Generative AI

La IA generativa es la rama de la inteligencia artificial (IA) cuyos modelos aprenden la distribución de probabilidad de sus datos de entrenamiento y generan muestras nuevas a partir de ella: texto, imágenes, audio, vídeo, código, escenas 3D o estructuras moleculares. Un modelo discriminativo aprende p(etiqueta | entrada), la probabilidad de una etiqueta dada una entrada, mientras que un modelo generativo aprende la propia p(entrada) o p(entrada | instrucción), por lo que puede generar entradas que nunca habían existido. El término pasó a formar parte del uso cotidiano tras el lanzamiento de ChatGPT por OpenAI el 30 de noviembre de 2022, pero los métodos son anteriores: Diederik Kingma y Max Welling presentaron el autocodificador variacional en 2013, e Ian Goodfellow y sus colaboradores presentaron las redes generativas antagónicas en 2014.

Cómo funcionan los modelos generativos#

Cuatro familias de modelos de aprendizaje profundo producen la mayor parte de la IA generativa actual, y todos los modelos de lenguaje de gran tamaño (LLM) de tipo GPT pertenecen a la primera:

• Transformers autorregresivos: Generan una secuencia token a token; cada token depende de todo lo escrito hasta ese momento. Se utilizan para texto, código, voz e imágenes tokenizadas.
• Modelos de difusión: Añaden ruido a las muestras de entrenamiento y aprenden a eliminarlo paso a paso, de modo que la generación parte de ruido puro y lo va convirtiendo en una muestra. Stable Diffusion, publicado en agosto de 2022, ejecuta este proceso en un espacio latente comprimido.
• Redes generativas antagónicas (GAN): Entrenan un generador frente a un discriminador que intenta distinguir las muestras reales de las generadas, lo que impulsa al generador a producir resultados realistas en una sola pasada hacia delante.
• Autocodificadores variacionales (VAE): Codifican los datos en un espacio latente con una distribución conocida y decodifican muestras extraídas de él. Los modelos de difusión latente utilizan un VAE para comprimir las imágenes antes de eliminar el ruido.

La idea subyacente se explica en pocas líneas. Un modelo de mezcla gaussiana aprende la distribución de las 150 flores del conjunto de datos Iris y genera muestras nuevas; un clasificador discriminativo entrenado con los mismos datos las etiqueta:

from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.mixture import GaussianMixture

iris = load_iris()  # 150 flores: longitud y anchura de sépalos y pétalos en cm

# Modelo discriminativo: aprende p(especie | medidas), por lo que solo puede etiquetar flores
classifier = LogisticRegression(max_iter=1000).fit(iris.data, iris.target)

# Modelo generativo: aprende la propia p(medidas), por lo que puede generar flores nuevas
generator = GaussianMixture(n_components=3, random_state=0).fit(iris.data)
new_flowers, _ = generator.sample(3)

# El modelo discriminativo etiqueta las muestras generadas
for flower, species in zip(new_flowers.round(1), classifier.predict(new_flowers)):
    print(flower, iris.target_names[species])

Las tres flores generadas como muestra —por ejemplo, una con sépalos de 4,7 cm y pétalos de 1,4 cm— nunca se habían medido y, aun así, el clasificador las asigna a versicolor, setosa y virginica, porque los tres grupos de la mezcla coinciden con las tres especies. Un generador de texto o imágenes sustituye las tres gaussianas por una red neuronal con miles de millones de parámetros y las medidas por tokens o píxeles.

Modelos generativos y discriminativos en conjunto#

La clasificación de imágenes y la detección de objetos son tareas discriminativas: YOLO26 transforma una imagen en cuadros y clases, pero no puede dibujar imágenes. A menudo, los dos tipos de modelo trabajan en secuencia. La anotación inteligente guiada por clases de Ultralytics Platform utiliza modelos generativos de lenguaje y visión (VLM), con Moondream 3.1 como opción predeterminada, para dibujar cuadros para los nombres de clase de un conjunto de datos; después, los cuadros revisados se convierten en etiquetas para entrenar un detector YOLO26.

Los generadores también crean datos sintéticos para sucesos poco frecuentes que resultan caros o peligrosos de fotografiar, como defectos inusuales o peligros en la carretera; los flujos de trabajo de generación de datos sintéticos mezclan esas imágenes con imágenes reales para el entrenamiento. También es habitual el proceso inverso: los detectores y clasificadores puntúan las imágenes generadas para evaluar su calidad o marcar contenido no seguro.

Aplicaciones#

• Generación de texto: Los asistentes conversacionales, la síntesis y la traducción se basan en LLM, y los asistentes de programación escriben y prueban software a partir de una descripción.
• Texto a imagen: Modelos como Stable Diffusion crean imágenes a partir de instrucciones, y esos mismos modelos rellenan o sustituyen zonas enmascaradas de una fotografía.
• Texto a vídeo: Modelos como Sora, de OpenAI, presentado en febrero de 2024, generan clips de vídeo a partir de una descripción.
• Estructura molecular: AlphaFold 3, de Google DeepMind e Isomorphic Labs, publicado en mayo de 2024, predice las estructuras de complejos proteicos mediante un módulo basado en difusión que genera coordenadas atómicas.

Riesgos y limitaciones#

Los generadores de lenguaje alucinan afirmaciones convincentes pero falsas; los generadores de imágenes y voz facilitan los ultrafalsos, y el entrenamiento con datos de la web plantea dudas sobre los derechos de autor y el consentimiento. Las marcas de agua de IA y las credenciales de contenido C2PA identifican los medios generados para que puedan reconocerse más adelante. El contenido generado también acaba incorporándose de nuevo a los datos de entrenamiento: Ilia Shumailov y sus colaboradores demostraron en La maldición de la recursión, publicado en Nature en 2024, que los modelos entrenados de forma recursiva con sus propios resultados pierden los casos poco frecuentes de la distribución original; dieron a este fallo el nombre de colapso del modelo.