La historia de la IA

Redes generativas antagónicas

Etapa 4 · Aprendizaje profundo y modelos fundacionales (2012–2021) › Modelos generativos de imagen

Linaje
Neuronas y redes
Tipo
Publicación

Quién

Universidad de Montreal

Qué ocurrió

Ian Goodfellow y siete colegas de la Universidad de Montreal, entre ellos Yoshua Bengio, proponen las redes generativas antagónicas (GAN): dos redes que se entrenan compitiendo, una generando muestras falsas y otra intentando distinguirlas de las reales.

Qué aportó

Un generador que aprende sin que nadie le diga cómo debe ser una buena imagen, solo intentando engañar a un rival. Durante varios años son el método de referencia para generar imágenes realistas.

Desarrollo

Los modelos generativos de la época tenían que calcular, o aproximar con métodos costosos, la probabilidad de cada dato. Goodfellow y sus colegas propusieron saltarse ese cálculo con un juego entre dos redes.

El generador recibe ruido aleatorio y produce una muestra, por ejemplo una imagen. El discriminador recibe imágenes, unas reales y otras del generador, y estima cuáles son auténticas. El generador se entrena para que el discriminador se equivoque, y el discriminador para acertar. Los autores lo formularon como un juego de suma cero entre dos jugadores y demostraron que, en teoría, tiene una solución única: el generador reproduce exactamente la distribución de los datos y el discriminador ya no puede hacer otra cosa que responder al azar. Como las dos piezas son redes neuronales, todo se entrena con retropropagación.

En la práctica el juego era difícil de equilibrar. Con frecuencia el generador sufría colapso de modos: aprendía a producir solo unos pocos tipos de imagen y olvidaba el resto.

Aun así, en pocos años las GAN pasaron de dígitos borrosos a caras de personas que no existen. Las que generaba StyleGAN, de Nvidia, en 2019, se compararon con las ultrafalsificaciones, y abrieron la preocupación por los perfiles falsos y la manipulación de imágenes.

Una caja «ruido z» lleva al «generador», que envía una flecha «falsa» al «discriminador». Otra caja, «datos reales», envía una flecha «real» al mismo discriminador, que responde «¿real o falsa?». Una línea discontinua vuelve de esa respuesta al generador.

El generador convierte ruido en muestras falsas; el discriminador recibe muestras falsas y reales y dice cuáles son cuáles. El generador aprende de los aciertos del discriminador.

Nivel técnico

Goodfellow y sus coautores lo plantearon como un juego entre dos redes: min_G max_D E[log D(x)] + E[log(1 − D(G(z)))]. El discriminador D intenta dar 1 a los datos reales x y 0 a las muestras G(z) fabricadas a partir de ruido z; el generador G intenta lo contrario.

El artículo demuestra que, si las dos redes tuvieran capacidad ilimitada, el equilibrio llegaría cuando el generador reproduce exactamente la distribución de los datos y el discriminador da 1/2 a todo, porque ya no puede distinguir.

Bibliografía

Fuente original

Cómo citar

«Redes generativas antagónicas». En La historia de la IA, revisión del 13 de noviembre de 2026. https://thehistoryofai.com/es/hito/redes-generativas-antagonicas

Última revisión de esta ficha: 13 de noviembre de 2026.

Abrir en la cronología interactiva