Por Qué Esta IA no Necesita Datos Externos para Crear Arte y qué Significa para el Futuro

¿Imaginas una inteligencia artificial capaz de generar imágenes sin utilizar datos de entrenamiento, sin copiar ni imitar nada existente? El artista Terence Broad ha conseguido precisamente esto: desarrollar una IA que crea arte visual partiendo completamente de cero, sin ninguna influencia externa y sin recurrir a bancos de imágenes.

Esta estrategia supone un salto importante tanto para la creatividad digital como para la ética en el uso de inteligencia artificial. Si nunca has oído hablar del proyecto (un)stable equilibrium, vas a encontrar aquí no solo cómo funciona, sino también por qué desafía la idea tradicional de “entrenamiento” en IA y qué consecuencias tiene para el futuro artístico y tecnológico.

Una inteligencia artificial capaz de crear arte sin datos

Lo que ha logrado Broad rompe con la fórmula clásica: en vez de entrenar su IA con grandes volúmenes de datos, la ha hackeado para que funcione en un bucle recursivo sin influencias ajenas. Su herramienta es una variante de la conocida Generative Adversarial Network (GAN), pero con un giro inesperado.

En una GAN tradicional, existen dos redes: el generador y el discriminador. Normalmente, ambas compiten usando una base de datos real como referencia. Pero aquí, Broad ha reemplazado el papel del dataset por una segunda red generadora conectada en bucle, de forma que ambas se “imiten” mutuamente. Esta técnica elimina la dependencia de modelos basados en estadística de conjuntos de imágenes existentes.

Durante los primeros intentos, las imágenes resultantes eran simples manchas grises debidas a un problema frecuente en este tipo de arquitecturas: el llamado “mode collapse”. Al introducir un término técnico denominado “color variance loss”, logró que aparecieran formas y colores mucho más ricos y dinámicos. El sistema se abría así a explorar un espacio casi infinito de posibilidades visuales distintas.

¿Por qué este enfoque supone un cambio ético en la IA generativa?

Para Terence Broad, esta cuestión no es teórica: viene de una experiencia personal intensa. Tras años trabajando en la gestión de grandes conjuntos de datos de imágenes —por ejemplo, de cámaras de tráfico—, Broad se cansó de crear y manipular datasets, llegando a la conclusión de que no quería depender nunca más de materiales de terceros en sus proyectos creativos.

Su postura ética se reforzó más todavía después de un caso concreto: entrenó una red neuronal para reconstruir Cada fotograma de “Blade Runner” y, al mostrar la copia resultante, recibió un aviso de retirada por parte de Warner Bros., citando derechos de autor (DMCA).

La vivencia permitió evidenciar los problemas legales y morales alrededor del uso de datos ajenos sin consentimiento —y el riesgo de reproducir inconscientemente la obra de otros sin compensación.

Cómo influye el rechazo a los datos externos en la práctica artística de Broad

Broad lleva evitando de forma radical el entrenamiento de modelos generativos con imágenes ajenas desde 2016. Según él, esta decisión no surgió como un manifiesto ético general, sino más bien a partir del agotamiento que le producía la gestión rutinaria de datasets en el entorno laboral.

Al iniciar su doctorado en ciencias de la computación en Goldsmiths, University of London, se propuso llevar este principio hasta el final y buscar métodos que permitieran crear arte generado por IA sin requisitos de entrenamiento convencional. Esta búsqueda técnica, más que una declaración filosófica, es lo que termina marcando la diferencia de su trabajo.

El proceso creativo de una GAN sin training

Una IA es capaz de mostrar creatividad, incluso si solo se imita a sí misma. Broad pensó que, si todos los modelos generativos tradicionales se definen por copiar las estadísticas de unos datos, la única forma de crear algo genuinamente nuevo era evitar por completo ese proceso.

Por eso, en vez de usar imágenes externas, conectó dos generadores GAN dentro de un circuito cerrado en forma de bucle. Estos generadores aprenden uno del otro, simulando una especie de “diálogo infinito” que va produciendo imágenes nuevas sin influencias directas ni referencias pasadas.

Aunque el sistema empezó generando patrones monótonos, la cosa cambió al introducir variaciones de color que le dieron vida y profundidad.

El resultado es la serie (un)stable equilibrium: imágenes en perpetua transformación, parecidas en su simplicidad cromática a los cuadros tempranos de Rothko, pero que no reflejan ninguna referencia concreta salvo el propio proceso interno de la IA.

¿Por qué recuerdan las imágenes de la IA de Broad a obras como las de Rothko?

