Comprensión multirrelacional del arte

Este texto presenta CANVAS, un marco de IA especializado diseñado para mejorar la interpretación que los modelos de aprendizaje automático hacen de la compleja naturaleza multicapa de las bellas artes. Los modelos tradicionales de visión y lenguaje suelen fallar porque intentan comprimir cada aspecto de una pintura —como su contexto histórico, estilo e intención del artista— en una única representación matemática rígida. Para solucionar esto, los investigadores utilizaron la teoría de haces celulares para crear un sistema que proyecta una obra de arte en diferentes "subespacios" según la perspectiva específica que se analice. Los autores también presentan tres nuevos conjuntos de datos de referencia —HertzianaDP, WikiArt+ y SemArt+— para evaluar la capacidad de estos modelos para manejar diversas relaciones histórico-artísticas. Los resultados experimentales demuestran que CANVAS supera significativamente a los modelos de referencia existentes en tareas como la recuperación y clasificación multimodal. En definitiva, este trabajo sugiere que la comprensión del arte requiere un enfoque multirrelacional que pueda adaptarse a diferentes perspectivas interpretativas sin necesidad de un grafo de conocimiento predefinido durante su uso práctico.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "Art Beyond Semantics: Sheaf-Informed Contrastive Learning for Multi-Relational Representations". Por Ludovica Schaerf y colegas. Publicado el 15 de Julio de 2026.

El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

---

Resumen

Beto
Así que, si le muestras a una inteligencia artificial una imagen de un perro, dice "perro". Y quiero decir, es increíblemente segura al respecto. Dibuja una pequeña caja delimitadora alrededor del golden retriever. Te da una puntuación de probabilidad del 99%. Y sabes, todos simplemente seguimos adelante.

Alicia
Correcto. Sí. Trabajo hecho.

Beto
Exacto. Pero ¿qué pasa cuando le muestras a esa misma IA, una obra maestra del arte moderno? ¿Puede una computadora realmente comprender los matices, la historia y la emoción? ¿O solo ve, no sé, una disposición estadística de píxeles en una pantalla?

Alicia
Bueno, realmente expone una limitación fundamental en cómo se han construido históricamente estos sistemas. Quiero decir, los hemos entrenado para ser máquinas de categorización.

Están constantemente buscando la etiqueta única, más obvia para poner en un punto de datos. Pero el arte, por su propia naturaleza, se niega a ser categorizado tan simplemente. Una pintura nunca es solo una cosa.

Beto
Sí. Lo que nos lleva a hoy. Bienvenidos a esta inmersión profunda a medida, a todos. Hoy estamos viendo un artículo de investigación muy fascinante que introduce un modelo llamado CANVAS, que significa "Contrastive Art-aware Network for Vision-Language Alignment with Sheaves", permítanme acertar: "Arte contrastivo, red consciente para visión, lenguaje y alineación con las obras".

Alicia
Acertado.

Beto
Gracias. Y el objetivo de esta inmersión profunda es explorar cómo los científicos de la computación están rompiendo activamente este molde de respuesta única de la IA. Están enseñando a las máquinas a analizar información compleja y estratificada exactamente como lo haría un experto humano. Y están empezando por la historia del arte. Pero, esta tecnología tiene implicaciones masivas en cómo interactúas con la información todos los días.

Alicia
Realmente lo tiene. Es un cambio enorme.

Arte más allá de la semántica: Aprendizaje multimodal multi-relacional con CANVAS

Beto
De acuerdo. Desglosemos esto. Porque antes de que podamos hablar de cómo CANVAS realmente resuelve este problema, necesitamos mirar por qué las arquitecturas de IA actuales son esencialmente ciegas a la verdadera naturaleza del arte.

Alicia
Sí. Y se reduce a un cuello de botella estructural llamado "alineación homogénea".

Beto
Alineación homogénea. De acuerdo.

Alicia
Correcto. Entonces, los modelos estándar de visión y lenguaje, o VLMs ... (piensa en sistemas como los modelos CLIP, que impulsan una gran parte de las herramientas de imagen de IA que probablemente usas) ... están entrenados con conjuntos de datos masivos de pares de imágenes y texto extraídos de internet abierto.

Beto
Como el conjunto de datos LAION-2B, ¿correcto?

Alicia
Exacto. Conjuntos de datos enormes. Y todo el objetivo de ese proceso de entrenamiento es encontrar una única relación universal y fija entre una imagen y una cadena de palabras. Es completamente binario.

Beto
Así que este texto específico coincide con esta imagen específica. Y todo lo demás en toda la base de datos es una falta de coincidencia.

Alicia
Lo cual funciona maravillosamente si solo estás tratando de identificar una foto de una taza de café, o un perro.

Pero los investigadores en este artículo presentan un ejemplo específico que ilustra perfectamente por qué este enfoque binario simplemente falla con datos complejos.

Beto
Correcto. La pintura de Matisse.

Henri Matisse: Les papiers découpés ("La gerbe", "The Sheaf")

Alicia
Correcto.

Beto
Sí. La pintura de Henri Matisse es de 1953, "La gerbe", que se traduce "la yerba". Visualmente, si solo estás mirando la superficie, es básicamente una colección de formas abstractas de hojas de colores brillantes, sabes, azules, verdes, naranjas, negros, simplemente dispuestas contra un fondo blanco liso.

Alicia
Sí.

Beto
Si le preguntas a una IA estándar qué es, por defecto se inclina por la traducción más literal y podría simplemente producir como "hojas coloridas". Se pierde por completo el punto de la imagen.

Alicia
Porque un historiador del arte humano no solo ve hojas de colores. Aplican múltiples modos de comprensión distintos a esa única imagen simultáneamente.

Beto
Oh, absolutamente.

Alicia
Primero, tienes el contexto histórico. Esta pieza específica representa un cambio de posguerra en el movimiento fauvista. Luego tienes la interpretación estilística. Está profundamente ligada al expresionismo abstracto, que se caracteriza por este acto espontáneo de creación. Pero también se conecta profundamente con las raíces tempranas de Matisse, con su uso intenso y no naturalista del color.

Beto
Y luego, añades el análisis conceptual encima de eso. Como, ¿qué está tratando de lograr Matisse en el lienzo? Está explorando la ambigüedad espacial. Hay este conflicto visual deliberado sucediendo en la pintura entre la ilusión de profundidad porque estas formas de hojas se superponen.

Alicia
Correcto. Jugando con el espacio.

Beto
Exacto. Superponiéndose entre sí y el reconocimiento crudo de la planitud absoluta del lienzo en sí. Todas estas interpretaciones, las históricas, las estilísticas, las conceptuales, son completamente válidas. Todas son ciertas al mismo tiempo.

Alicia
Pero bajo el capó de una IA estándar, la arquitectura físicamente no puede manejar esas múltiples verdades coexistentes.

Beto
Simplemente se rompe.

Alicia
Básicamente, sí. Si intenta aprender todas estas interpretaciones válidas, pero totalmente diferentes a partir de diversos textos, literalmente no tiene dónde almacenarlas como ideas distintas. Toda esa riqueza, toda esa estructura multi-relacional se colapsa en un promedio turbio y único.

