Puntos clave
- GAN (Generative Adversarial Network, red generativa adversaria) es un método que pone a competir, uno al lado del otro, a quien crea y a quien distingue.
- La nota de quien crea es si logró engañar a quien distingue. Nadie necesita ponerle una respuesta correcta a mano.
- Los dos mejoran por turnos. Cuando uno avanza, el problema del otro se pone igual de difícil.
- Si la balanza se inclina demasiado hacia un lado, el aprendizaje se detiene. Mantener el equilibrio es el mayor desafío de este método.
- Terminado el entrenamiento, se guarda solo el lado que crea y se descarta el que distingue.
La analogía
Detrás de un puesto de gofres hay dos máquinas. Una talla planchas nuevas para hacer gofres; la otra mira el gofre ya listo y decide si salió de la plancha original, usada desde siempre, o de una plancha recién tallada.
Al principio, distinguir es facilísimo: la plancha nueva marca el dibujo de la rejilla torcido, y se nota a la legua. La máquina que talla corrige lo que le señalaron y vuelve a tallar; la que distingue empieza a fijarse en detalles más finos, como el grosor del borde o la marca que deja el prensado.
Repetir este ir y venir muchísimas veces lleva a un punto cercano a aquel en el que la máquina que distingue casi no logra decidirse: le queda cerca de la mitad de las veces para cada lado. Ahí, el gofre de la plancha nueva es un objeto que ya cuesta distinguir del original.
En detalle
Dos máquinas compiten por turnos
Un lado recibe un montón de números sin ningún sentido y arma un resultado con eso. Como los números cambian cada vez, el resultado también cambia cada vez. El otro lado recibe una mezcla de datos reales y resultados creados, y decide cuál es cuál.
El entrenamiento avanza en turnos. Primero se ajusta el lado que distingue, mostrándole datos reales y creados para que aprenda a diferenciarlos. Después se ajusta el lado que crea, pero esta vez en la dirección de engañar al que distingue. Tras un intercambio, los dos lados quedan un poco mejor que antes.
La razón por la que la competencia sigue es que el problema se vuelve más difícil solo. Si el que crea mejora, el que distingue tiene que juzgar algo más difícil; si el que distingue se afina, al que crea le cuesta más pasar la prueba. Cada uno se convierte en el examen del otro para la siguiente ronda.
El puntaje sale de los errores del otro
Este método llamó la atención porque nadie tiene que fijar de antemano el criterio para calificar qué tan bien quedó algo. Crear una imagen no viene con una tabla de puntajes: no hay una forma clara de medir con un número si algo quedó bien hecho. GAN le deja ese trabajo de calificar a otra máquina.
Cuando el que distingue decide "esto parece hecho a máquina", el que crea recibe la señal de en qué falló y corrige justo eso. Al revés, si logra engañar, esa dirección queda confirmada como acertada. La tabla de puntajes se va reescribiendo sola durante el entrenamiento.
Gracias a esto, el resultado sale más nítido. Un modelo entrenado buscando el promedio tiende a dar resultados borrosos; aquí, en cambio, un resultado borroso se nota de inmediato y no pasa la prueba.
Cuando se rompe el equilibrio, el aprendizaje se detiene
El problema es que la competencia solo funciona si las dos máquinas tienen una fuerza parecida. Si el que distingue se vuelve demasiado fuerte, cualquier cosa que se le muestre la marca como falsa. El que crea deja de saber en qué dirección corregir, y el aprendizaje se detiene.
La situación contraria también es un problema. Si el que crea encuentra un solo resultado que funciona bien, se dedica a repetirlo sin parar. Aunque entren números distintos cada vez, lo que sale es siempre parecido: es como si una sola plancha de gofres hubiera resultado tan buena que la máquina solo tallara ese dibujo, una y otra vez. A esto se le llama colapso de modo.
Por eso el entrenamiento no es tranquilo. Hace falta bastante ajuste fino para emparejar el ritmo de las dos máquinas y evitar que una se adelante demasiado. Correr la misma configuración dos veces puede dar resultados bastante distintos.
Al terminar, se deja de lado a quien distingue
Cuando el entrenamiento termina, lo único que se usa de verdad es el lado que crea. La máquina que distingue solo fue un juez para el entrenamiento, y ya no hace falta una vez terminado el proceso. A un servicio solo se sube el lado que crea.
Como ese lado recibe un montón de números y entrega un resultado, el resultado sale con un solo cálculo. Es mucho más rápido que los métodos de varios pasos, así que sigue usándose donde hace falta generar la pantalla en tiempo real.
Dónde se usa hoy
Durante un tiempo, este método fue el centro de la generación de imágenes, pero ese lugar pasó en buena parte a los métodos que van despejando manchas poco a poco. Son más estables de entrenar, dan resultados variados con más facilidad y es más fácil guiarlos con una frase.
A cambio, GAN sobrevivió en los lugares rápidos y livianos: agrandar una foto de baja resolución, convertir la información de frecuencias de una voz en una onda de sonido real, transformar la pantalla en tiempo real, tareas que hay que resolver de un solo paso. La idea misma de hacer competir a dos para que aprendan también se extendió a otros campos.
Con más precisión
GAN optimiza dos redes neuronales, el generador y el discriminador, en direcciones opuestas sobre una misma función objetivo. El discriminador aprende a distinguir bien lo real de lo generado; el generador aprende a invertir el juicio del discriminador. En teoría, el equilibrio se alcanza en el punto en que la distribución que produce el generador iguala a la distribución real de los datos, y ahí la tasa de acierto del discriminador converge a la mitad.
La analogía también tiene grietas. Una plancha de gofres, una vez tallada, siempre imprime el mismo dibujo, pero el generador tiene que dar un resultado distinto según los números que reciba cada vez: si siempre sale lo mismo, eso mismo es la señal de que algo falló. Además, la máquina que distingue en la analogía compara con un gofre original puesto al lado, pero el discriminador recibe las muestras de una en una y califica qué tan probable es que sean reales, y ese criterio cambia cada vez que cambian las falsificaciones del generador.
También hay que señalar que confirmar si se llegó al equilibrio no es fácil. Que el valor de pérdida haya bajado no significa que el resultado haya mejorado, así que hace falta que una persona revise los resultados directamente, o medirlo con algún otro indicador aparte.
Pruébalo
Malentendidos comunes
Es fácil pensar que GAN es una estructura donde dos IA conversan y se enseñan mutuamente, pero en realidad ninguna busca enseñar a la otra. Cada una persigue solo su propio objetivo, y la que crea recibe la señal del juicio de la que distingue y se corrige para que la descubran menos.
Es fácil pensar que, al terminar el entrenamiento, se usan las dos partes juntas, pero en realidad solo se conserva el lado que crea, y el que distingue se descarta.
Es fácil pensar que hacerlas competir mejora todo por sí solo, pero en realidad, cuando se rompe el equilibrio de fuerzas, es fácil caer en un estado donde solo se repite un mismo resultado.
Resumen en una línea
GAN enfrenta a una máquina que crea con una que distingue, y repitiendo el ciclo de engañar y ser descubierto, las dos van mejorando juntas.
¿Has visto un error o tienes una analogía mejor? Sugerir una corrección · Última actualización 2026-10-17