Muchos se sorprenden de que sin emplear obras ni datos ajenos, el modelo de Broad produzca imágenes que recuerdan a Rothko por sus campos de color y formas etéreas. Broad reconoce esa apariencia, pero defiende que lo relevante no es la estética puntual, sino el proceso puro de generación autónoma.

Curiosamente, aunque etiquetó algunas imágenes como “parecidas a Rothko” para su propio catálogo, subraya que la motivación principal a la hora de guardar o seleccionar resultados es la exploración técnica y la creatividad del sistema, no la comparación con artistas famosos.

Implicaciones éticas y creativas de una IA que no requiere datasets

Por un lado, reduce los riesgos legales asociados al uso indebido de obras ajenas, como el plagio o las reclamaciones por copyright. Por otro, te permite explorar nuevos territorios creativos sin trampas ni atajos, haciendo que el arte generado por IA no sea una simple suma de referencias previas.

Broad reconoce que su propio gusto juega un papel indirecto como “metaheurística”. Aunque la IA no se apoya en ejemplos previos, el propio artista influye en la selección y desarrollo del sistema y, hasta cierto punto, en los resultados finales, como ocurre en cualquier proceso creativo asistido por tecnología.

¿Es posible que una IA sea creativa sin influencias humanas externas?

La pregunta sobre si este tipo de IA puede considerarse “creativa” de forma pura nunca tiene una respuesta sencilla. Broad admite que el funcionamiento interno sigue siendo en parte un misterio: a pesar de comprender la mecánica general, no siempre puede explicar por qué el sistema genera unas imágenes y no otras concretas.

Esa incertidumbre resulta estimulante en sí misma y permite imaginar nuevas formas de colaboración entre la máquina y el artista, abiertas al azar y a la sorpresa continua.

La inteligencia artificial generativa es todavía una “caja negra”

Si lo comparamos con herramientas como Photoshop, donde tienes un control detallado de cada parámetro, la IA generativa moderna funciona de forma mucho más opaca. Solo puedes ver las entradas y las salidas, mientras que el proceso interno permanece como un secreto difícil de descifrar, incluso para expertos en la materia.

Broad lo resume señalando que compañías como OpenAI mantienen en secreto los detalles de cómo funcionan sus modelos e, irónicamente, su transparencia es menor de lo que parece por su propio nombre. Así, la mayoría de usuarios confían en modelos que, en el fondo, siguen siendo bastante inexplicables y cuyo funcionamiento real apenas se discute fuera de los círculos técnicos.

Esto provoca escepticismo: en un congreso, un asistente llegó a acusar a Broad de mentir cuando afirmó que no usó ningún dato de entrenamiento, reflejando la sorpresa y desconfianza que todavía genera este tipo de métodos.

Cómo el método de Broad ayuda a desmitificar la inteligencia artificial actual

Afirmar que la IA puede producir arte “de la nada” parece algo casi mágico, pero el propio Broad insiste en que, al final, todo se reduce a operaciones matemáticas: multiplicación de matrices, ajustes y programación. El misticismo o la mitología que rodea a estas tecnologías bloquea un debate más honesto sobre sus auténticas capacidades y limitaciones.

Al proponer una vía basada en el proceso y no en la acumulación de datos, Broad contribuye a romper la ilusión de que la IA tiene un conocimiento casi humano, cuando en realidad opera bajo estrictas reglas técnicas y algoritmos predecibles para los especialistas.

Comparación entre IA generativa basada en datasets y generación sin datos externos

¿Cuáles son las diferencias reales entre trabajar con IA generativa tradicional y la técnica presentada por Broad? Conviene repasar las características clave:

• IA basada en datos externos: Aprende imitando las estadísticas de grandes conjuntos de imágenes accesibles; los resultados son combinaciones o “collages” de lo existente.
• IA sin entrenamiento externo (como la de Broad): Produce imágenes utilizando solo reglas internas, sin referencias explícitas; el sistema se retroalimenta a sí mismo.
• Ética y legalidad: El uso de datos ajenos siempre implica riesgos legales y dilemas éticos, mientras que el método de Broad elimina casi totalmente estos problemas.

La pregunta para futuros artistas y desarrolladores es si este enfoque terminará abriéndose camino frente a las poderosas y opacas plataformas comerciales.

Esta obra de Terence Broad demuestra que es posible crear arte con inteligencia artificial sin recurrir a datos de entrenamiento ni copiar imágenes previas. Su método, basado en un bucle recursivo entre generadores, desafía los modelos convencionales de IA basada en datasets, abriendo un camino mucho más ético y transparente.

Al explorar el funcionamiento interno de estas redes, queda claro que la creatividad artificial no es mágica, sino fruto de procesos matemáticos, decisiones del programador y, en ocasiones, un misterio estimulante para quienes buscan nuevos horizontes en la creación digital.