Beto
Un promedio turbio.

Alicia
Correcto. El espacio de incrustación, que es la representación matemática de la imagen dentro del cerebro de la computadora, sufre de un colapso semántico único. Se convierte en una borrosidad comprometida que no representa con precisión el estilo, ni la historia, ni el concepto.

Beto
Vaya. Me hace pensar en algo como aplanar un archivo CAD de alta complejidad y alta dimensión en solo una imagen JPEG 2D básica.

Alicia
Oh, esa es una forma muy buena de pensarlo.

Beto
Correcto. Porque en el archivo original, puedes rotar el objeto, puedes hacer zoom, puedes mirar la estructura arquitectónica desde arriba, desde el lado, desde abajo. Pero en el momento en que lo comprimes en un JPEG, lo estás forzando a una única perspectiva estática.

Alicia
Sí.

Beto
Pierdes por completo la capacidad de verlo desde cualquier otro ángulo. Los datos podrían seguir técnicamente ahí en los píxeles, pero el matiz estructural simplemente desaparece.

Alicia
Esa es una analogía excelente para la alineación homogénea. Pierdes la dimensionalidad. Puesto que la arquitectura estándar de VLM fundamentalmente no puede manejar múltiples perspectivas del mismo objeto, los investigadores detrás de CANVAS se dieron cuenta de que no podían simplemente aplicar una actualización de software al modelo CLIP existente.

Beto
Tenían que empezar de nuevo.

Alicia
Exacto. Tuvieron que recurrir a matemáticas avanzadas para construir un marco completamente nuevo desde cero.

Beto
Enonces, si un único espacio matemático es el enemigo del matiz, ¿cómo construyes un espacio que realmente se doble y se adapte a lo que estás buscando?

Alicia
Bueno, proyectas la obra de arte en múltiples incrustaciones diferentes, condicionadas totalmente por el tipo de relación que quieres explorar.

Beto
Condicionadas por la relación.

Alicia
Correcto.

Así que si le preguntas al modelo sobre el contexto histórico, proyecta los datos de una manera. Si preguntas por el estilo artístico, lo proyecta de una manera totalmente diferente. Y lo fascinante aquí es el concepto matemático específico que utilizan para lograr esto. Se llama "teoría de la vaina celular" ("Sheaf Cellular Theory").

Beto
De acuerdo. Teoría de la vaina celular. Eso suena como algo que necesitas un doctorado en matemáticas puras, incluso para cifrar.

Alicia
Bueno, es un concepto denso, no voy a mentir. Pero en esencia, es solo una forma de modelar datos en un grafo que captura tanto los detalles locales como las estructuras globales.

En CANVAS, el modelo funciona como un grafo bipartito.

Beto
Un grafo bipartito. Así que imagina las obras de arte, como las imágenes crudas como un conjunto de nodos en, digamos, el lado izquierdo de una pizarra blanca.

Alicia
De acuerdo. Sí.

Beto
Y las descripciones de texto son otro conjunto de nodos en el lado derecho de la pizarra blanca.

Alicia
Perfecto.

Beto
Lo que significa que las aristas, las líneas que conectan el lado izquierdo con el derecho, representan las relaciones semánticas específicas, como autor o estilo o contexto histórico.

Alicia
Tienes la estructura exactamente correcta. Ahora en una red neuronal de grafos estándar, los datos simplemente fluyen de un lado a otro a través de esas líneas entre los nodos. Pero en una vaina celular, introduces estos elementos llamados "espacios vectoriales", o "stocks".

Beto
Stocks.

Alicia
Correcto. Stocks que están adjuntos tanto a los nodos como a las aristas. Y el trabajo pesado lo hacen algo llamado "mapas de restricción".

Beto
Mapas de restricción. De acuerdo. Estoy siguiendo.

Alicia
Estos mapas, codifican cómo la información en un nodo se relaciona con la información en la arista específica.

Así que no es solo un puente simple que mueve datos del punto A al punto B. Es un filtro activo que transforma los datos a medida que se mueven.

Beto
Transformando los datos. El artículo señala que implementan este mecanismo usando "modulación lineal basada en características" o "feature-wise linear modulation".

Y si estoy entendiendo correctamente los mapas de restricción, imagina la modulación como un par literal de gafas de sol polarizadas, que la IA se pone.

Alicia
Me gusta eso.

Beto
Correcto. Así que cuando la arista está etiquetada como estilo, la IA se pone sus gafas de sol de estilo. Las lentes filtran activamente el tema literal. Así que solo dejan pasar los trazos de pincel, las paletas de colores y la composición a los ojos de la IA.

Escala las características relevantes para el estilo y desplaza el contexto de manera efectiva, deformando su propio espacio matemático. Así que la imagen puede compararse con precisión con este texto estilístico.

Alicia
Eso es exactamente eso. Crea un subespacio consciente de la relación. La misma incrustación de imagen es transformada matemáticamente de una manera completamente diferente, si la arista está etiquetada como contexto histórico.

Beto
Oh, vaya.

Alicia
Sí. El modelo deforma localmente su propio espacio de incrustación por cada tipo de relación, lo que le permite evaluar la misma imagen desde perspectivas totalmente distintas.

Beto
Espera, tengo que hacer una objeción aquí por un segundo porque mirando la mecánica de esto, suena increíblemente computacionalmente pesado.

Alicia
Oh, seguro.

Beto
Quiero decir, si esta IA está construyendo una red interconectada masiva de relaciones para cada pintura, como conectando esta de Matisse con esa de Picasso a través de un estilo compartido y esa de Picasso con una de Hemingway, cita, a través del contexto histórico, ¿no es eso totalmente inútil para una persona normal fuera de un laboratorio?

Alicia
¿Qué quieres decir?

Beto
Bueno, ¿no necesita acceso a esta estructura de grafo precalculada cada vez que le muestras una pintura nueva y no vista en el tiempo de prueba?

Alicia
Ah, okay. Sí, ese es históricamente el problema exacto con los enfoques de IA basados en grafos. A menudo operan en lo que llamamos "un entorno transductivo".

Beto
Transductivo.

Alicia
Correcto. Eso básicamente significa que solo pueden hacer predicciones precisas sobre datos que ya están mapeados dentro de su grafo existente. Si no está en el mapa, se pierden.

Pero este es el gran avance de CANVAS. Opera en un entorno inductivo.

Beto
Así que no está memorizando el mapa. Está aprendiendo a conducir.

Alicia
Esa es la distinción perfecta. Sí. Durante la fase de entrenamiento, CANVAS usa el grafo para aprender las reglas subyacentes del transporte. Aprende el proceso real de modular las características basándose en el tipo de relación.

Beto
De acuerdo.

Alicia
Puesto que está aprendiendo las transformaciones mismas en el momento de inferencia, cuando realmente te sientas a usar el modelo en tu computadora portátil o lo que sea, no necesita datos externos, ni la estructura de grafo completa, para funcionar.

Beto
Oh, eso es enorme.

