessoas pelo menos tanto quanto com dispositivos computacionais e -
como diz o filósofo Luciano Floridi - "estamos cada vez mais delegando ou
terceirizando a agentes artificiais nossas memórias, decisões, tarefas rotineiras
e outras atividades de maneiras que serão progressivamente integradas a nós"
(Floridi 2016, 94). O próprio fato de que tantas tarefas - geralmente
consideradas exclusivas dos seres humanos - estão sendo delegadas a
agentes artificiais desafia nossas intuições em relação à humanidade e suas
características principais. Observamos essa mudança de percepção no
passado, por exemplo, com o jogo de xadrez: enquanto dominar o xadrez era
indiscutivelmente considerado uma marca definitiva de inteligência antes do
advento dos computadores, sustentar essa consideração não é tão fácil hoje
em dia, em que os dispositivos computacionais podem desafiar uns aos outros
para estabelecer a supremacia (Silver et al. 2018).
Assim como a inteligência, a criatividade é outro traço considerado exclusivo
e característico dos seres humanos. Essa exclusividade, com relação à
criatividade, parece estar sendo desafiada pelo advento dos dispositivos
computacionais. Neste artigo, refletimos sobre a relação entre os agentes
humanos e a música, tanto no âmbito da experiência musical quanto da criação
musical, à luz das descobertas históricas e contemporâneas no campo da
criatividade computacional. Mais precisamente, estamos convencidos de que
há um hiato entre a criatividade baseada em máquinas (assim chamada) e a
criatividade baseada no ser humano, e que essa lacuna pode ser representada
por pelo menos quatro questões: a "questão do corpo", a "questão social", a
"questão da experiência" e a "questão da consciência". Esboçamos
anteriormente essas questões (Merlini & Nicoletti 2020), sob a hipótese de que
esses problemas estão entre os mais significativos no debate sobre as
diferenças entre a criatividade humana e a baseada em máquina. Ao fazer isso,
argumentamos que as preocupações com as Inteligências Artificiais todo-
poderosas - supostamente destinadas a nos dominar em todos os contextos -
não são suficientemente plausíveis e que não devemos conceder a elas
prioridade sobre as questões mencionadas acima (cf. ibid., o argumento da
Sala Chinesa em Searle 1980 e as considerações sobre IAs fortes e fracas,
bem como o mecanismo, apresentado em Aldini, Fano & Graziani 2016,
Beccuti 2018 e Gödel 1951).
Neste artigo, gostaríamos de fazer uma breve introdução às técnicas mais
difundidas na geração de música computacional (Seção 2), seguida de um
resumo das questões mencionadas anteriormente (Seção 3). Em seguida,
voltamos nossa atenção para a questão do corpo, ou seja, a importância de ter
De Carne e Aço: Criatividade computacional na música e na questão do corpo

um corpo para experimentar e criar música. Nessa seção (Seção 4),

argumentamos a favor dessa centralidade levando em conta principalmente
algumas descobertas contemporâneas da neurociência, introduzidas pelas
posições filosóficas de Roland Barthes e Maurice Merleau-Ponty. Nas Seções 5
e 6, consideramos alguns exemplos e algumas possíveis objeções como
conclusão.

Esforços computacionais e geração de música

A ideia de unir criatividade e computação é, de fato, mais antiga do que a

invenção dos computadores modernos. Uma das primeiras referências a essa
possibilidade remonta a Charles Babbage e Ada Lovelace, que estavam
convencidos de que seu Analytical Engine - sob certas suposições - "poderia
compor peças musicais elaboradas e científicas de qualquer grau de
complexidade ou extensão" (Babbage 1889, 23). A ideia de integrar
computadores e criatividade foi então adotada pelos teóricos do início da era
dos computadores, como Alan M. Turing que, cerca de um século depois das
ideias de Babbage:

estava produzindo (como uma brincadeira) cartas de amor programadas no

computador MADM de Manchester; e haikus logo seriam gerados na máquina
EDSAC de Cambridge. Ainda mais importante (ou assim pode parecer), a
"criatividade" foi identificada como um dos principais objetivos no documento
que planejava a Dartmouth Summer School de 1956. Foi nessa reunião que a
inteligência artificial foi oficialmente batizada (Besold et al. 2015, v).

Desde esses primeiros dias, os esforços para combinar computadores e

criatividade têm sido múltiplos e de natureza diversa, abordando os campos
das artes visuais (consulte Cohen 1995 e Colton 2012), poesia (Colton et al.
2012) e música. O campo da geração de música - e os Sistemas de Geração
de Música (MGS) em particular - viu a introdução de alguns dos mais notáveis
algoritmos desenvolvidos para combinar computação e criatividade. A
taxonomia descrita a seguir foi desenvolvida por Carnovalini e Rodà (2020, 8-
12), uma taxonomia que, por sua vez, se baseia no trabalho de Fernandez e
Vico (2013). Apresentamos brevemente as sete categorias a fim de capturar as
metodologias mais difundidas no campo da música gerada por computador,
bem como alguns dos exemplos mais notáveis do ponto de vista histórico:

1. Cadeias de Markov
2. Gramáticas formais
3. Sistemas baseados em regras/constrangimentos
4. Redes neurais/aprendizagem profunda
5. Algoritmos evolutivos/genéticos
 6. Caos/Autossimilaridade
7. Sistemas baseados em agentes

A primeira categoria aborda as cadeias de Markov: são processos

estocásticos - modelos matemáticos que evoluem ao longo do tempo de
forma probabilística - em que o resultado de um determinado estado
depende apenas do resultado do estado anterior (Kemeny & Snell 1976, 1).
Suponhamos que tenhamos apenas três estados e que as probabilidades
de transição de um estado para o próximo (da geração atual para a
seguinte) sejam distribuídas da seguinte forma:

Próxima geração

Estado

Geração atual

Tab. 1

Podemos então representar esse processo específico através de um diagrama

de transição (Kemeny & Snell 1976, 2):
De Carne e Aço: Criatividade computacional na música e na questão do corpo

Fig. 1. Diagrama de Transição (Kemeny & Snell, 1976, 2)

As cadeias de Markov foram escolhidas por Anderson, Eigenfeldt e Pasquier

para propor um sistema de música generativa capaz de compor Electronic
Dance Music:

O Generative Electronic Dance Music Algorithmic System (GEDMAS) é um sistema de

música generativa que compõe composições completas de Electronic Dance Music
(EDM). As composições são baseadas em um corpus de dados musicais transcritos
coletados por meio de um processo de transcrição humana detalhada. Esses dados do
corpus são usados para analisar as características específicas do gênero associadas
aos estilos de EDM. O GEDMAS usa modelos probabilísticos e de cadeia de Markov
de 1ª ordem para gerar estruturas de formas de músicas, progressões de acordes,
melodias e ritmos (Anderson et al. 2013, 6).

