一項國際研究合作報告稱，對上一個千禧年產生的藝術作品進行系統化的人工智能分析，可以揭示有關歷史進化藝術趨勢的信息。此外，結果很好地映射了關于藝術史的風格和時期的規范概念。

藝術分析通常是比較性的，并且歷史上由個體研究人員進行，這限制了研究的規模。單個學者一次比較少數幾幅畫是不切實際的。然而，近幾十年來，大量的歷史藝術品已被數字化并免費提供，從而實現了藝術分析的定量方法，這些方法以前是不可行的，如果不是不可能的話。

在由美國國家科學院院刊發表的新研究中，研究人員分析了由在線百科全書維基藝術主辦的137,364件視覺藝術品(主要是繪畫)的數據集。該網站包含超過2,000種藝術家的作品，超過100種風格。

每個文件都轉換為矩陣表示。通過應用機器學習算法，研究人員分析了相鄰像素之間的關系，并計算了兩個復雜度量度：歸一化置換熵H和統計復雜度 C.

H值量化圖像的像素排列中的無序程度。例如，接近零的值表示常規圖像，例如由極簡主義畫家產生的圖像。接近1的值表示看起來不規則或更無序的像素，例如Jackson Pollock的滴水畫。

統計復雜度C是工作結構復雜性的度量。在像素排列中呈現無序或有序的極端的繪畫產生零，因為這樣的工作具有低結構復雜性。當系統檢測到更復雜的空間模式時，該值為正。

將這兩種測量結合起來產生了復雜性 - 熵平面，作者指出這是一種已應用于許多其他領域的技術。這些措施不僅可以在一定的誤差范圍內預測繪畫的風格和周期; 他們的分析揭示了1000年來藝術的清晰軌跡，其復雜性 - 熵平面的過渡與藝術文獻中的規范時期相對應。

具體而言，研究人員可以清楚地看到與現代藝術之前和之后的時期相對應的熵和復雜性的明顯變化，以及從現代藝術到后現代藝術的轉變。他們在時間軸上描繪了這些轉變，并報告說“不難想象從第二次世界大戰結束后，從現代到后現代的過渡是由歷史書??中的后現代主義開始的事件所驅動的。”

研究人員指出，由于他們將分析局限于這兩種復雜度量，因此不可能完全捕捉到可能在藝術中編碼的信息豐富性。“然而，”他們寫道，“然而，我們的結果表明，簡單的物理啟發指標可以與藝術史學家提出的概念聯系起來，更重要的是，這些措施確實帶有關于藝術品，風格和進化的相關信息。”