Hoy en día, la IA generativa está marcando un punto de inflexión en el mundo del arte. La investigación sobre el arte ortogonal llevada a cabo por Sergio Álvarez-Teleña y Marta Díez-Fernández apunta a que el principal desafío que la IA generativa plantea al arte no es de carácter económico ni responde a la conocida preocupación de que las máquinas sustituyan al trabajo humano. Plantea, en cambio, una cuestión filosófica en torno a la novedad y la expresión personal, dos características que tradicionalmente han definido el arte como una práctica propiamente humana. La primera se entiende como la capacidad de crear algo realmente inédito; la segunda, como la manifestación de una subjetividad individual, forjada a partir de la experiencia vivida y la intención.
La IA generativa ejerce presión sobre ambas características. Un sistema entrenado a partir de ingentes repositorios de producción cultural humana puede generar imágenes, textos y composiciones que, en ocasiones, cuesta distinguir de las obras de creación humana. Lo hace sin un cuerpo, sin un «yo» y sin el tipo de intención que, históricamente, ha justificado que una obra pueda denominarse arte. Es capaz de emular a la perfección los resultados del proceso creativo humano.
Una posible respuesta sería considerar la IA una nueva herramienta sofisticada y ponerla al servicio de fines expresivos. Se trata de un enfoque legítimo, pero no aborda una cuestión más profunda. En la era de la generación automática, ¿qué sigue siendo intrínsecamente humano en el acto de crear? En lugar de preguntarnos cómo podemos utilizar la IA para crear arte, cabría preguntarnos qué es lo que la IA no puede hacer. Y, sobre todo, qué nos revela ese límite sobre la capacidad creativa humana, que antes era invisible o que, sencillamente, nunca habíamos necesitado definir.
Álvarez-Teleña y Díez-Fernández denominan «arte ortogonal» a esta reorientación. El término tiene una precisión geométrica: alude a una dimensión perpendicular al eje en el que opera la IA y que, por tanto, queda fuera del alcance actual de la máquina. No se posiciona ni en contra de la IA ni junto a ella, sino en un plano perpendicular. Es fundamental señalar que el arte ortogonal no se define por su aspecto ni por el medio que emplea, sino por su orientación hacia lo que sigue siendo intrínsecamente humano.
La obra de Sergio Álvarez-Teleña, que firma sus esquemas con el nombre artístico de Sateshi, ejemplifica cómo llevar esta idea a la práctica. Sus esquemas exploran espacios generativos y conceptuales a los que los sistemas actuales de IA no pueden acceder. De este modo, su obra nos ayuda a preguntarnos no solo qué puede crear la IA, sino también qué revelan sus limitaciones sobre la creatividad humana.
Pero identificar qué sigue siendo propiamente humano nos obliga también a analizar más detenidamente cómo describimos aquello que hacen las máquinas. El trabajo humano que hace posible el desarrollo de la IA —resolver ecuaciones complejas, desarrollar algoritmos, seleccionar y analizar enormes conjuntos de datos y tomar innumerables decisiones de diseño— rara vez resulta visible. Las partes visibles son las tareas automatizadas: sistemas que reconocen imágenes, generan texto o ejecutan juegos. Esta falta de visibilidad determina la forma en que hablamos de la IA. A medida que aumenta la capacidad de sistemas como ChatGPT, resulta cada vez más fácil perder de vista a las personas y las decisiones humanas que hay detrás de ellos. Decimos que las máquinas «aprenden» y «hablan», «analizan» y «piensan». Este lenguaje puede transmitir la impresión de que estos artefactos son autónomos y, al mismo tiempo, ocultar la intervención humana que los hace funcionar. Esta invisibilización lingüística de la agencia humana ayuda a explicar por qué la IA suscita reacciones tan polarizadas, que oscilan entre la aceptación y la resistencia, la fascinación y la inquietud. Para reflexionar con claridad sobre la agencia humana y la IA, debemos analizar los términos que definen cómo entendemos estos sistemas.
Quizá «inteligencia artificial» no fuera la expresión más acertada para lo que se pretendía describir en la década de 1950, cuando los investigadores intentaban desarrollar modelos de la inteligencia y el aprendizaje humanos. El término «inteligencia» es impreciso y difícil de definir con rigor, mientras que el adjetivo «artificial» remite al arte y el saber hacer humanos, pero centra nuestra atención más en el artefacto que en su creador.