Alicia
Lo es. Le das una imagen, un texto y un tipo de relación, y simplemente aplica los mapas de restricción aprendidos sobre la marcha para proyectarlos en el subespacio correcto.

Beto
De acuerdo. Eso resuelve el problema de usabilidad justo ahí. Aprende la habilidad de ver las cosas a través de diferentes lentes independientemente del grafo.

Pero volviendo a la fase de entrenamiento por un minuto, ¿cómo enseñas realmente a un modelo a separar estas ideas sin decirle accidentalmente que las ideas relacionadas son completamente incorrectas?

Alicia
Estás tocando el fallo central del aprendizaje contrastivo estándar aquí, específicamente la función de pérdida InfoNCE.

Beto
La función de pérdida InfoNCE.

Alicia
Sí. Este es el mecanismo de entrenamiento que los modelos masivos como CLIP dependen para aprender cómo son realmente las cosas.

Beto
Así que desglosemos cómo opera esa pérdida InfoNCE bajo el capó porque creo que esto es fascinante. El aprendizaje contrastivo estándar trata la matemática como si fuera un imán poderoso. Toma un par positivo, digamos una imagen de "Le Gerbe" y un texto sobre su expresión abstracta de estilo. Y utiliza el polo de atracción del imán para atraer sus representaciones matemáticas más cerca.

Alicia
Sí, reforzando la coincidencia.

Beto
Pero al mismo tiempo, utiliza el polo de repulsión para empujar violentamente cualquier otra pieza de texto en ese lote de entrenamiento, básicamente tratándolos como negativos duros.

Alicia
Exacto.

Alicia
Así que en un ciclo de entrenamiento estándar, si la IA está enfocada actualmente en la relación de estilo, y sucede que ve un texto que describe al autor de esa misma pintura de Matisse en el lote, la función de pérdida InfoNCE penaliza fuertemente a la IA si piensa que esas dos son una buena coincidencia.

Beto
Espera, ¿en serio?

Alicia
Sí. Básicamente le dice al sistema: "no, este texto es sobre el autor. Estás mirando el estilo. Así que este texto del autor es completamente falso y no relacionado. Recházalo".

Beto
Lo que destruye el matiz porque ambos son verdades factuales, que tratan sobre la misma pintura.

Alicia
Exacto.

Beto
Si los empujas violentamente en el espacio matemático, la IA simplemente desaprende la conexión por completo. Quiero decir, piénsalo como una onda de choque golpeando un árbol genealógico de conceptos. Si le dices a la IA que los conceptos relacionados son extraños totales, solo estabas explotando el árbol genealógico.

Entonces, ¿cómo soluciona la arquitectura CANVAS el problema de InfoNCE?

Alicia
Bueno, CANVAS implementa una solución muy inteligente usando "similitud suave basada en grafos" combinada con "difusión de kernel de calor" ejecutándose en un grafo de línea.

Beto
De acuerdo. "Difusión de kernel de calor". Permítenos traducir la mecánica de esa difusión.

Alicia
Seguro. Así que los investigadores crean un grafo secundario, el grafo de línea, donde las relaciones mismas se convierten en los nodos. Esto crea un mapa de qué tan estructuralmente cercanas están diferentes obras de arte para entre sí.

Beto
De acuerdo.

Alicia
Y la "difusión de kernel de calor" es básicamente un algoritmo matemático que permite compartir la proximidad a través de la estructura. Si dos conceptos comparten una conexión estructural, tal como que ambos describen diferentes facetas de "La Gerbe", el algoritmo los marca como relacionados.

Beto
De acuerdo. Volviendo a la analogía de la onda de choque en el árbol genealógico, en lugar de un sí o no binario, donde todo lo demás es violentamente repelido, se convierte en un objetivo suave.

Alicia
Sí, objetivos suaves.

Beto
Así que si el estilo está en el epicentro del ciclo de entrenamiento, obtiene una puntuación del 100%. Pero su vecino inmediato en el grafo de línea, autor, siente el borde de la onda de choque y tal vez obtiene una puntuación objetivo del 70%.

Alicia
Exacto.

Beto
La IA aprende que no es una coincidencia perfecta para la lente actual, pero tampoco es un extraño completo. La penalización simplemente se difunde cuanto más te alejas en el grafo.

Alicia
Sí. Y si conectamos esto con la imagen más grande, esto es un avance masivo para el aprendizaje automático al utilizar el objetivo contextual suave. CANVAS ya no está obligado a empujar violentamente lejos los conceptos semánticamente relacionados solo porque no son el foco principal de ese microsegundo de entrenamiento exacto.

Enseña a la IA a realmente comprender el matiz y la proximidad y las verdades estratificadas. Reemplaza una dicotomía rígida de verdadero o falso con todo un espectro de relación.

Beto
Permite que la máquina mantenga dos pensamientos relacionados en su cabeza al mismo tiempo sin que su cerebro matemático explote.

Alicia
Esencialmente, sí.

Beto
Pero sabes, la teoría y las matemáticas elegantes son geniales en el papel. ¿Cómo demuestran realmente los investigadores que este modelo no solo está regurgitando información que ya memorizó de internet abierto porque modelos como OpenCLIP han raspado básicamente toda la web?

Alicia
Esa es la barrera definitiva para cualquier nuevo marco arquitectónico. Tienes que probar definitivamente que puede generalizar su comprensión a datos que nunca antes ha encontrado.

Beto
Y aquí es donde se pone realmente interesante: Para probar que el modelo realmente entiende la mecánica del arte, ejecutaron CANVAS a través de la prueba de gusto ciego definitiva. Lo evaluaron a través de tres puntos de referencia distintos: Los dos primeros son WikiArt+ y SemArt+.

Ahora, esas son bases de datos fantásticas de pinturas europeas y arte histórico. Pero están construidas sobre datos públicos de lugares como Wikipedia.

Alicia
Correcto, lo que significa que es muy probable que los modelos base como OpenCLIP los hayan ingerido durante sus masivos entrenamientos previos.

Beto
Exacto. Pero el tercer conjunto de datos es el arma secreta del investigador: Herziana DP.

Alicia
Sí. Herziana DP es el punto clave de evidencia en todo este artículo de investigación. Es una colección masiva derivada de la Biblioteca Herziana. Y contiene más de 45,000 imágenes de pinturas, dibujos y artefactos.

Beto
Y el detalle crítico aquí.

Alicia
Correcto. El detalle crítico es que esta colección estaba completamente desconectada y no disponible públicamente antes de este trabajo de investigación específico.

Beto
Estaba literalmente bloqueada y evolucionó completamente a salvo de los rastreadores web.

Alicia
Exacto. Puesto que no estaba en internet abierto, proporciona una garantía absoluta de que los modelos base como CLIP nunca la han visto. No hay posibilidad de fuga de datos.

Beto
Cero.

Alicia
Así que si un modelo tiene un buen rendimiento en el conjunto de datos Herziana DP, es puramente porque su arquitectura subyacente de vaina celular comprende fundamentalmente cómo analizar el arte desde diferentes perspectivas, no porque simplemente memorizara una página de Wikipedia de una pintura específica durante el entrenamiento.