A segunda categoria, gramáticas formais, tem origem no trabalho de Noam

Chomsky (Chomsky 1957), que introduziu o conceito de gramáticas
generativas:

Uma gramática gerativa é composta de dois alfabetos: símbolos terminais e não

terminais (ou variáveis). Um conjunto de regras de reescrita é dado sobre a união
desses dois alfabetos, o que permite transformar variáveis em outros símbolos (tanto
variáveis quanto terminais). A linguagem gerada é o conjunto de todas as sequências
de símbolos terminais que podem ser obtidas a partir de uma variável especial
escolhida como ponto de partida (geralmente chamada de S) e aplicando qualquer
número de regras de reescrita em sequência (Carnovalini & Rodà 2020, 9).
 Um dos mais importantes MGS na história da criatividade computacional
está intimamente relacionado - em sua essência - às possibilidades concedidas
pelas gramáticas formais: O EMI de David Cope, ou Experimentos em
Inteligência Musical (consulte Cope 1991 e Cope 1992). O processo
combinatório que ocorre após a análise de uma peça musical é descrito como:

O reenquadramento de elementos justapostos de uma obra em ordens lógicas e

musicais pode ser aprimorado com o uso de redes de transição aumentadas (ATNs),
uma técnica desenvolvida por pesquisadores de processamento de linguagem natural.
[...] As ATNs podem ser aplicadas ao problema da música recombinante da mesma
forma que à linguagem: analisar e armazenar elementos musicais e depois reutilizá-los
em composições que variam, mas têm essencialmente o mesmo significado musical
(variações dentro de um estilo definido) (Cope 1991, 26).

Os sistemas baseados em regras/constrangimentos, na terceira categoria,

diferem das gramáticas generativas por não conseguirem produzir música do
nada. Eles geralmente dependem de uma determinada entrada que é
posteriormente moldada por meio da aplicação de regras e restrições: "A
inclusão de regras pode ser implementada de várias maneiras, por exemplo,
como uma etapa de validação final ou para refinar resultados intermediários [...]
As restrições podem ser usadas para modelar recursos mais abstratos [como
tensão], em vez de regras explícitas de teoria musical" (Carnovalini & Rodà
2020, 10). A ideia de aplicar regras e restrições surge bem cedo na história dos
sistemas de geração de música e podemos apreciá-la nos dois primeiros
movimentos da Illiac Suite (cf. Hiller & Isaacson 1958): "A música Illiac foi
gerada a partir de regras que definem vários estilos (incluindo contraponto do
século XVI e música de 12 tons, e uma variedade de dinâmicas e ritmos), às
vezes combinados com pares de tons escolhidos por acaso" (Besold et al.
2015, vi).
A complexidade dos sistemas implementados aumenta na categoria de redes
neurais/aprendizagem profunda. Uma vantagem notável em relação às
metodologias mencionadas anteriormente é que o uso de técnicas de
aprendizagem profunda (ou, em geral, de aprendizagem de máquina) pode
criar generalidade:

Ao contrário dos modelos artesanais, como os sistemas de geração de música

baseados em gramática ou em regras, um sistema de geração baseado em
aprendizado de máquina pode ser agnóstico, pois aprende um modelo a partir de um
corpus arbitrário de música. Como resultado, o mesmo sistema pode ser usado para
vários gêneros musicais. Portanto, à medida que mais conjuntos de dados musicais
em grande escala forem disponibilizados, um sistema de geração baseado em
aprendizado de máquina poderá aprender automaticamente um estilo musical a partir
de um corpus e gerar novo conteúdo musical (Briot et al. 2020, 5).
De Carne e Aço: Criatividade computacional na música e na questão do corpo

MidiNet, o modelo proposto em Yang, Chou & Yang (2017), com base em
uma rede convolucional, é capaz de "gerar melodias a partir do zero, seguindo
uma sequência de acordes ou condicionando a melodia de compassos
anteriores (por exemplo, uma melodia de preparação), entre outras
possibilidades". (Ibid., 1).
A quinta categoria é dedicada aos algoritmos evolutivos/genéticos.
Conforme declarado por Carnovalini e Rodà (2020, 11), há três pré-requisitos
principais que precisam ser atendidos para resolver um problema por meio de
um algoritmo genético:

1. A capacidade de gerar soluções aleatórias, porém adequadas, para o problema

como uma população inicial
2. Uma maneira de avaliar a "aptidão" de uma solução
3. A capacidade de mutar e recombinar essas soluções

Ao fazer isso, poderíamos operar uma seleção contínua das soluções "mais
aptas" (cujo conjunto original é gerado aleatoriamente de maneira adequada)
para o nosso problema em cada iteração do próprio algoritmo. Um exemplo
famoso de um algoritmo desse tipo é o GenJam, de John Biles. Conforme
explicado pelo autor, o GenJam é:

um modelo baseado em algoritmo genético de um músico de jazz novato que está

aprendendo a improvisar. O GenJam mantém populações hierarquicamente
relacionadas de ideias melódicas que são mapeadas para notas específicas por meio
de escalas sugeridas pela progressão de acordes que está sendo tocada. À medida
que o GenJam toca seus solos com o acompanhamento de uma seção rítmica padrão,
um mentor humano fornece feedback em tempo real, que é usado para derivar valores
de adequação para os compassos e frases individuais. Em seguida, o GenJam aplica
vários operadores genéticos às populações para gerar gerações aprimoradas de
ideias (Biles 1994, 131).