Los adjetivos son importantes; aportan fuerza y añaden significado a las palabras a las que acompañan. La inteligencia que las máquinas debían simular fue definida por los propios seres humanos: la inteligencia artificial fue, desde el principio, una imitación de la inteligencia humana producida por máquinas diseñadas por seres humanos. Sin embargo, con el aumento de la precisión de esos modelos, los creadores empezaron a quedar relegados a un segundo plano frente al éxito de su creación. Desde entonces, la inteligencia artificial ha ido perdiendo peso frente a otro concepto: el aprendizaje automático.
Los primeros investigadores empleaban un lenguaje que distinguía claramente entre el modelo y la realidad que este pretendía representar. En 1943, Warren McCulloch y Walter Pitts no denominaron «red neuronal» a su modelo, sino que lo presentaron bajo el título «Un cálculo lógico de las ideas inmanentes en la actividad nerviosa». En 1948, John von Neumann describió en detalle los «autómatas artificiales» y las «máquinas de calcular», a los que calificó de «artefactos excepcionales» en su artículo «La teoría general y lógica de los autómatas». En Cybernetics, Norbert Wiener recordó a sus lectores que «la información es información, no materia ni energía». En 1950, Alan Turing reformuló deliberadamente la pregunta «¿Pueden pensar las máquinas?» y planteó en su lugar lo que denominó el «juego de la imitación». Incluso los principios matemáticos que hacen posible la IA son fruto del ingenio humano: el álgebra booleana, el cálculo lambda, la aritmética de coma flotante, el álgebra matricial, el cálculo diferencial, la teoría de la probabilidad, el teorema de Bayes, la entropía de Shannon y la retropropagación son el resultado de siglos de razonamiento matemático humano. Son artificiales en el sentido más profundo de la palabra, pues constituyen marcos conceptuales creados por el ser humano para comprender y manipular el mundo.
Pero, en 1958, Frank Rosenblatt propuso un cambio interesante al sugerir «que el modelo entonces vigente se formulara en términos de teoría de la probabilidad en lugar de lógica simbólica». La lógica simbólica y la teoría de la probabilidad podrían haber evolucionado en paralelo, pero Rosenblatt planteó sustituir la primera por la segunda. La consecuencia ontológica de esta sustitución resulta llamativa: la probabilidad parece menos inventada que descubierta. Existe una distancia entre el signo y la palabra, entre el mapa y el territorio, entre los datos y el mundo. Los sistemas basados en la probabilidad pueden hacer que esa distancia resulte menos perceptible. En lugar de manipular principalmente símbolos que hacen referencia a entidades, generan comportamientos mediante procesos estadísticos. Así, una distribución de probabilidad puede parecer más autónoma, es decir, menos evidente como representación creada por el ser humano. Esto se hace especialmente patente cuando su estructura se deriva de los datos, en lugar de construirse a partir de reglas explícitas establecidas por personas. El diseñador parece pasar a un segundo plano, mientras que el modelo «aprende» de los datos «automáticamente».
Sin embargo, detrás del aprendizaje automático sigue habiendo un sistema que codifica correlaciones y las aplica de manera mecánica. La probabilidad no ha salvado la distancia entre los datos y el mundo; simplemente la ha descrito de otra manera. Sigue siendo un artificio de medición que no ofrece una solución definitiva. Una probabilidad elevada puede crear la impresión de que el modelo y la realidad han llegado a converger, ocultando la brecha que sigue existiendo entre la representación y lo representado. Esta distancia persiste, pero su formulación en términos probabilísticos hace que resulte menos evidente. Cuanto más precisos son los artefactos, más autónomos parecen y más relegan a un segundo plano a los creadores humanos.
El lenguaje desarrollado en torno a estos sistemas reforzó esta idea. El término «redes neuronales» se convirtió en una forma metafórica de describir las multiplicaciones matriciales y el descenso por gradiente que forman parte de estos modelos, pero la metáfora contribuye también a generar la ilusión de una «máquina que piensa». El término «aprendizaje automático» se ha incorporado asimismo a nuestro vocabulario para describir esta rama de la inteligencia artificial que se centra en mejorar las predicciones mediante operaciones estadísticas complejas. Pero las máquinas no «aprenden», sino que optimizan. Lo que denominamos «máquina que aprende» es un sistema diseñado para minimizar los errores mediante el ajuste de millones de parámetros numéricos. Este proceso se lleva a cabo en pequeños pasos, ajustando los parámetros en la dirección que permite reducir el error: la del gradiente negativo. Por eso, el algoritmo de optimización recibe el nombre de «descenso por gradiente», un término que describe con precisión lo que hace el algoritmo, pero que no sugiere en absoluto una inteligencia biológica autónoma. En cambio, la imagen de una máquina con redes neuronales capaz de aprender resulta mucho más fascinante, aunque transmite la idea equivocada de que las máquinas pueden sustituir a los seres humanos, en lugar de ampliar sus capacidades.
