En un mundo dominado por avances tecnológicos impresionantes, los modelos de inteligencia artificial (IA) han demostrado ser extremadamente competentes en la producción de obras creativas. Sin embargo, aún enfrentan desafíos fundamentales cuando se trata de resolver problemas de manera creativa y realizar razonamientos abstractos, según un reciente informe de un equipo de investigación en Suiza. Este estudio analiza las capacidades creativas de sistemas generativos avanzados, examinando tanto sus logros en áreas como el arte y la música, como sus limitaciones en tareas que requieren originalidad.

El estudio señala que, si bien estos modelos pueden generar poemas y piezas de música con una gran calidad artística, su habilidad para enfrentar problemas que requieren pensamiento abstracto y solución creativa de problemas es limitada. Además, sus creaciones frecuentemente adolecen de falta de diversidad y originalidad, y a menudo presentan incoherencias a lo largo del texto y alucinaciones, aspectos que continúan siendo desafíos significativos.

La evaluación de la creatividad presenta dificultades, ya que es un rasgo humano caracterizado por su naturaleza subjetiva. Aunque algunas métricas innovadoras han sido propuestas para evaluar la novedad y la utilidad de las creaciones de IA, la incapacidad para abordar desafíos de coherencia a largo plazo y los problemas de desviación semántica representan un obstáculo genuino para evaluar la creatividad de manera efectiva. Los sistemas generativos, por ejemplo, pueden producir ilustraciones e historias con calidad impresionante, pero a menudo carecen de cohesión narrativa a largo plazo.

Desde un punto de vista más crítico, el estudio destaca los problemas emergentes relacionados con los derechos de autor y la autoría de las obras generadas por estas IA, planteando preguntas sobre las implicaciones éticas y legales del uso y la reutilización de datos en los modelos de lenguaje de amplio espectro. A pesar de los avances, siguen existiendo incertidumbres significativas sobre si estos modelos pueden rivalizar con la creatividad humana auténtica.

Mirando hacia el futuro, los investigadores sugieren direcciones prometedoras para la innovación, como la introducción de técnicas de desviación activa para desarrollar modelos que puedan perfectamente divergir de las distribuciones de entrenamiento sin sacrificar la calidad creativa. Estas estrategias podrían empoderar a las máquinas para superar el nodo crítico que confronta la obtención de creatividad genuina.