Beto
Bueno, estaba mirando sus puntuaciones de recuperación de imagen a texto en este conjunto de datos arquivado. Y los resultados son francamente asombrosos.

Alicia
Realmente lo son.

Beto
Para aquellos que escuchan, la "recuperación de imagen a texto" básicamente significa que le entregas a la IA una imagen y tiene que sacar el texto contextual más preciso de una pila masiva de opciones. Y la métrica estándar del usuario llamada recall@10, lo que solo significa que el texto correcto estaba en las 10 mejores suposiciones de la IA.

Alicia
Correcto.

Beto
En este conjunto de datos no visto Herziana DP, el modelo CLIP ajustado puntuó un 0.084.

Alicia
Básicamente se quedó en seco.

Beto
Se quedó en seco. ¿Cómo ganó CANVAS contra eso?

Alicia
CANVAS logró una puntuación de 0.514.

Beto
Espera, ¿en serio? Pasar de un 8% a más del 50% en datos completamente no vistos y altamente complejos. Eso no es solo una actualización incremental de software. Es un cambio fundamental en cómo está pensando la máquina.

Alicia
Superó masivamente a todos los modelos base contra los que fue probado. Y logró ese salto de rendimiento con una eficiencia computacional notable también.

Beto
Oh, cierto.

Alicia
A menudo operamos bajo la suposición de que para obtener un mejor rendimiento de la IA, solo necesitamos arrojar más potencia de cómputo bruta al problema. Simplemente construye centros de datos más grandes.

Beto
Sí, esa es toda la narrativa ahora mismo.

Alicia
Pero CANVAS demuestra que una arquitectura más inteligente y elegante es mucho superior a la fuerza bruta.

Beto
Veamos los costos de cómputo para poner eso en perspectiva porque creo que es un punto crítico. El modelo CLIP estándar es relativamente ligero, pero como acabamos de ver, falla por completo al comprender relaciones complejas. Si intentas solucionar ese fallo forzándolo con un modelo de recuperación multivector masivo como ColPali, tus costos de cómputo se disparan. Los investigadores señalan que ColPali cuesta casi 500 veces más ejecutar que el CLIP estándar.

Alicia
500 veces.

Beto
Sí, alcanzando alrededor de 4.93 T-flops, que son operaciones de punto flotante tera por segundo. Pero CANVAS, CANVAS logra su comprensión matizada superior con solo 1.37 T-flops.

Alicia
Vaya.

Beto
Opera a una fracción del costo de fuerza bruta de ColPali.

Alicia
Realmente confirma que proyectar datos en relaciones, usando subespacios con mapas de restricción, no es solo una teoría matemática elegante. Es un mecanismo prácticamente esencial para resolver la alineación multimodal compleja sin, sabes, arruinar totalmente tus recursos de cómputo.

Beto
Entonces, ¿qué significa todo esto? ¿Por qué deberías tú, la persona que está escuchando esto ahora mismo, preocuparte por una IA eficiente que pueda analizar con precisión las raíces estilísticas de una pintura de Matisse? A menos que seas un historiador del arte, ¿por qué le importa este avance matemático a tu vida diaria?

Alicia
Porque la tecnología subyacente que nuestro marco de vaina celular hemos estado discutiendo es totalmente agnóstica al dominio.

Beto
Significa que no le importa el arte.

Alicia
Exacto. La arquitectura matemática no le importa que esté mirando una pintura. Simplemente sabe cómo procesar y aislar datos complejos y de múltiples capas en perspectivas específicas.

Beto
Y los investigadores destacan explícitamente en el artículo que esta tecnología es perfectamente adecuada para campos de alto riesgo como la imagenología médica.

Alicia
Oh, absolutamente.

Beto
Piensa en el ciclo de vida de una sola radiografía de tórax. Esa pieza de datos visual necesita ser interpretada de manera completamente diferente, dependiendo del experto médico específico que la esté mirando.

Alicia
Ese es un gran punto.

Beto
Correcto. Y un oncólogo está mirando el escaneo a través de la lente semántica del crecimiento y los márgenes del tumor. Un radiólogo podría estar analizando exactamente la misma imagen a través de la lente de la densidad pulmonar general y la acumulación de fluidos.

Alicia
Cosas muy diferentes.

Beto
Y un cirujano está mirándola a través de la lente de la anatomía estructural para planear el ángulo más seguro para una incisión. Todos están confiando en relaciones semánticas completamente diferentes para hacer su trabajo.

Alicia
Y si le introduces esa radiografía a un modelo de IA estándar que sufre de alineación homogénea, colapsa todas esas necesidades médicas distintas en un promedio genérico y comprometido.

Beto
La borrosidad turbia de nuevo.

Alicia
Exacto. Podría darle al cirujano un análisis cargado por métricas de densidad que no necesita o peor aún, perder un margen tumoral porque promedió los datos con la anatomía estructural.

Beto
Vaya.

Alicia
Pero un modelo construido sobre el marco CANVAS puede ponerse sus gafas de oncología, o sus gafas quirúrgicas. Puede proporcionar a cada especialista un análisis consciente de la relación altamente preciso y personalizado según su lente específica. Todo derivado de la misma radiografía original.

Beto
Se trata de enseñar a la IA a dejar de simplificar demasiado nuestro mundo complejo, porque nuestro arte es multicapa, o la biología es intrincada. Finalmente tenemos un marco matemático que respeta y preserva esa complejidad en lugar de simplemente aplanarla.

Alicia
Y esto plantea una pregunta importante, creo, una que se extiende mucho más allá del ámbito de la ciencia de la computación. Durante años, hemos tratado a la inteligencia artificial como una máquina de respuesta objetiva definitiva. Escribimos una indicación en una caja y exigimos una única verdad autoritativa como respuesta.

Beto
Correcto.

Alicia
Nos hemos entrenado inadvertidamente para esperar respuestas binarias a preguntas increíblemente complejas. Pero si los modelos como CANVAS ahora pueden mantener múltiples interpretaciones totalmente válidas, pero aparentemente contradictorias, de exactamente los mismos datos sin colapsarlas, como lo hacen naturalmente los expertos humanos, ¿qué significa eso para nuestra futura dependencia de la IA?

¿Estamos avanzando hacia una era de simplemente buscar inteligencia artificial y entrando en una era donde finalmente podemos buscar perspectiva artificial?

Beto
Perspectiva artificial.

Beto
Hombre, esa es una gran reflexión para terminar.

Gracias por acompañarnos en este análisis profundo a medida.

Mientras pasas tu día hoy, intenta ver el mundo a través de múltiples lentes. Quizás ese correo electrónico denso de tu jefe no sea solo una cadena de texto simple. Quizás haya una capa histórica, estilística y conceptual que te estás perdiendo.

O tal vez como una IA estándar, solo estás mirando una situación compleja y diciendo con confianza "perro".

Hasta la próxima.