Las máquinas siguen necesitando datos preparados por personas a partir de los cuales puedan «aprender». Sin embargo, el trabajo humano que requiere este proceso suele pasar desapercibido, lo que contribuye a crear una falsa impresión de autonomía. Las máquinas aprenden a partir de corpus digitales y datos de entrenamiento, expresiones simplificadoras que centran toda la atención en las máquinas y ocultan el trabajo humano que hay detrás de la generación, recopilación, organización, depuración, etiquetado y selección de los datos. Cada conjunto de datos refleja también decisiones humanas, pero el término «aprendizaje no supervisado» transmite la idea equivocada de que no existe ningún tipo de supervisión, cuando, en realidad, numerosas etapas del proceso requieren una supervisión minuciosa para obtener información significativa, desde la selección de los datos hasta su interpretación.
Esta distinción entre el criterio humano y el «aprendizaje» de las máquinas nos remite de nuevo a la práctica esquemática de Álvarez-Teleña, quien llevaba años creando esquemas de forma privada bajo el nombre artístico de Sateshi antes de que estos se convirtieran en el punto de partida del «arte ortogonal» como marco teórico. Lo que hace que esta práctica resulte significativa es precisamente que no surgió como una propuesta. Las obras no se crearon para ser expuestas ni estaban destinadas a un público distinto del propio autor. Fueron tomando forma en privado, a lo largo de los años, como expresión natural de una sensibilidad que encontraba un auténtico placer estético en la construcción de esquemas.
El proyecto nunca tuvo como finalidad principal transmitir un mensaje a los demás. La experiencia era sencilla: lo que Álvarez-Teleña describe como «la tranquilidad que se siente tras comprender»: ese instante en el que un sistema complejo, una vez comprendido en su totalidad, se revela como una estructura que no solo es correcta, sino también bella.
El medio específico del arte ortogonal —el esquema técnico— podría parecer, a primera vista, poco habitual. Sin embargo, en este caso, el esquema no es solo un diagrama de ingeniería o un diagrama de flujo, sino una herramienta cognitiva: un marco generativo que permite establecer nuevas relaciones entre ideas, descubrir estructuras ocultas en los datos y hacer visible aquello que, de otro modo, permanecería latente.
Esta elección no es arbitraria. Los sistemas de IA destacan por su capacidad de identificar patrones en los datos con los que han sido entrenados, pero tienen dificultades cuando no disponen de ejemplos de los que aprender. El pensamiento esquemático humano puede exigir algo diferente: mantener una tensión productiva entre lo granular y lo sistémico; observar un campo de información indiscriminado y reconocer en él el esqueleto de un argumento aún por formular. Esta distinción es la que hace que el pensamiento esquemático sea relevante a la hora de distinguir lo que la IA puede reproducir de lo que no.
El aprendizaje no supervisado ofrece también un punto de comparación interesante con el pensamiento esquemático humano. Los sistemas tratan de descubrir estructuras latentes en los datos sin recurrir a etiquetas predefinidas. En algunos aspectos, este proceso se asemeja al que sigue el pensamiento esquemático humano. Sin embargo, descubrir estructuras significativas no consiste únicamente en identificar relaciones estadísticas, sino que también exige juzgar qué es relevante, qué elementos están relacionados entre sí y qué relaciones tienen verdadero significado. Esos juicios se basan en algo de lo que carecen los sistemas de inteligencia artificial actuales: una perspectiva corpórea, situada históricamente y orientada de manera intencional.
El afán por sustituir a los seres humanos por máquinas refleja, en parte, la impaciencia ante la falta de fiabilidad humana, la ambigüedad, la incertidumbre y la variabilidad. Como observaron Joseph Agassi y Joseph Weizenbaum en 1976, los informáticos buscan «sistemas predecibles, controlables y medibles». El aprendizaje automático representa este impulso: elimina la ambigüedad mediante la formalización, la incertidumbre mediante la probabilidad y la variabilidad mediante el promedio. Existen razones de peso para automatizar el trabajo humano: razones económicas, como la reducción de los costes laborales; razones de gestión, como el aumento del control y la eficiencia; y razones ideológicas, basadas en la creencia de que las máquinas son más objetivas y fiables que los seres humanos.
