La versión original de esta historia apareció en Magazine Quanta.
Una vez nos prometieron autos autónomos y doncellas robots. En cambio, hemos visto el surgimiento de los sistemas de inteligencia artificial que pueden vencernos en el ajedrez, analizar enormes resmas de texto y componer sonets. Esta ha sido una de las grandes sorpresas de la era moderna: las tareas físicas que son fáciles para los humanos resultan ser muy difíciles para los robots, mientras que los algoritmos son cada vez más capaces de imitar nuestro intelecto.
Otra sorpresa que ha largado investigadores perplejos es la habilidad de esos algoritmos para su propio tipo de creatividad extraña.
Los modelos de difusión, la columna vertebral de las herramientas de generación de imágenes como Dall · E, Imagen y Difusión estable, están diseñadas para generar copias de carbono de las imágenes en las que han sido entrenadas. En la práctica, sin embargo, parecen improvisar, combinando elementos dentro de las imágenes para crear algo nuevo, no solo manchas de color sin sentido, sino imágenes coherentes con significado semántico. Esta es la “paradoja” detrás de los modelos de difusión, dijo Giulio Biroli, investigador de IA y físico de la École Normale Supérieure en París: “Si funcionaron perfectamente, deberían memorizar”, dijo. “Pero no lo hacen, realmente pueden producir nuevas muestras”.
Para generar imágenes, los modelos de difusión utilizan un proceso conocido como Denoising. Convierten una imagen en ruido digital (una colección incoherente de píxeles), luego la vuelven a montar. Es como colocar repetidamente una pintura a través de una trituradora hasta que todo lo que le queda es un montón de polvo fino y luego volver a juntar las piezas. Durante años, los investigadores se han preguntado: si los modelos se vuelven a armar, ¿cómo entra la novedad en la imagen? Es como reensamblar tu pintura rallada en una obra de arte completamente nueva.
Ahora, dos físicos han hecho una afirmación sorprendente: son las imperfecciones técnicas en el proceso de desnudos en sí lo que conduce a la creatividad de los modelos de difusión. En un artículo presentado en la Conferencia Internacional sobre Aprendizaje Machine 2025, el dúo desarrolló un modelo matemático de modelos de difusión capacitados para demostrar que su llamada creatividad es, de hecho, un proceso determinista, una consecuencia directa e inevitable de su arquitectura.
Al iluminar la caja negra de los modelos de difusión, la nueva investigación podría tener grandes implicaciones para futuras investigaciones de IA, y tal vez incluso para nuestra comprensión de la creatividad humana. “La verdadera fuerza del documento es que hace predicciones muy precisas de algo muy no trivial”, dijo Luca Ambrogioni, científica informática de la Universidad de Radboud en los Países Bajos.
Inferior
Mason Kamb, un estudiante graduado que estudia física aplicada en la Universidad de Stanford y el autor principal del nuevo artículo, ha sido fascinado por la morfogénesis: los procesos por los cuales los sistemas vivos se autoensamblan.
Una forma de comprender el desarrollo de embriones en humanos y otros animales es a través de lo que se conoce como un patrón de Turing, que lleva el nombre del matemático del siglo XX Alan Turing. Los patrones de Turing explican cómo grupos de células pueden organizarse en órganos y extremidades distintas. Crucialmente, toda esta coordinación tiene lugar a nivel local. No hay CEO que supervisa los billones de células para asegurarse de que todos se ajusten a un plan de cuerpo final. Las células individuales, en otras palabras, no tienen un plano terminado de un cuerpo en el que basar su trabajo. Solo están tomando medidas y haciendo correcciones en respuesta a las señales de sus vecinos. Este sistema de abajo hacia arriba generalmente funciona sin problemas, pero de vez en cuando sale mal, produciendo manos con dedos adicionales, por ejemplo.