CIFAR10 - ejemplo de imagen de categoría "perro"

La erosión de la creatividad de la IA

Una investigación de la Universidad de Duke explora cómo ha evolucionado la creatividad de los grandes modelos de lenguaje mediante el análisis de casi tres años de lanzamientos de modelos. Al probar diversos sistemas de IA en tareas abiertas y evaluaciones psicométricas, los autores identificaron una disminución estadísticamente significativa en la diversidad de resultados a lo largo del tiempo. Esta tendencia sugiere que, si bien los modelos individuales pueden parecer capaces, las diferentes familias de IA convergen cada vez más en ideas y significados semánticos similares. Dicha homogeneización podría limitar el abanico de inspiración disponible para los usuarios humanos y debilitar los beneficios únicos de la colaboración entre humanos e IA. En definitiva, el estudio pone de relieve una creciente "paradoja de la creatividad de la IA", donde los modelos siguen siendo fluidos, pero carecen de originalidad colectiva en el panorama tecnológico general.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "Are LLMs becoming similarly creative? Evidence from three years of models". Por Nirav Patel y colegas de la Universidad de Duke. Publicado el 19 de Agosto de 2026.

El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

---

Resumen

Beto
Así que, imagina esto: estás mirando un cursor parpadeante en tu pantalla. Le pides a una IA que te ayude a escribir un correo electrónico completamente único, listo para usar, para conquistar a este cliente realmente difícil.

Alicia
Correcto. Algo que vaya a impresionarlos por completo.

Beto
Exacto. Y la IA escupe algo que suena brillante. Lo envías sintiéndote como un genio total.

Alicia
Pero la trampa es que no eres la única que hace eso.

Beto
Sí. Exacto. Lo que no sabes es que miles de otras personas pidieron una idea única hoy, y la IA les dio exactamente el mismo correo electrónico único.

Alicia
Que destroza por completo esta ilusión que tenemos. Todos pensamos que estamos teniendo una sesión de lluvia de ideas privada y altamente individualizada con la máquina. Pero la realidad es mucho, mucho más estandarizada que eso.

Beto
Y la escala de esa estandarización es, bueno, es lo que realmente necesitamos comprender primero. Digo, a partir de julio de 2025, solo ChatGPT tenía 700 millones de usuarios activos semanales.

Alicia
Esa cifra es una locura.

Beto
Correcto. Y esos usuarios enviaban 2.5 mil millones de mensajes cada día. Si lo desglosas, estabas viendo aproximadamente 29,000 mensajes siendo lanzados a esta única plataforma de IA cada segundo del día.

Alicia
Cada segundo, lo que es un volumen asombroso de interacciones humano-máquina.

Beto
Oh, absolutamente.

Alicia
Realmente representa este cambio fundamental en cómo abordamos la resolución de problemas: ya no estamos simplemente consultando bases de datos por hechos históricos o, ya sabes, pidiéndole que depure algunas líneas de Python. Estamos externalizando activamente nuestros procesos de pensamiento.

Beto
Y esa es exactamente la misión de nuestra inmersión profunda de hoy. Estamos desempacando un fascinante nuevo estudio de investigadores de la Universidad de Duke que se centra precisamente en esa dinámica.

Alicia
Sí, es un gran estudio.

Beto
Lo es. Analizaron tres años de modelos de IA que abarcan, desde principios de 2023, hasta el verano de 2026, para responder a una pregunta profundamente contraintuitiva.

Alicia
Correcto, sobre si los modelos se están volviendo más inteligentes.

Beto
Sí, a medida que estos modelos de lenguaje se vuelven más rápidos y, francamente, mejores para aprobar exámenes de abogados y pruebas de codificación, ¿están los resultados creativos realmente disminuyendo? ¿Se están volviendo menos diversos y más homogéneos?

La Paradoja de la Creatividad de la IA: Por qué los LLMs se están pareciendo más entre si

Alicia
Sí, es una pregunta de investigación brillante porque desafía todo el paradigma de cómo hemos estado evaluando la inteligencia artificial.

Beto
¿Qué quieres decir?

Alicia
Bueno, históricamente, el punto de referencia para la IA siempre ha sido la precisión, ¿verdad? ¿Puede resolver una ecuación diferencial compleja? ¿Puede aprobar un examen de licencias médicas?

Beto
Correcto. Cosas con un resultado claro de verdadero o falso.

Alicia
Exacto. Puntos de referencia estrictamente verificables. Pero hoy, estamos explorando lo que sucede cuando eliminas el concepto de una única respuesta correcta. Estamos entrando en el reino de lo que llaman "la paradoja de la creatividad de la IA".

Beto
Pero si estamos evaluando estos modelos en cuanto a creatividad, tenemos que preguntarnos, ¿es eso siquiera para lo que la gente los está usando? o simplemente, ¿los están usando como calculadoras glorificadas?

Alicia
Oh, definitivamente los están usando para la creatividad.

Beto
Sí. El estudio de Duke destaca una estadística que cambió completamente mi perspectiva sobre esto. Aproximadamente el 70% del uso de ChatGPT por parte del consumidor no está relacionado con el trabajo.

Sí, se inclina increíblemente hacia la ideación creativa, la escritura y simplemente la guía práctica abierta. Y Anthropic está reportando exactamente lo mismo. Casi el 20% de todos los mensajes enviados a sus modelos es categorizado como creación de contenido o escritura académica.

Alicia
Así que eso significa que una porción masiva de ese chorro de 29,000 mensajes por segundo del que hablamos es literalmente solo humanos pidiéndole a las máquinas que sean imaginativas.

Beto
Correcto.

Alicia
Y esto nos lleva de frente con un concepto que los científicos de la computación y los sociólogos han estado advirtiendo durante un tiempo, que es "la monocultura algorítmica".

Beto
Monocultura algorítmica. Okay, desglosémoslo para nosotros.

Alicia
La mejor manera de entender esto es mirar estudios de referencia humana anteriores sobre la escritura asistida por IA. Si tomas a un humano y le das una IA para que lo ayude a escribir una historia corta, los jueces expertos casi siempre calificarán esa historia como mejor escrita y más individualmente creativa que una historia escrita por un humano trabajando totalmente solo.

Beto
Lo que suena fantástico para el usuario individual, ¿verdad? Obtienes una mejor historia.

Alicia
Lo haces a nivel individual, la IA actúa como este amplificador realmente poderoso. Pero la paradoja emerge en el momento en que miras a nivel de población. Si tienes 10 humanos diferentes y todos usan una IA para ayudar a hacer lluvia de ideas y escribir sus historias, las 10 historias terminarán convergiendo estructural y temáticamente.

Beto
Así que todas terminan sonando notablemente similares entre sí.

Alicia
Sí, el grupo pierde por completo su diversidad colectiva.

Beto
Okay, déjame asegurarme de que estoy visualizando esto correctamente. Es como ir a una fiesta donde todos piensan que compraron un atuendo de diseñador indie vintage completamente único.

Alicia
Oh, me gusta esta analogía.

Beto
Correcto. Pero todos se presentan vistiendo exactamente la misma chaqueta porque el algoritmo de redes sociales la recomendó en el feed de todos esa semana.