A sexta categoria é Caos/Similaridade. Com esses métodos, músicos e

técnicos tentam gerar músicas que apresentem algum grau de auto-
similaridade, seja em estruturas ou melodias. Para atingir esse objetivo, uma
estratégia possível é usar Autômatos Celulares: sistemas computacionais
abstratos que são discretos por natureza, sendo compostos por um conjunto
finito de unidades simples, ou as células (cf. Berto & Tagliabue 2017).
Os autômatos celulares são dispositivos computacionais particularmente
poderosos que, com regras apropriadas, podem emular uma máquina universal
de Turing e, portanto, computar qualquer coisa calculável, se aceitarmos a tese
de Turing (consulte Copeland 2020, Turing 1936 e Church 1936). Uma das
implementações mais famosas de autômatos celulares para geração de música
é o CAMUS, apresentado por Eduardo Miranda (Miranda 1993). O primeiro
protótipo, CAMUS V1.0, contava com a ação combinada de dois autômatos
diferentes: o primeiro, baseado no jogo da vida de John Conway (consulte
Berlekamp, Conway e Guy 1982), era responsável pela seleção do tom,
enquanto o segundo era responsável pela orquestração. No entanto, apesar
desses esforços, os resultados dos sistemas baseados em Autômatos
Celulares não são particularmente empolgantes, de acordo com Carnovalini e
Rodà:

Os Autômatos Celulares tendem a gerar melodias que não são muito agradáveis e,
muitas vezes, precisam de mais intervenção humana. [...] A habitual falta de valor
“estésico” dos resultados sugere que esse não é um bom exemplo de CC, mas sim
uma maneira de explorar melodias incomuns. Por essas razões, esses sistemas são
indiscutivelmente menos interessantes para os profissionais de IA (Carnovalini & Rodà
2020, 12).

A sétima e última categoria é dedicada aos sistemas baseados em agentes.

Um agente de software é um software de certa forma autônomo, capaz de
perceber e agir em relação a um determinado ambiente com alguns recursos
específicos (ou seja, coleta de informações, habilidades de aprendizado ou
"cooperação (com outros agentes) para realizar tarefas para seus
proprietários", Nwana 1996, 213). Esse tipo de software é de particular
interesse para a geração de música, especialmente quando vemos a presença
de vários agentes capazes de interagir uns com os outros: esse sistema é
então chamado de sistema multiagente (Vlassis 2007, 1). Um exemplo de
sistema multiagente é o Voyager, apresentado por George Lewis:

[...] o programa Voyager é concebido como um conjunto de 64 'jogadores' controlados

por MIDI de voz única que operam de forma assíncrona, todos gerando música em
tempo real. Vários agrupamentos de comportamento sônico diferentes (e, para alguns,
conflitantes), ou conjuntos, podem estar ativos simultaneamente, entrando e saindo da
sincronia métrica (Lewis 2000, 34).

A Voyager cria essencialmente uma orquestra virtual que é capaz de improvisar

de maneira concordante e pode tocar junto com um artista humano, ao qual
pode reagir durante a execução. Além do esforço computacional específico, os
sistemas baseados em (multi)agentes também são importantes por sua
tentativa de "humanizar" os meios computacionais, um aspecto que não pode
ser negligenciado quando se tenta gerar música relacionável aos seres
humanos (Carnovalini & Rodà 2020, 12).
De Carne e Aço: Criatividade computacional na música e na questão do corpo

As quatro questões

Apesar dessas conquistas notáveis no campo da criatividade computacional,

argumentamos que é improvável que a criatividade real seja alcançada por
qualquer entidade computacional ou baseada em IA. Conforme exposto em
outro artigo (Merlini & Nicoletti 2020), acreditamos que há (pelo menos) quatro
questões principais que impedem as IAs de se tornarem realmente criativas.
Neste artigo, vamos nos concentrar no que chamamos de "questão do corpo",
mas também ofereceremos uma breve visão geral das outras três questões
para criar um insumo para pesquisas futuras. Essas questões surgem
claramente quando deixamos para trás as posições reducionistas e paramos
de considerar a música como um texto isolado (e principalmente escrito). De
nossa perspectiva, fica claro que a música deve ser compreendida dentro de
uma estrutura que inclui seu contexto social e cultural, mas também sua
natureza performática e corporal. Esses aspectos da música não são apenas
complementos interessantes para a experiência e a criação da música; em vez
disso, eles contribuem para a essência da própria experiência musical.
Vamos tentar nos aprofundar na primeira questão - o aspecto social da
música. A qualidade "humana" da música não se refere apenas ao que é
comumente chamado de "emoção". De fato, algumas IAs podem produzir
músicas que criam experiências emocionais entre os ouvintes humanos e, com
certeza, não há nenhuma limitação que nos impeça de acreditar que novos
desenvolvimentos nesse campo possam levar a resultados convincentes. No
entanto, o significado da música depende, em grande parte, de elementos
sociais que são mais difíceis de vivenciar quando o ouvinte não é membro de
uma determinada sociedade com sua cultura e história específicas. Os
computadores podem ser capazes de criar uma música "no estilo dos Beatles",
mas essa música sempre ignorará o valor social que uma música real dos
Beatles contém. A música e seus significados sempre surgem de situações
tangíveis. As pessoas se reúnem em torno de certos tipos de música e sua
qualidade percebida depende em grande parte de elementos que transcendem
suas características formais (Spaziante 2007, 33). Será que podemos sentir o
mesmo com a música gerada por computador? E o criador agirá de forma a
responder de fato às necessidades sociais da época? Pode-se concordar com
David Cope (2001, 335) quando ele argumenta que a música é uma entidade
independente, já que a única coisa tangível que temos é o produto final, mas
essa é uma afirmação altamente discutível.
Em segundo lugar, temos a questão da experiência, que é, até certo ponto,
consequência do que foi dito acima. É fácil argumentar que os computadores
podem replicar o produto final sem encontrar nenhum obstáculo relevante,
especialmente quando se discute música de vanguarda construída de forma
hiper-racional (ou aleatória), na qual a presença do autor tenta cometer seu
suicídio definitivo. No entanto, o que perderíamos aqui não é apenas a ideia e o
conceito por trás da arte, mas também o próprio processo humano que nos
leva a isso. Iannis Xenakis, por exemplo, observa (2003) o quanto sua obra foi
inspirada por escolhas e condições muito pessoais, como raízes culturais,
interesses, ideais e a rejeição de grande parte da música de vanguarda de sua
época. Sem essas experiências humanas, não há ninho adequado para que a
música se torne totalmente significativa. A única experiência que um
computador pode adquirir - já que não tem intencionalidade e conexões com o
mundo- está manipulando 0s e 1s. Como destaca Jean-Jacques Nattiez (2007)
(concentrando-se no aspecto "estético" da criatividade, que é diferente do
elemento estético e tem a ver com a maneira como os ouvintes vivenciam a
música), a experiência humana estabelece as condições para a criação
musical: as escolhas do compositor resultam de fatores situacionais, discursos
e experiências pessoais, como a opinião sobre outros compositores e suas
músicas. Essa interação com o mundo não está disponível para as IAs.
Isso nos leva diretamente à terceira questão, que se concentra na
consciência. Isso não tem nada a ver com emoção, intenção ou
autoconsciência, o que levaria a uma quantidade desnecessária de
especulações. O que estamos escrevendo aqui diz respeito à consciência em
um sentido mais fenomenológico (Brentano 1874), como a capacidade humana
de intencionar o mundo e negociar com ele. Embora a posição de Searle esteja
longe da tradição fenomenológica, o problema básico por trás da inteligência
artificial forte - conforme apresentado em seu argumento da sala chinesa
(Searle 1980) - é semelhante ao nosso ponto aqui, pois trata da incapacidade
das máquinas de ter uma experiência "qualitativa" do mundo. Sob essa
perspectiva, as IAs fracas parecem ser a única possibilidade, e não devemos
temer ser substituídos por agentes artificiais realmente criativos. Entretanto, há
também um motivo adicional, sobre o qual nos concentraremos na próxima
seção.

