Modelos Generativos

Un modelo generativo es un sistema de aprendizaje automático que aprende o aproxima la distribución de probabilidad de un conjunto de datos y puede usarla para generar muestras nuevas y verosímiles, como imágenes, texto, audio o vídeo.

En clasificación, un modelo discriminativo modela la probabilidad condicional p(y|x), «qué etiqueta corresponde a esta entrada», mientras uno generativo modela p(x) o la distribución conjunta p(x,y), lo que permite muestrear ejemplos además de clasificarlos. Andrew Ng y Michael Jordan formalizaron en 2001 la distinción entre clasificadores generativos, que modelan p(x,y), y discriminativos, que modelan p(y|x); la posibilidad de crear muestras proviene de modelar una distribución, no de la etiqueta por sí sola.

Un modelo generativo es un modelo de aprendizaje automático capaz de producir contenido nuevo, como texto, imágenes, audio o vídeo, a partir de los patrones aprendidos durante el entrenamiento.

Las familias: autorregresivos, VAE, GAN y difusión

Cuatro grandes familias dominan el campo. Los modelos autorregresivos generan una muestra elemento a elemento, prediciendo el siguiente a partir de los anteriores; es el principio de los modelos GPT para texto, que escriben palabra a palabra. Los autoencoders variacionales (VAE), propuestos por Diederik Kingma y Max Welling en 2013, comprimen los datos en un espacio latente probabilístico del que luego se muestrea para reconstruir ejemplos nuevos. Las redes generativas antagónicas (GAN), introducidas por Ian Goodfellow y su equipo en 2014, enfrentan a dos redes —un generador que fabrica muestras y un discriminador que intenta detectarlas— en un juego que afina al generador. Y los modelos de difusión, formalizados por Jonathan Ho, Ajay Jain y Pieter Abbeel en 2020, añaden ruido a los datos paso a paso y aprenden a revertir ese proceso; hoy son la base de la generación de imágenes de mayor calidad. Cada familia tiene ficha propia en este glosario. Documentación: glosario técnico de Google; artículo original de VAE; artículo original de GAN; artículo original de difusión.

Por qué ahora: la IA generativa

Los modelos generativos son el motor de la IA generativa, el fenómeno tecnológico dominante de la década. La conjunción de arquitecturas maduras, cómputo a gran escala y conjuntos de datos enormes ha hecho que sistemas capaces de escribir, dibujar, programar o componer pasen del laboratorio al uso cotidiano. Lo que antes eran demostraciones académicas hoy son herramientas que millones de personas emplean a diario, y esa masividad es lo que ha empujado a la IA generativa al centro de la conversación económica, cultural y regulatoria. Documentación: informe original sobre modelos fundacionales; glosario técnico de Google.

Límites honestos

Conviene no confundir fluidez con fiabilidad. Evaluar un modelo generativo es intrínsecamente difícil: no existe una única respuesta correcta contra la que medir, y las métricas automáticas capturan mal la calidad real. Estos sistemas también producen alucinaciones —afirmaciones falsas expresadas con aplomo— y artefactos visuales o sonoros que delatan lo sintético. Y quedan abiertas cuestiones de fondo sobre los datos con que se entrenan y sobre la autoría de lo que generan, en disputa técnica, legal y ética. Son debates sin cierre: aquí los señalamos, no los zanjamos.