Alicia
Sí.

Beto
Todos se ven geniales individualmente en el espejo en casa. Pero en el segundo en que entras en la habitación juntos, pareces estar vistiendo un uniforme.

Alicia
Esa es exactamente la dinámica. Y lo fascinante aquí es cómo esta homogeneización se desarrolla en las pruebas psicológicas estandarizadas.

Beto
Okay. ¿Qué tipo de pruebas?

Alicia
Bueno, hay una prueba cognitiva clásica llamada "la prueba de asociación divergente" ("Divergent Association Test", o DAT). Está diseñada para medir qué tan distantes están tus ideas.

Beto
Como probar el pensamiento lateral.

Alicia
Básicamente, sí, la tarea es simplemente ¿puedes nombrar 10 palabras que no tienen absolutamente nada que ver entre sí?

Beto
Bueno, eso suena fácil, pero probablemente sea muy difícil.

Alicia
Lo es. Y cuando los investigadores administran esta prueba a una IA, la IA fácilmente supera la puntuación promedio humana. Entiende los parámetros perfectamente.

Beto
Okay. Así que la IA está ganando.

Alicia
Pero y esta es la distinción realmente crítica cuando miras una gran muestra de respuestas humanas, la población humana muestra elecciones vastamente más caóticas y diversas.

Beto
Porque los humanos son desordenados.

Alicia
Exacto. La IA, por el contrario, depende en gran medida de un clúster muy estrecho de conceptos. En un estudio notable usando la DAT, la palabra "océano" apareció en más del 90% de las respuestas de los modelos.

Beto
Espera, ¿realmente? ¿90%?

Alicia
Sí. 90%.

Beto
Eso significa que la IA es esencialmente como un estudiante con una A perfecta que ha descubierto la fórmula algorítmica exacta para obtener una buena nota. Y simplemente entrega una variación del mismo ensayo cada vez.

Alicia
Esa es una gran forma de decirlo. Es muy competente, pero completamente desprovista de variación salvaje e impredecible.

Beto
Por lo tanto, realiza creatividad individual, pero impone homogeneidad colectiva.

Alicia
Precisamente. Y los investigadores de Duke querían saber si esto era solo una fase temporal y incómoda de la IA generativa temprana, ya sabes.

Beto
Como dolores de crecimiento.

Alicia
Sí. O si esta convergencia es una característica estructural inevitable de cómo se construyen realmente estos modelos de lenguaje grandes.

Beto
Para medir algo que es abstracto a lo largo de un marco de tres años, digo, necesitas una muestra masiva.

Alicia
Lo haces.

Beto
Y los investigadores definitivamente lo cumplen. Probaron 68 modelos diferentes de 12 proveedores importantes.

Alicia
Esos son muchos modelos.

Beto
Estamos hablando de todos los pesos pesados: OpenAI y Anthropic, Meta, DeepSeek, Google, Mistral. Y incluyeron tanto modelos de pesos cerrados, ya sabes, los sistemas propietarios ocultos detrás de APIs corporativas, como modelos de pesos abiertos donde la arquitectura subyacente está libremente disponible para que los desarrolladores la descarguen y ajusten en sus propias máquinas.

Alicia
Todo lo lanzado entre marzo de 2023 y julio de 2026.

Beto
Exacto. Es una muestra muy robusta.

Alicia
Y para probarlos, necesitaron indicaciones que obligaran a la IA a salir de su zona de confort. Realmente usan dos metodologías distintas para esto.

Beto
Correcto. La primera prueba es un estándar de la psicología cognitiva llamado "la tarea de usos alternativos" ("Alternate User's Task" o AUT).

Alicia
Sí. La prueba clásica de ladrillos.

Beto
Correcto. Por lo general, sí. La indicación es engañosamente simple. Es como, "dame 10 usos alternativos para un martillo", o "10 usos alternativos para un libro". Obliga explícitamente al pensamiento lateral.

Alicia
Mientras que la segunda prueba fue diseñada para reflejar la realidad mucho más desordenada de cómo una persona normal interactúa realmente con el chatbot, usan un conjunto de datos conocido como "Infinity Chat 100".

Beto
Las indicaciones en este conjunto de datos son simplemente brillantes porque están tan arraigadas en la vida real.

Alicia
Dame un ejemplo.

Beto
Cosas como crear el primer verso de un voto nupcial o dame el nombre de una canción instrumental que coincida con el ambiente de una noche lluviosa. O mi favorita, ¿Puedes darme una idea increíble y legítima que sea asequible y se relacione con problemas en Vietnam?

Alicia
Esas son increíblemente específicas. Requieren una mezcla sofisticada de sensibilidad contextual, conocimiento específico del dominio y estilo.

Beto
Pero espera, tengo que frenar aquí por un segundo.

Alicia
Okay. Adelante.

Beto
¿Cómo calificas matemáticamente un voto nupcial o una canción de noche lluviosa en términos de creatividad sin inyectar una cantidad masiva de sesgo humano?

Un juez humano podría llorar por un voto nupcial y sufrir por otro, totalmente basado en su propia carga personal.

Alicia
Eso es muy cierto.

Beto
Así que si estás tratando de probar una tendencia científica durante tres años, ¿cómo evitas esa subjetividad?

Alicia
Es una pregunta crítica. Y los investigadores esquivan el sesgo humano por completo a través de una solución matemática muy elegante. Usaron lo que se llama "incrustaciones de oraciones" ("sentence embeddings").

Beto
Okay. Definitivamente tendrás que traducirlo para nosotros.

Alicia
Lo sé. Suena intenso. Imagina un espacio masivo y multidimensional. Y estamos hablando de cientos o incluso mil dimensiones diferentes aquí.

Beto
Como un gráfico 3D gigante, pero mucho más complicado.

Alicia
Exacto. Es esencialmente un mapa de significado semántico. Un modelo de incrustación toma un bloque de texto como el voto nupcial sugerido por la IA y traduce su significado subyacente en un vector denso.

Beto
Un vector, okay.

Alicia
Piensa en ello como dibujar una flecha desde el centro del espacio apuntando a una coordenada matemáticamente definida muy específica.

Beto
Así que literalmente estamos convirtiendo poesía en geometría.

Alicia
Eso es exactamente lo que está sucediendo. Una vez que todas las respuestas de la IA están mapeadas como estos vectores geométricos, los investigadores simplemente miden lo que se conoce como "la distancia de coseno entre ellos".

Beto
Así que solo miden el ángulo entre las flechas.

Alicia
Exacto. Si dos modelos de IA generan respuestas que significan aproximadamente lo mismo, sus vectores apuntarán en la misma dirección exacta.

Beto
Okay. Eso tiene sentido.

Alicia
Eso resulta en una distancia baja, lo que se traduce en baja diversidad. Pero si la IA genera ideas salvajemente diferentes y conceptualmente distintas, los vectores apuntan muy lejos entre sí. Alta distancia es igual a alta diversidad.

Beto
Así que para ser totalmente claros, no le importa si el título de la canción de "Rainy Night" es bueno o malo.