A questão do corpo

A consciência está intimamente ligada ao corpo, portanto, o lado corpóreo

da experiência musical não pode ser deixado de lado quando se fala sobre o
que torna a relação humana com a música tão especial - que é, afinal, o que
temos feito até aqui. A forte conexão entre consciência e corpo é algo que já
podemos encontrar nos pensamentos de Maurice Merleau-Ponty, que levou as
reivindicações fenomenológicas a um nível totalmente novo ao enfatizar o
papel de nosso corpo como carne viva em nossa experiência incorporada do
mundo (Merleau-Ponty 1945). Suas críticas são direcionadas a concepções
abstratas de consciência que não levam em conta seriamente a carnalidade de
nossa existência - algo que também pode ser encontrado nas palavras de outro
autor francês: Roland Barthes. Nesse caso, Barthes (1977) destaca o lado
corporal esquecido da música, na forma de música prática, ou seja, a sensação
corporal de tocar uma peça musical. Todos podem se identificar com isso ao
pensar na ideia de Barthes sobre o "grão da voz" (Ibid., 49-55), ou o lado físico
De Carne e Aço: Criatividade computacional na música e na questão do corpo

da música vocal, a qualidade de seu som que transmite toda a corporalidade

da emissão, a vibração das cordas vocais e o esforço da laringe. A aspereza ou
a fragilidade dos vocais em uma música, o ímpeto ou a graça do cantor são
qualidades que podemos sentir facilmente na música e que significam muito
para nós, pois todos sabemos, até certo ponto, como é cantar. Entendemos
esses valores como significativos e, posteriormente, podemos fazer uso criativo
deles, apenas porque possuímos (ou somos) um corpo e podemos nos
relacionar com o que os corpos que fazem música comunicam.
Isso também é válido no caso de apresentações instrumentais. Afinal, não é
verdade que a música popular (e não necessariamente só ela) é geralmente
composta tocando-se um instrumento (Moore 2001, 56-60), que oferece
recursos específicos (Gibson 1979) e carrega todo um conjunto de formas
corporais e sensações físicas específicas? Nesse sentido, muitas escolhas
criativas são orientadas pelo corpo e grande parte da força comunicativa da
música pode surgir do conhecimento corporal que temos dela, usando o
instrumento como um meio para que nossos corpos imprimam seu movimento
em um evento sonoro.
É claro que o que era principalmente especulação no século XX pode agora
ser confrontado com descobertas científicas para acrescentar plausibilidade.
Merleau-Ponty e Barthes tiveram a sorte de descrever esse processo tão cedo
e muitas de suas intuições podem encontrar paralelos fascinantes nas
afirmações neurocientíficas (em Corness, 2008, Merleau-Ponty foi relacionado
a esse contexto). O que estamos apontando é a descoberta dos neurônios-
espelho e, mais especificamente, a teorização da simulação incorporada
(Gallese 2005; Gallese & Sinigaglia 2011; sobre a relação com a música,
consulte Schiavio et al. 2014). O interesse na pesquisa sobre cognição musical
incorporada está crescendo e ainda há muito a ser compreendido, mas vamos
tentar mencionar pelo menos algumas das principais descobertas que podem
nos ajudar a explicar a "questão do corpo" de forma mais específica. Estamos
particularmente interessados no papel da simulação incorporada quando se
trata de "compreender a música corporalmente", reconectando nossa
experiência à do artista que estamos ouvindo - e o significado que essa
experiência pode ter para nossa compreensão da música e para a criatividade.
A simulação corporificada permite que os ouvintes sintam como se
estivessem realmente produzindo o som com suas próprias ações, até certo
ponto, "simulando" por meio de neurônios-espelho - que são ativados quando
experimentamos passivamente uma ação direcionada a um objetivo, da mesma
forma que seriam quando produzíssemos ativamente essa ação, sem
mediação de estados mentais nem envolvimento cognitivo. Como a ação
exigida na execução da música "envolve a percepção de sequências
intencionais e organizadas de atos motores como causa de informações
auditivas temporalmente sincronizadas" (Overy & Molnar-Szakacs 2006, 236),
a simulação incorporada parece funcionar também com a música. Para explicar
melhor isso, usando as palavras de Overy e Molnar-Szakacs: "a dinâmica
expressiva dos gestos sonoros ouvidos pode ser interpretada em termos da
dinâmica expressiva dos gestos vocais e físicos pessoais" (2009, 492). Há até
mesmo algumas evidências de uma conexão entre a experiência da música, da
linguagem e da ação (que compartilham os mesmos recursos neurais), que
seriam então capazes de comunicar o significado e o afeto humano por meio
de simulação incorporada (Overy & Molnar-Szakacs 2006), basicamente
colocando a música (ou pelo menos seu "aspecto motor") no mesmo nível das
expressões faciais ou posturas em termos de expressão de emoções. Novos
paradigmas como esses tentam explicar a importância de "lidar com a música"
(Reybrouck, 2006, p. 62) de forma concreta, concentrando-se em nossos
corpos vivos e em sua relação com os instrumentos musicais, que podem ser
concebidos como apêndices do corpo, capazes de funcionar como interfaces
entre nós e o mundo do som e como ferramentas para a aquisição de
conhecimento do corpo musical (Ibid., p. 66).
Alguns estudos (por exemplo, Haslinger et al. 2005, Haueisen & Knösche
2001; ver Calvo-Merino et al. 2005 para dança), embora não estudem
explicitamente a simulação incorporada, demonstraram que ocorre uma
atividade neuronal mais forte quando os músicos estão ouvindo música
executada com o instrumento que conseguem tocar (a ponto de estimular
micromovimentos dos dedos ou dos lábios), sugerindo, assim, que é
necessário um "repertório de atos" para compreender plenamente o
"significado físico" do que estamos ouvindo. Portanto, a experiência - ou pelo
menos o conhecimento aproximado de como é tocar um determinado
instrumento - parece ser um aspecto crucial (Leman 2007, 95-96). No entanto,
os não músicos também podem experimentar a simulação até certo ponto, não
se concentrando apenas na voz, o que parece mais óbvio, pois é o instrumento
mais "humano" que temos e todo mundo sabe cantar - isso também pode
explicar por que a música vocal é a mais amplamente apreciada e
"compreendida" por ouvintes casuais. Arnie Cox (2016, 28-29), por exemplo,
explica esse fenômeno lembrando o conceito de "subvocalização mimética" ou
a reprodução vocal grosseira de contornos melódicos executados não apenas
por cantores, mas também por instrumentistas. Além disso, Cox argumenta
que, embora uma pessoa possa estar na situação de não saber como é tocar
um instrumento, ela sempre pode imaginar como seria tocar (Ibid., 51-52).
Embora essas explicações ofereçam percepções fascinantes para a resolução
do problema, argumentamos que mais trabalho deve ser feito nesse sentido.
De fato, como uma simulação que envolve vocalização não é igual, em termos
de sensação, a uma que envolve tocar instrumentos, o feedback físico pode ser
muito diferente. Além disso, essa concepção também prioriza o aspecto
melódico da música, deixando de levar em conta outros aspectos importantes.
Por fim, o envolvimento da imaginação na segunda hipótese parece trazer para
o jogo os estados mentais que a própria definição de simulação incorporada
exclui. Talvez apenas uma concepção muito ampla de "imaginação" (ou
possivelmente a "imagem de movimento mimético" introduzida em ibid., 23 e
definida como "não deliberada ou consciente"), que não envolva estados
mentais, possa se encaixar nesse papel. A importância do ritmo também deve
ser enfatizada como uma forma de participação musical tão primordial quanto a
De Carne e Aço: Criatividade computacional na música e na questão do corpo

