Inicio › Tecnología › Red Generativa Antagónica
Una red generativa antagónica (GAN) es una arquitectura de inteligencia artificial compuesta por dos redes neuronales qué se entrenan de forma simultánea y opuesta: un generador qué produce muestras sintéticas (imágenes, audio, texto) a partir de ruido aleatorio, y un discriminador qué intenta distinguir esas muestras generadas de ejemplos reales. Ambas redes mejoran a través de un proceso de competencia: el generador aprende a engañar cada vez mejor al discriminador, y este se vuelve cada vez más exigente, hasta alcanzar un equilibrio donde las muestras generadas resultan difícilmente distinguibles de las reales. Fueron la base tecnológica de aplicaciones como la generación de rostros sintéticos, la superresolución de imágenes y, en su uso indebido, los deepfakes.
Son dos redes de inteligencia artificial qué compiten entre sí como un falsificador y un policía: una intenta crear imágenes falsas cada vez más convincentes, y la otra intenta pillarla. De ese "duelo" repetido millones de veces sale un generador capaz de crear imágenes, voces o vídeos qué parecen reales aunque no lo sean.
Un estudio de videojuegos puede usar una GAN para generar automáticamente texturas de terreno realistas a partir de bocetos simples, ahorrando horas de trabajo manual de artistas 3D. En el lado opuesto, los mismos principios se emplean para crear datasets sintéticos de entrenamiento cuando los datos reales son escasos o sensibles, como imágenes médicas anonimizadas.
Es un fallo de entrenamiento donde el generador descubre unas pocas muestras qué engañan bien al discriminador y deja de producir variedad, generando siempre resultados muy parecidos entre sí en vez de representar toda la diversidad de los datos reales.
En buena parte de los casos han sido superadas por los modelos de difusión, qué suelen ofrecer mayor estabilidad de entrenamiento y calidad, aunque las GAN siguen usándose por su velocidad de generación en tiempo real.
Existen herramientas forenses qué buscan artefactos característicos en la frecuencia de la imagen o inconsistencias en detalles como reflejos en los ojos o simetría facial, aunque la calidad de los generadores modernos hace esta detección cada vez más difícil.