Alicia
Para nada.

Beto
No juzga la calidad. Simplemente mide matemáticamente cuán diferente es de todas las demás sugerencias en el conjunto de datos.

Alicia
Correcto. Y para asegurarse de que les dieran a la IA toda la oportunidad para ser creativa, ejecutaron estas pruebas con la configuración de temperatura en los modelos elevada a 1.0.

Beto
Definamos eso rápidamente porque la temperatura es una configuración que muchos usuarios casuales nunca ven en la interfaz de chat regular.

Alicia
Claro. Piensa en la temperatura como un dial que controla la distribución de probabilidad de la siguiente palabra que elige la IA.

Beto
¿Como qué tan predecible es?

Alicia
Sí. Si la temperatura se establece en cero, la IA siempre elegirá la siguiente palabra más matemáticamente probable. Se vuelve altamente predecible y honestamente bastante repetitivo.

Beto
Muy robótico.

Alicia
Correcto. Pero cuando subes la temperatura a 1.0, aplanas esa distribución de probabilidad. Estás esencialmente diciéndole al modelo: toma riesgos, elige la palabra menos obvia, sé tan aleatorio y creativo como puedas.

Beto
Así que querían máxima aleatoriedad creativa para esta prueba.

Alicia
Lo hicieron absolutamente.

Beto
Lo que nos lleva a los resultados y aquí es donde es realmente interesante porque aquí es donde la geometría se vuelve muy real para ti, el usuario.

Alicia
Sí. Esta es la esencia.

Beto
Cuando pides una estrategia de marketing única y tu mayor competidor pide a su IA una estrategia de marketing única, tus flechas están convergiendo matemáticamente en la misma campaña genérica.

Alicia
Es inevitable.

Beto
Los investigadores mapearon miles de estos puntos de datos a lo largo de los tres años de lanzamientos de modelos y encontraron una disminución estadísticamente significativa en las distancias de salida entre proveedores. Con el tiempo, los modelos construidos por compañías tecnológicas completamente diferentes se están volviendo estructuralmente más similares entre sí.

Alicia
La convergencia es innegable en este punto. Si miramos específicamente a la tarea de usos alternativos, que recuerda está diseñada explícitamente para medir el pensamiento divergente en los modelos más tempranos de 2023, la distancia semántica promedio fue de aproximadamente 0.50.

Beto
Okay. 0.50.

Alicia
Pero a medida que probaron las generaciones más nuevas de modelos hasta el verano de 2026, esa distancia cayó bruscamente por debajo de 0.40.

Beto
Déjame detenerte aquí por un segundo. Una caída de 0.50 a 0.40. Para una persona común, eso suena como una fracción diminuta. ¿Es realmente una catástrofe significativa para la creatividad?

Alicia
Suena pequeña, sí. Pero en un espacio vectorial de alta dimensión, una caída de 0.10 es en realidad un polo gravitacional masivo hacia el centro.

Beto
Oh, ¿de verdad?

Alicia
Sí. Representa una profunda pérdida de ideas atípicas. Los modelos están siendo literalmente instruidos por la indicación para pensar de manera diferente. Y matemáticamente, están pensando cada vez más la misma manera exacta.

Beto
Vaya. Y vemos esto incluso fuera de una prueba psicológica rígida, ¿verdad?

Alicia
Absolutamente.

Beto
En los problemas reales y desordenados del conjunto de datos Infinity Chat 100, la distancia semántica cayó de 0.34 a poco más de 0.32. Y los datos muestran esta caída volviéndose increíblemente pronunciada, comenzando en el año 2025.

Alicia
La tendencia es muy clara en los gráficos.

Beto
Pero tengo que ser el abogado del diablo aquí.

Alicia
Adelante.

Beto
¿Podría ser solo un espejismo estadístico? Digo, ¿qué pasa si OpenAI o Google solo lanzan cinco versiones ligeramente diferentes del mismo modelo en una ventana muy corta? Y esa inundación repentina de modelos realmente similares sesgó las matemáticas hacia abajo?

Alicia
Ese es un punto muy justo. Y los investigadores anticiparon esa crítica exacta, por eso aplicaron una técnica llamada "remuestreo balanceado por familia" ("family-balanced resampling").

Beto
Okay. ¿Qué significa eso en la práctica?

Alicia
Así que se dieron cuenta de que ciertas compañías, como OpenAI o Meta, lanzan modelos a una cadencia mucho más rápida que otras.

Beto
Correcto. Lanzaron como cuatro versiones de Llama en un año.

Alicia
Exacto. Y cuando promediaron todos los 68 modelos, las compañías que lanzaron más modelos arrastraban artificialmente la línea de tendencia en su dirección. Así que el remuestreo balanceado por familia nivela el campo de juego artificialmente.

Beto
¿Cómo es eso?

Alicia
Si conectamos esto con la imagen más amplia, básicamente realizaron 1,000 iteraciones diferentes de los datos donde cada proveedor, grande o pequeño, tuvo un voto igual en la métrica general.

Beto
Así que OpenAI obtiene exactamente el mismo peso que un desarrollador de pesos abiertos más pequeño.

Alicia
Exacto. Y en todas las 1,000 iteraciones, la pendiente fue implacablemente negativa. La tendencia se mantuvo.

Beto
Eso es increíble.

Alicia
No importa qué compañías de modelo uses, o cómo ponderes los datos. El ecosistema más amplio de inteligencia artificial está convergiendo en la misma sustancia creativa exacta.

Beto
Lo que nos lleva a la gran RAZÓN que explica todo el estudio. Digo, si estas compañías estuvieran en una carrera armamentista feroz para construir la IA más inteligente y distinta, ¿por qué todos se están transformando en el mismo cerebro exacto?

Alicia
Bueno, el estudio apunta a dos fuerzas mecánicas importantes que impulsan esta convergencia. La primera es los datos de entrenamiento compartidos.

Beto
OK, de donde aprendieron los datos.

Alicia
Correcto. En los días iniciales, las compañías estaban rastreando todo lo que podían encontrar. Pero a medida que luchan por la máxima capacidad, todos están convergiendo en los mismos conjuntos de datos de alta calidad. Estamos hablando de la totalidad de internet abierto, bibliotecas digitalizadas, revistas académicas.

Beto
Correcto. Solo hay tanto texto de alta calidad por ahí.

Alicia
Exacto. Cada IA está leyendo exactamente los mismos libros de texto. Inevitablemente van a desarrollar la misma visión del mundo.

Beto
Eso tiene sentido intuitivo. Pero la segunda razón que destacan es algo llamado "destilación de modelos" ("model distillation"), que encuentro profundamente fascinante. ¿Cómo funciona eso?

Alicia
La destilación de modelos es una práctica industrial que es muy responsable de esta monocultura algorítmica. Construir un modelo fundacional de vanguardia desde cero cuesta cientos de millones de dólares en potencia de cómputo.

Beto
Es enormemente caro.

Alicia
Y es increíblemente ineficiente para los usuarios de todos los días. Así que las compañías usan una técnica donde un modelo estudiante más pequeño y barato se entrena usando las salidas de un modelo profesor más grande y antiguo.