vocalização. Se os contornos melódicos podem ser simulados por meio da

subvocalização mimética, é possível imaginar que as partes instrumentais que
são mais conotadas ritmicamente (por exemplo, bateria, guitarra rítmica, baixo,
cordas em pizzicato etc.) podem ser simuladas de forma aproximada,
baseando-se em habilidades rítmicas (em ibid., 34, encontramos manifestações
comuns disso: bater os pés, balançar e dançar ao som da música). Greg
Corness reconhece que não há uma compreensão real do gesto musical em
sua fisicalidade, mas sim da intenção do intérprete - caso contrário, muitas
pessoas não teriam conhecimento corporal suficiente para "ressoar" com as
ações orientadas para o objetivo do intérprete (Corness 2008, 23). No entanto,
não estamos convencidos de que a intenção seja de importância primordial
aqui, como nosso exemplo explicará em breve.
Uma possível solução para esse "problema de especialização" é proposta
por Overy e Molnar-Szakacs (2009, 493), pois eles argumentam que os
ouvintes podem ser capazes de chegar a níveis cada vez mais profundos de
compreensão do movimento musical seguindo uma hierarquia precisa:

1. Nível de intenção
2. nível de meta
3. Nível cinemático
4. nível muscular

Somente os músicos podem realmente "ressoar" até o nível muscular (com

intensidade especial quando ouvem música tocada no instrumento que sabem
tocar ou, pelo menos, em instrumentos da mesma família que os deles,
consulte Leman 2007, 97), enquanto um novato musical não terá acesso a
informações precisas em nenhum nível, mas provavelmente ainda será capaz
de subvocalizar, sentir a batida (ritmo e voz) e interpretar o conteúdo emocional
de acordo com parâmetros muito básicos (por exemplo, altura do tom,
velocidade e intensidade).
Um computador não apenas não tem um corpo (feito de carne e com uma
rede neural semelhante à dos seres humanos e de alguns animais, incluindo,
portanto, neurônios-espelho), mas também não possui nenhuma das
inclinações (inatas?) mencionadas anteriormente para a produção de - digamos
- música vocal e rítmica. Toda a força comunicacional desse conhecimento
corporal é perdida, não apenas porque um computador não consegue entender
a música dessa forma, mas também porque ele não é capaz de executar
música de uma forma significativa para nós. Afinal, "a música claramente não é
apenas um estímulo auditivo passivo, ela é uma atividade social envolvente e
multissensorial" (Overy & Molnar-Szakacs 2009, 489) e, em oposição a uma
"longa tradição de objetivação" dentro da musicologia, "os usuários de música
são organismos biológicos que têm um corpo equipado com as ferramentas
necessárias para a ação, percepção e processamento no nível das operações
mentais" (Reybrouck 2006, 60). Nada disso se aplica a uma IA.
Essas afirmações nos levam às duas últimas seções deste artigo, nas quais
discutiremos um exemplo e um problema em potencial, respectivamente,
capazes de explicar melhor o que estamos argumentando aqui.

Um exemplo: Mono e Tremolo Picking

Como a música está ligada à fisicalidade, é muito difícil fazer com que o
leitor sinta o que estamos tentando descrever em termos de experiência
musical. Assim, analisaremos brevemente uma faixa da banda japonesa Mono
- a saber, "Cyclone", de The Last Dawn (2014) - para explicar a importância da
questão do corpo de um ponto de vista prático, convidando o leitor a ouvir a
música para entender completamente do que estamos falando. Mono é uma
banda instrumental de pós-rock mais conhecida por sua música altamente
melancólica, descrita pelo guitarrista Takaakira Goto como o resultado de uma
batalha contínua contra uma tristeza excessiva (Chuter 2015, 176-179). Isso é
especialmente verdadeiro quando se trata dos álbuns irmãos Rays of Darkness
e The Last Dawn, ambos lançados em 2014 e que refletem o testemunho de
um dos momentos mais difíceis da experiência de Goto (consulte Chuter 2015).
O primeiro representa o lado sombrio (culminando com o altamente perturbador
"The Last Rays"), enquanto o segundo conta a história de uma possível
redenção.

"Cyclone" é do segundo álbum, mas ainda está longe de ser alegre.

Argumentamos que grande parte da força emocional e do significado dessa
música se deve à técnica que Goto usa para tocar seu violão.