Sin embargo, la ambigüedad, la incertidumbre y la variabilidad también pueden entenderse no como deficiencias de la inteligencia humana que deban eliminarse mediante la ingeniería, sino como elementos constitutivos de la propia inteligencia. Y aquí es donde las humanidades aportan un contrapunto importante. La inteligencia humana es la capacidad de interpretar significados ambiguos, emitir juicios en situaciones de incertidumbre, comprender variaciones que no responden a patrones claros y valorar los errores dentro de un espectro, en lugar de hacerlo desde una perspectiva binaria. Mientras que, en los campos técnicos, la ambigüedad se considera un problema que hay que resolver, en las humanidades se entiende como parte inherente de la construcción del significado. Mientras que el aprendizaje automático busca minimizar la incertidumbre, las humanidades cultivan la capacidad de interpretarla. Y mientras que la optimización promedia la variabilidad, las humanidades examinan las particularidades de cada variable disponible. No se trata de una falta de rigor, sino de una forma de rigor distinta, adecuada para problemas que se resisten a la formalización.
Esa forma de rigor puede ser especialmente relevante para la propia IA. Tal y como subrayan Álvarez-Teleña y Díez-Fernández en su artículo, el aprendizaje no supervisado —el ámbito «menos maduro» de la IA— exige lidiar con la ambigüedad, la incertidumbre y la variabilidad, en lugar de eliminarlas.
Las humanidades cultivan otras capacidades que también son importantes. Los humanistas se forman en el pensamiento contextual, la capacidad de extraer significado atendiendo a la situación y la conciencia histórica necesaria para entender que las categorías actuales son contingentes, no inevitables. Investigan por qué las preguntas se plantean de una determinada manera y cuestionan la propia definición de los problemas. Reconocen las ausencias significativas, admiten las contradicciones sin tratar de resolverlas y trabajan con la paradoja. Practican la lectura pausada y la atención sostenida, formulan hipótesis a partir de pruebas incompletas y recurren a formas de razonamiento ético que se resisten a una formalización sencilla. Además, evalúan y reevalúan las dinámicas de poder existentes en sus respectivos ámbitos y los posibles perjuicios que estas acarrean. No se trata de habilidades anticuadas, sino de capacidades esenciales para comprender sistemas —incluidos los de inteligencia artificial— que pueden presentarse como naturales, objetivos e inevitables.
Los incentivos económicos para eliminar «la mano de obra humana de los procesos de producción» son reales y no tenemos por qué oponernos a la automatización de forma generalizada. Sin embargo, la colaboración entre humanos e IA también depende de que se preserven precisamente estas capacidades humanas. No podemos desarrollar una inteligencia «artificial» si perdemos la capacidad de crear e interpretar tanto los contenidos como los artefactos utilizados para analizarlos. Lejos de haber quedado obsoletas, las humanidades clásicas proporcionan una base epistemológica tanto para las humanidades digitales como para el desarrollo de la inteligencia artificial.
Sin embargo, el tipo de creatividad humana que ilustra el arte ortogonal encierra una paradoja: es efímera por naturaleza. En cuanto una idea esquemática se hace lo suficientemente explícita y se da a conocer públicamente, queda al alcance de los sistemas de aprendizaje automático. Si se le da visibilidad suficiente, una máquina puede aprender a reproducirla. La frontera se desplaza.
Pero esto no constituye un defecto ni resta valor a la creatividad humana. Los seres humanos nunca han gozado de una ventaja permanente sobre sus herramientas. Lo que siempre han conservado es la capacidad de avanzar, descubrir, abrir nuevos caminos y ocupar nuevos territorios antes de que el mapa llegue a reflejarlos. La frontera de lo que las máquinas no pueden hacer no es una posición fija que haya que defender, sino un horizonte en constante movimiento que debemos tratar de alcanzar. La ventaja del ser humano no reside en proteger de forma permanente una capacidad concreta frente a las máquinas, sino en seguir descubriendo lo que está por venir.
La fotografía no supuso el fin de la pintura. Más bien puso de manifiesto algo que la pintura siempre había sido. La pregunta ahora es si, con el tiempo, podremos decir lo mismo de la IA generativa: si nos ayudará a comprender mejor en qué consiste la creatividad humana.
Los seres humanos han creado y preservado el arte a lo largo de los siglos y ese océano de cultura, volcado ahora en los grandes modelos de lenguaje (LLM), podría proporcionarnos nuevos pinceles con los que pintar.
Artículo originalmente publicado en inglés en IE University Insights. https://www.ie.edu/insights/articles/orthogonal-art-what-ai-hides-about-human-intelligence/
Contenido sindicado vía RSS de El Universal Cultura. Nota original: https://www.eluniversal.com.mx/cultura/confabulario/arte-ortogonal-lo-que-oculta-la-ia-sobre-la-inteligencia-humana/