Beto
Espera, espera. Así que la nueva IA no está aprendiendo de datos humanos ya. Está literalmente aprendiendo a ser una IA, cuando estudia la tarea de otra IA.

Alicia
Sí. Es exactamente eso. Alimentan al modelo profesor masivo con millones de indicaciones y luego usan sus respuestas altamente refinadas como el libro de texto para el nuevo modelo estudiante.

Beto
Oh, Dios mío.

Alicia
Crea esta cámara de eco algorítmica.

Beto
Es como hacer una fotocopia de una fotocopia.

Alicia
Sí.

Beto
La primera copia se ve bastante nítida. Pero para cuando estás en la décima generación, los detalles sutiles se difuminan por completo y solo te queda las líneas más gruesas y audaces. La IA está quitando las orillas raras y desordenadas del pensamiento humano y simplemente reforzando los patrones más promedio y predecibles.

Alicia
La analogía de la fotocopia es perfecta. El proceso de destilación penaliza inherentemente el comportamiento atípico. Recompensa al modelo estudiante por igualar las salidas de mayor probabilidad del profesor.

Beto
Así que está literalmente diseñado para ser promedio.

Alicia
Sí. A través de múltiples generaciones en toda una industria, este proceso erradica sistemáticamente el pensamiento divergente.

Beto
Entonces, ¿qué significa todo esto?

Lo que nos lleva completamente de vuelta a ti, el oyente. Porque si dependes de un LLM para ayudarte a hacer lluvia de ideas para textos de marketing o escribir un discurso de boda o encontrar un ángulo para un video de YouTube, necesitas darte cuenta de que estás extrayendo agua de un pozo que se está encogiendo.

Alicia
Un pozo muy estrecho.

Beto
Podrías pensar que estás obteniendo una sugerencia brillante fuera de la caja, pero los datos prueban que casi todas las demás personas que hacen una pregunta similar están obteniendo exactamente la misma sugerencia.

Alicia
Y esto plantea una profunda preocupación sobre la agencia humana en el trabajo co-creativo. Los investigadores de Duke citan un concepto profundamente inquietante conocido como "deuda cognitiva" ("cognitive debt").

Beto
¿Deuda cognitiva? ¿Cuál es el mecanismo detrás de eso?

Alicia
Bueno, piénsalo como confiar demasiado en el GPS de tu teléfono hasta que pierdes por completo tu sentido natural de la dirección.

Beto
Oh, definitivamente soy culpable de eso.

Alicia
Todos lo somos. Cuando navegas por una ciudad nueva tú mismo, estás construyendo un mapa mental. Estás ejercitando la conciencia espacial. Cuando sigues ciegamente la línea azul en una pantalla, esos músculos de navegación se atrofian.

La deuda cognitiva aplica ese mismo principio a la ideación. Los estudios muestran que cuando los humanos confían en un asistente de IA para una tarea creativa compleja, como escribir ensayos o resolver problemas, en realidad disminuye la actividad cerebral medible relacionada con esas funciones cognitivas específicas.

Beto
Así que estamos externalizando nuestros músculos de navegación, pero para nuestras ideas reales.

Alicia
Exacto. Si seguimos externalizando el trabajo pesado de la ideación a estas herramientas, nuestros propios músculos creativos intrínsecos se debilitan con el tiempo.

Beto
Eso es aterrador.

Alicia
Ahora, combina esa realidad con el hallazgo central de este estudio de tres años. No solo estamos dependiendo de la IA más que nunca, sino que la IA misma está matemáticamente probado que está volviéndose menos diversa. Estamos compondiendo una homogeneización del pensamiento humano.

Beto
Estamos externalizando nuestro pensamiento a una máquina que está olvidando estructuralmente cómo pensar de manera diferente. Esa es una realización escalofriante. Pero para ser justos con la ciencia, deberíamos señalar que hay algunas limitaciones y tal vez algunas salidas mencionadas en el estudio.

Alicia
Sí, definitivamente. Los investigadores notaron un detalle peculiar en el conjunto de datos Infinity-Chat, por ejemplo. Hay un par de indicaciones que accidentalmente solicitaron cosas muy similares, como dos indicaciones diferentes pidiendo ideas creativas relacionadas con la película Zootopia.

Beto
Okay, así que eso podría sesgar las cosas un poco.

Alicia
Correcto. Mientras que la distancia de coseno aún se midió con precisión entre los modelos, sugieren que futuros estudios podrían usar un conjunto de indicaciones no estructuradas aún más curado para garantizar la máxima variedad en los datos de prueba en sí.

Beto
Y también está el "factor de anulación humana" ("human override").

Alicia
Oh, seguro.

Beto
El estudio implica que las habilidades de indicación humana de alto nivel podrían potencialmente sacar a la IA de esta homogeneización. Si eres un usuario avanzado que sabe exactamente cómo manipular la ventana de contexto con instrucciones matizadas e increíblemente específicas, podrías lograr forzar al modelo a salir de su rutina.

Alicia
Puedes dirigirlo. Sí.

Beto
Pero seamos honestos, para el usuario promedio que simplemente está escribiendo "dame cinco ideas divertidas para un retiro de team building", estás entrando directamente en la mono-cultura.

Alicia
El comportamiento predeterminado de la máquina sin guía experta es una atracción gravitacional abrumadora hacia la similitud.

Beto
Muy bien, veamos la imagen general de lo que hemos descubierto hoy.

Hemos examinado 68 modelos de IA a lo largo de tres años de desarrollo rápido y sin precedentes.

Alicia
Ha sido una locura de tres años.

Beto
Realmente lo ha sido. Estamos mirando una tecnología que está procesando 2.5 mil millones de mensajes al día. Y ahora tenemos prueba matemática y empírica de que, si bien la inteligencia artificial se está volviendo más rápida y puede escribir un ensayo perfectamente estructurado en dos segundos, su creatividad real, su capacidad para sorprendernos con ideas laterales verdaderamente divergentes, está encogiéndose miserablemente.

Alicia
Y eso nos deja con una trayectoria crítica a considerar. Si estos modelos de IA están convergiendo hacia una mono-cultura creativa y la próxima generación de modelos inevitablemente será entrenada con los miles de millones de piezas de contenido de internet generadas por estos modelos actuales, ¿estamos mirando a un colapso creativo eventual?

Beto
El Áuroboro se está comiendo su propia cola.

Alicia
Precisamente. La próxima vez que le pidas a una IA una idea fuera de la caja, pregúntate, ¿de qué caja estás mirando realmente?

Beto
Hombre, esa es una pregunta que se quedará conmigo cada vez que abra una nueva pestaña. Así que la próxima vez que te encuentres mirando ese cursor parpadeante, tal vez deja que parpadee unos segundos más. Intenta construir ese mapa mental tú mismo antes de dejar que el algoritmo conduzca automáticamente.

Gracias por acompañarnos en este análisis profundo. Sigan cuestionando las herramientas que usan y los veremos la próxima vez.