Fig. 2. Contorno melódico principal da canção

Os primeiros dois minutos da música apresentam a principal progressão de

acordes (retratada por uma guitarra elétrica arpejada e deslocada para a
esquerda) e a principal ideia melódica que será executada durante toda a
De Carne e Aço: Criatividade computacional na música e na questão do corpo

música: uma melodia breve e quase circular (Figura 2) que se encaixa

perfeitamente no título da música. Do segundo minuto ao quarto
(aproximadamente), a textura se torna cada vez mais densa, pois o violão
principal começa a tocar a mesma melodia em palhetada tremolo, típica de
grande parte da música pós-rock (ou seja, uma palhetada alternada - para cima
e para baixo - executada sem parar, geralmente em uma velocidade muito alta,
que confere à nota tocada um som contínuo característico, como o
experimentado na música de bandolim). A circularidade - que é mais provável
de ser sentida como tal por um violonista ou por um ouvinte atento (veja a
"questão da especialização" acima) - ocorre em um nível totalmente novo e cria
uma experiência vívida de um ciclone atingindo o ouvinte. No entanto, há algo
ainda mais impressionante acontecendo aqui: embora o guitarrista comum
possa executar o tremolo picking com bastante facilidade, essa ainda é uma
técnica muito "física" e pode usar grandes quantidades de energia para ser
executada com precisão, especialmente durante um período prolongado (como
é o caso de "Cyclone"). Enquanto Goto toca sua parte, todo guitarrista deve ser
capaz de sentir o esforço em sua mão de palhetada, de sentir a dor aumentar
junto com a dinâmica da música, empatizando com o ato motor que
originalmente deu origem ao som que ele está ouvindo - já que o ouvinte é
capaz de decifrar e entender fisicamente sua origem graças ao conhecimento
corporal aprendido com a prática instrumental. Esse é o nível mais alto de
simulação: através do som até o nível muscular (Overy & Molnar-Szakacs
2009, 439), enriquecendo a experiência musical com um nível totalmente novo
de significado físico e emotivo.
Isso se relaciona negativamente com a criatividade computacional se
pensarmos na importância dessa experiência quando se trata de criar novas
músicas, especialmente nos casos em que a música é criada tocando
diretamente um instrumento. As técnicas oferecidas desempenham um papel
importante no resultado musical e, embora esteja claro que a intenção e o
humor do criador influenciam muito sua interpretação da performance, também
pode ser plausível que os compositores escolham deliberada ou
subconscientemente como tocar sua música, confiando em um "vocabulário de
atos motores" que, pelo menos dentro da mesma cultura, provavelmente será
"sentido" de uma determinada maneira. Além disso, em um nível mais básico, é
evidente que ter um corpo influencia a forma como a música é criada e como
será compreendida pelo ouvinte. Embora a música fale por meio do som, ela
também diz muito "por meio do corpo". Embora os computadores possam
(re)produzir sons, eles podem ter um problema com o corpo.
Um problema: a música eletrônica é fria?

Entre alguns amantes da música, pode haver uma crença generalizada de

que a música eletrônica é "fria" quando comparada, por exemplo, ao rock ou à
música clássica. De uma perspectiva semelhante à que endossamos neste
artigo, é plausível que essa afirmação encontre confirmação científica, já que a
música eletrônica geralmente se baseia em sons que não são apenas
sintéticos, mas também acionados por dispositivos programados com precisão,
não envolvendo nenhuma corporalidade humana nesse processo. Como a
produção de sons eletrônicos é desencarnada (embora nem sempre seja esse
o caso), parece não haver espaço para qualquer tipo de simulação
incorporada. Os estudiosos, que reconhecem amplamente essa questão (por
exemplo, Overy & Molnar Szakacs 2009, 489n; Corness 2008, passim;
Reybrouck 2006, 67; Leman 2007, 98; Cox 2016, 37, 212), tentaram sugerir
diferentes tipos de respostas para explicar por que esse pode não ser o caso.
Desafiamos o leitor a ouvir uma faixa como "Emerald Rush", de Jon Hopkins,
sem sentir nada conotado de forma (muito) física.
Reybrouck (2006, 67) e Leman (2007, 98) aparentemente tratam os sons
gerados eletronicamente como sons acusmáticos (ou seja, sons cuja origem é
desconhecida pelo ouvinte). Enquanto o primeiro enfatiza o lado problemático
da questão, deixando-a amplamente em aberto (pelo menos da perspectiva
que nos interessa aqui), Leman posteriormente relembra (Ibid., 112) as teorias
de Theodor Lipps (1903), que, embora não estejam particularmente ligadas ao
problema dos sons eletrônicos na argumentação de Leman, podem sugerir
uma possível solução. Em termos simples, Lipps argumenta que podemos ter
empatia com a forma dos objetos, projetando neles o que essa forma nos faz
sentir. Por exemplo, um objeto pontiagudo pode nos fazer projetar nele uma
sensação de incômodo, um determinado contorno melódico ou um timbre
específico pode nos lembrar de articulações ou situações corporais. A empatia
ainda está envolvida aqui, mas de uma forma diferente da que ocorre na
cognição incorporada. No entanto, essa perspectiva poderia nos dar alguns
insights para explicar o valor corporal dos sons eletrônicos nesse sentido.
Nossa perplexidade aqui é sobre a possibilidade de que a análise possa
facilmente mudar de um contexto em que o fator carnal é central para um em
que concepções mais abstratas de emotividade possam se tornar muito
importantes - o que é algo que, em última análise, não nos parece capaz de
responder à pergunta inicial.
Greg Corness relembra a questão eletrônica em seu artigo de 2008, e uma
de suas principais perguntas trata do problema de obter feedback diferente de
uma pessoa que usa o computador para escrever um e-mail em seu escritório
e de outra que o usa para fazer uma apresentação no palco. Embora a
desencarnação seja explicitamente abordada (Ibid., 21) como um dos principais
(se não o principal) aspectos da questão, a solução se concentra no contexto,
ou seja, na capacidade dos neurônios-espelho de "deduzir" a intenção do
De Carne e Aço: Criatividade computacional na música e na questão do corpo

agente a partir do próprio contexto (Ibid., 23). Novamente, isso não lida com o
problema original, e nos perguntamos se isso é possível. Arnie Cox (2016, 37)
descreve uma hierarquia de sons, desde aqueles com os quais é mais fácil
sentir uma relação até os que são menos imediatos:
1. Sons produzidos por instrumentos nos quais nossas mãos e bocas estão
diretamente envolvidas (por exemplo, voz, bateria de mão, violão)
2. Sons produzidos com a mediação de baquetas, teclas, arcos e outros (por
exemplo, bateria, piano, violino)
3. Sons eletrônicos criados por meio de controladores manuais (por exemplo,
teclado sintetizador)
4. Sons eletrônicos produzidos e modificados por meio de controladores em
tempo real (por exemplo, botões e controles deslizantes em sintetizadores).
5. Sons produzidos pela reprodução de música gravada (por exemplo, musique
concrète)
6. Sons humanos incidentais (por exemplo, '4'33"' de Cage)
7. Sons não produzidos por seres humanos (por exemplo, cantos de pássaros).

