Sala 4 · El despertar · 2014
Redes generativas antagónicas
Redes generativas antagónicas (Ian Goodfellow y colegas, 2014): Dos redes que compiten y se mejoran entre sí.
En una GAN, un generador intenta crear imágenes falsas que parezcan reales y un discriminador intenta distinguirlas de las verdaderas. Al competir, ambos mejoran, y el generador termina produciendo imágenes cada vez más convincentes.
En junio de 2014, Ian Goodfellow y sus colegas de la Universidad de Montreal, en el grupo dirigido por Yoshua Bengio, publicaron "Generative Adversarial Nets". El artículo se presentó en la conferencia NIPS ese mismo diciembre e introdujo una de las ideas más influyentes de la IA generativa antes de los modelos de difusión.
Una GAN tiene dos redes con objetivos opuestos. El generador parte de ruido aleatorio e intenta producir datos, como imágenes, que parezcan reales. El discriminador recibe una mezcla de imágenes reales y de imágenes del generador, y trata de distinguir cuáles son cuáles. Cada red se entrena contra la otra. Cuando el discriminador mejora para detectar falsificaciones, el generador tiene que mejorar para engañarlo, y cuando el generador mejora, el discriminador debe afinar su criterio. En el caso ideal, la competencia termina cuando las imágenes del generador son indistinguibles de las reales.
Los primeros resultados fueron imágenes pequeñas y borrosas de dígitos y rostros. En los años siguientes, las mejoras en la arquitectura y en el entrenamiento hicieron que el avance fuera rápido. En 2019, las redes StyleGAN de Nvidia producían rostros fotográficos de personas que no existen, con tanta credibilidad que un sitio web que mostraba uno nuevo en cada visita se volvió viral.
Las GAN también se usaron para convertir bocetos en fotos, cambiar la estación del año en un paisaje, restaurar imágenes antiguas y, de forma polémica, crear deepfakes: videos e imágenes falsos de personas reales. Este último uso colocó a las GAN en el debate público sobre medios sintéticos y consentimiento, que puedes seguir en nuestras secciones de Cultura y Seguridad.
En la generación de imágenes, los modelos de difusión tomaron después la delantera, como verás en la Sala 5. La idea adversarial sigue siendo un clásico.
Pregunta a tu IA: explica una GAN como un duelo entre un falsificador y un detective, y luego explica dónde falla la analogía.
Fuente: arxiv.org/abs/1406.2661
Verla en el museo →← word2vec: el significado como geometría · DeepMind aprende a jugar Atari →
Cómo citar: Nazareno, I. (2026). Redes generativas antagónicas (2014). New Mind Museum. Consultado el 17 de noviembre de 2026, en https://newmindmuseum.com/es/museo/redes-generativas-antagonicas-2014/