A afirmação geral que podemos entender a partir disso é que o toque (e o

corpo) humano pode ser mais ou menos responsável pelos sons produzidos.
Alguns dos sons em que essa responsabilidade não é evidente podem soar
"agradáveis para alguns ouvintes e desconcertantes e desagradáveis para
outros ouvintes" (Ibid., 212). Dito isso, a experiência de Cox sugere que,
embora alguns sons possam "resistir" ao que ele chama de "participação
mimética" - e não precisa ser música eletrônica, já que Cox menciona
'Atmosphères' de Ligeti como exemplo -, nunca há uma ocasião em que isso
chegue a zero (Ibid., 48). Os sons eletrônicos podem ser menos "corporais",
mas de alguma forma ainda são possíveis de serem incorporados. Embora isso
possa ser comprovado por mais pesquisas e experimentos, não podemos
deixar de nos perguntar se é verdade que recebemos menos feedback físico da
música eletrônica.
Como está, essa questão permanece em aberto até hoje, e sua resolução
poderia levar a desenvolvimentos interessantes a partir da perspectiva
apresentada aqui. Entender como sentimos um feedback incorporado dos sons
eletrônicos pode explicar por que a música eletrônica não soa tão "estranha" e
"fria" para nós, mas também pode abrir caminho para uma reconsideração dos
recursos das IAs. Nada destrutivo, porque a ausência de um corpo como o
nosso ainda impedirá que os computadores compreendam fisicamente a
música e a capacidade de criar algo significativo como consequência.
A visão geral teórica apresentada neste artigo - embora não esteja livre de
problemas que devem permanecer sem solução, por enquanto - argumenta a
favor de uma perspectiva na qual o papel do corpo perceptivo é primordial no
processo não apenas de experimentar a música, mas também de criá-la,
apesar das grandes conquistas obtidas no campo da criatividade
computacional. É por isso que argumentamos que a "questão do corpo" (e as
outras mencionadas anteriormente) representa um limite intrínseco à
criatividade computacional.
De Carne e Aço: Criatividade computacional na música e na questão do corpo

Referências
ALDINI, Alessandro, Vincenzo Fano e Pierluigi Graziani. 2016. "Alcune note sui
teoremi di incompletezza di Gödel e la conoscenza delle macchine." Tra Linguistica e
Intelligenza Artificiale. Università Degli Studi Di Pavia.
ANDERSON, Christopher, Arne Eigenfeldt e Philippe Pasquier. 2013. "O sistema
algorítmico generativo de música de dança eletrônica (GEDMAS)." Nona Conferência
de Inteligência Artificial e Entretenimento Digital Interativo, Northeastern University.
BABBAGE, Charles. 1889. Babbage's Calculating Engines: Being a Collection of
Papers Relating to Them, Their History and Construction [Os motores de cálculo de
Babbage: sendo uma coleção de artigos relacionados a eles, sua história e
construção]. Cambridge: Cambridge University Press.
BARTHES, Roland. 1977. Image, Music, Text [Imagem, Música, Texto]. Londres:
Fontana Press.
BECCUTI, Francesco. 2018. "La Disgiunzione Di Gödel." APhEx 18.
BERLEKAMP, Elwyn R., John H. Conway e Richard K. Guy. 1982. Winning Ways for
Your Mathematical Plays, Vol. 2. Londres: Academic Press.
BERTO Francesco e TAGLIABULEJ, acopo, "Cellular Automata", The Stanford
Encyclopedia of Philosophy (Fall 2017 Edition), Edward N. Zalta (ed.),
https://plato.stanford.edu/archives/fall2017/entries/cellular-automata/.
BESOLD, Tarek R., Marco Schorlemmer e Alan Smaill. 2015. Computational Creativity
Research (Pesquisa de criatividade computacional): Towards Creative Machines.
Paris: Atlantis Press.
BILES, John A. 1994. "GenJam: A genetic algorithm for generating jazz solos". Em
ICMC 94: 131-137.
BRENTANO, Franz. 1874. Psychologie vom empirischen Standpunkt. Hamburgo:
Meiner.
BRIOT, Jean-Pierre, Gaëtan Hadjeres e François-David Pachet. 2020. Deep Learning
Techniques for Music Generation (Técnicas de aprendizagem profunda para geração
de música). Cham, Suíça: Springer.
CALVO-MERINO, B., D.E. Glaser, J. Grèzes, R.E. Passingham e P. Haggard. 2005.
"Action Observation and Acquired Motor Skills (Observação da ação e habilidades
motoras adquiridas): An FMRI Study with Expert Dancers". Cerebral Cortex 15 (8):
1243-49.
CARNOVALINI, Filippo e RODÀ, Antonio. 2020. "Criatividade computacional e
sistemas de geração de música: An Introduction to the State of the Art". Frontiers in
Artificial Intelligence (Fronteiras em Inteligência Artificial) 3.
CHOMASKY, Noam. 1957. Syntactic Structures [Estruturas sintáticas]. The Hague:
Mouton.
CHURCH, Alonzo. "An unsolvable problem of elementary number theory" [Um
problema insolúvel da teoria elementar dos números]. American journal of
mathematics 58, no. 2 (1936): 345-363.
CHUTER, Jack. 2015. Storm Static Sleep: A Pathway through Post-Rock [Um caminho
pelo pós-rock]. Londres: Function Books.
COHEN, Harold. 1995. "The further exploits of AARON, painter". Stanford Humanities
Review 4 (2): 141-158.
COLTON, Simon, Jacob Goodwin e Tony Veale. 2012. "Geração de poesia de face
inteira". ICCC 2012, Universidade de Dublin.
COLTON, Simon. 2012. "The painting fool: Stories from building an automated painter".
Em Computers and creativity (Computadores e criatividade), editado por Jon
McCormack e Mark d'Inverno, 3-38. Berlim, Heidelberg: Springer.
COPE, David. 2001. Virtual Music: Computer Synthesis of Musical Style. Cambridge,
Mass: MIT Press.
COPE, David. 1992. "Computer modeling of musical intelligence in EMI" (Modelagem
computadorizada da inteligência musical no EMI). Computer Music Journal 16 (2): 69-
83.
COPE, David. 1991. "Recombinant music: using the computer to explore musical style"
(Música recombinante: usando o computador para explorar o estilo musical). Computer
24 (7): 22-28.
COPELAND, B. Jack, "The Church-Turing Thesis", The Stanford Encyclopedia of
Philosophy (Summer 2020 Edition), Edward N. Zalta (ed.), Disponível em
https://plato.stanford.edu/archives/sum2020/entries/church-turing/.
CORNESS, Greg. 2008. "The Musical Experience through the Lens of Embodiment".
Leonardo Music Journal 18: 21-24.
COX, Arnie. 2016. Music and Embodied Cognition (Música e Cognição Incorporada):
Listening, Moving, Feeling, and Thinking [Ouvindo, Movendo-se, Sentindo e
Pensando]. Bloomington, Indianápolis: Indiana University Press.
FERNANDEZ, Jose D. e VICO, Francisco. 2013. "AI Methods in Algorithmic
Composition: A Comprehensive Survey". Journal of Artificial Intelligence Research 48:
513-82.
FLORIDI, Luciano. 2016. The 4th Revolution: How the Infosphere Is Reshaping Human
Reality [A 4ª Revolução: Como a Infoesfera Está Remodelando a Realidade Humana].
Oxford: Oxford University Press.
GALLESE, Vittorio e Corrado Sinigaglia. 2011. "What Is so Special about Embodied
Simulation?" [O que há de tão especial na simulação incorporada? Trends in Cognitive
Sciences 15 (11): 512-19.
GALLESE, Vittorio. 2005. "Embodied Simulation: From Neurons to Phenomenal
Experience" (Dos neurônios à experiência fenomenal). Phenomenology and the
Cognitive Sciences 4 (1): 23-48.
GIBSON, James J. 1979. The Ecological Approach to Visual Perception [A abordagem
ecológica da percepção visual]. Boston: Houghton Mifflin.
GÖDEL, Kurt. 1995. "Some Basic Theorems on the Foundations of Mathematics and
Their Implications." (Alguns teoremas básicos sobre os fundamentos da matemática e
suas implicações), 1951. Em Kurt Gödel: Collected Works III, editado por S. Feferman,
De Carne e Aço: Criatividade computacional na música e na questão do corpo

J. W. Dawson, C. Parsons, R. M. Solovay e W. Goldfarb, Nova York: Oxford University

Press 3:33-82.
HASLINGER, B., P. Erhard, E. Altenmüller, U. Schroeder, H. Boecker e A. O. Ceballos-
Baumann. 2005. "Transmodal Sensorimotor Networks during Action Observation in
Professional Pianists" (Redes sensório-motoras transmodais durante a observação de
ações em pianistas profissionais). Journal of Cognitive Neuroscience 17 (2): 282-93.
HAUEISIN, Jens, e KNÖSCHE, Thomas R. 2001. "Involuntary Motor Activity in Pianists
Evoked by Music Perception" (Atividade motora involuntária em pianistas evocada pela
percepção musical). Journal of Cognitive Neuroscience 13 (6): 786-92.
HILLER Jr., Lejaren A. e ISAACSON, Leonard M. 1958. "Musical composition with a
high-speed digital computer" (Composição musical com um computador digital de alta
velocidade). Journal of the Audio Engineering Society 6 (3): 154-160.
KEMENY, John G. e SNELL, J. Laurie. 1976. Markov chains (Cadeias de Markov).
Nova York: Springer-Verlag.
LEMAN, Marc. 2007. Embodied Music Cognition and Mediation Technology (Cognição
musical incorporada e tecnologia de mediação). Cambridge, Mass: MIT Press.
LEWIS, George E. "Too many notes: Computers, complexity and culture in voyager".
Leonardo Music Journal (2000): 33-39.
MERLINI, Mattia e NICOLETTI, Stefano Maria. 2020. "Inhuman, All Too Inhuman:
Intrinsic Limits of Computational Creativity in Music" (Desumano, muito desumano:
limites intrínsecos da criatividade computacional na música). Riffs: Experimental
Writing on Popular Music 4 (1): 28-46.
MIRANDA, Eduardo Reck. "Cellular automata music: An interdisciplinary project."
Journal of New Music Research 22, no. 1 (1993): 3–21.
Molnar-Szakacs, Istvan, e OVERY, Katie. 2006. “Music and Mirror Neurons: From
Motion to ’e’motion’.” Social Cognitive and Affective Neuroscience 1 (3): 235–41.
MOORE, Allan F. 2001. Rock, the Primary Text: Developing a Musicology of Rock.
Second Edition. Hants: Ashgate.
NATTIEZ, Jean-Jacques. 2007. “Alcuni Concetti Fondamentali Di Storiografia Della
Musica: Periodizzazione, Spirito Del Tempo, Successione Di Generazioni.” Rivista Di
Analisi e Teoria Musicale 13 (1): 7–35.
NWANA, Hyacinth S. 1996. “Software agents: An overview.” The knowledge
engineering review 11 (3): 205–244.
REYBROUCK, Mark. 2006. “Music Cognition and the Bodily Approach: Musical
Instruments as Tools for Musical Semantics.” Contemporary Music Review 25 (1–2):
59–68.
SCHIAVIO, Andrea, Damiano Menin, e Jakub Matyja. 2014. “Music in the Flesh:
Embodied Simulation in Musical Understanding.” Psychomusicology: Music, Mind, and
Brain 24 (4): 340–43.
Searle, John R. 1980. “Minds, Brains, and Programs.” Behavioral and Brain Sciences 3
(3): 417–24.
SILVER, David, Thomas Hubert, Julian Schrittwieser, Ioannis Antonoglou, Matthew Lai,
Arthur Guez, Marc Lanctot, et al. “A General Reinforcement Learning Algorithm That
Masters Chess, Shogi, and Go through Self-Play.” Science 362 (6419): 1140–44.
SPAZIANTE, Lucio. 2007. Sociosemiotica del pop. Roma: Carocci.
TURING, Alan Mathison. “On computable numbers, with an application to the
Entscheidungsproblem.” J. of Math 58, no. 345–363: 5.
VLASSIS, Nikos. 2007. “A concise introduction to multiagent systems and distributed
artificial intelligence.” Synthesis Lectures on Artificial Intelligence and Machine Learning
1, no. 1: 1–71.
XENAKIS, Iannis. 2003. Musica, architettura. Milano: Spirali.
YANG, Li-Chia, Szu-Yu Chou, e Yi-Hsuan Yang. 2017. “MidiNet: A convolutional
generative adversarial network for symbolic-domain music generation.” arXiv preprint
arXiv:1703.10847.