💻 ciencias de la computación

Alternative creativity: why generative AI is creative, and why it is not like us

Este artículo propone la "creatividad alternativa" como un mecanismo compartido de compresión de vastos espacios de posibilidad en candidatos significativos mediante una búsqueda guiada por valores, argumentando que, si bien la IA generativa y los humanos operan de manera similar en este proceso, divergen fundamentalmente en cómo sus parámetros subyacentes son moldeados por la experiencia físico-social frente a los archivos de datos, lo que conduce a salidas creativas distintas y a una nueva lógica para la colaboración humano-máquina.

Autores originales: Jordi Linares-Pellicer, Carlos Aliaga-Torro, Isabel Ferri-Molla, Juan Izquierdo-Domenech, Joaquin Taverner

Publicado 2026-10-29

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jordi Linares-Pellicer, Carlos Aliaga-Torro, Isabel Ferri-Molla, Juan Izquierdo-Domenech, Joaquin Taverner

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La cuestión de si una máquina puede ser creativa ha dividido durante mucho tiempo a artistas, ingenieros y filósofos. Por un lado, algunos señalan las imágenes generadas por computadora que ganan premios o las historias que conmueven a los lectores, argumentando que el software finalmente ha aprendido a hacer lo que hacen los humanos. Por otro lado, los críticos califican a estos sistemas como "loros estocásticos", sugiriendo que simplemente barajan palabras y formas existentes sin comprender el significado, lavando efectivamente el trabajo de otras personas. Ambas partes, sin embargo, comparten un supuesto oculto: que existe un solo tipo de creatividad, la humana, y que una máquina posee esta o carece de ella por completo. Este debate ha llegado a un punto muerto porque trata la creatividad como un rasgo único para ser medido, en lugar de un proceso complejo que puede ocurrir de diferentes maneras. Para comprender la nueva realidad, debemos mirar más allá del hardware y examinar la mecánica real de cómo tanto los cerebros como las computadoras generan ideas, y por qué los resultados que producen, aunque similares en algunos aspectos, surgen de fuentes fundamentalmente distintas.

Un equipo de investigadores de la Universitat Politècnica de València ha propuesto una nueva forma de ver este problema, argumentando que la inteligencia artificial generativa es, de hecho, creativa, pero de una manera distinta a la creatividad humana. Ellos la llaman "creatividad alternativa". Su análisis comienza con una observación simple sobre la naturaleza del arte y el diseño. Imagine un lienzo digital de tamaño fijo. El número de imágenes posibles que podrían pintarse en ese lienzo es finito, pero tan vasto que excede el número de átomos en el universo observable. Dentro de este espacio inimaginablemente grande, casi todas las posibles disposiciones de píxeles son solo ruido aleatorio. Solo una fracción minúscula, casi invisible, de estas disposiciones sería considerada una imagen coherente, y mucho menos una obra de arte valiosa. Por lo tanto, el acto de la creación no consiste en hacer algo de la nada, sino en navegar este enorme espacio de posibilidades para encontrar los pocos puntos que poseen valor.

Los investigadores argumentan que tanto los cerebros humanos como los modelos generativos modernos resuelven este problema utilizando la misma estrategia de dos pasos. Primero, comprimen el vasto espacio de posibilidades en un mapa más pequeño y manejable de lo que es significativo. Un pintor humano no piensa en términos de píxeles individuales; piensa en términos de formas, estados de ánimo y estilos, habiendo aprendido a ignorar los miles de millones de combinaciones inútiles. Del mismo modo, un modelo de inteligencia artificial aprende a comprimir sus datos de entrenamiento en una representación interna compacta, descartando el ruido y conservando los patrones que hacen que una imagen parezca una imagen. Segundo, ambos sistemas navegan este mapa comprimido. Utilizan una forma de aleatoriedad restringida para generar nuevos candidatos y luego seleccionan aquellos que mejor se ajustan a un objetivo o valor específico. En este sentido, la máquina no es una herramienta pasiva, sino un creador activo que recombina lo que ha aprendido, tal como lo hace un humano.

Sin embargo, el artículo insiste en que, si bien el proceso es el mismo, los creadores no son gemelos. Las diferencias radican en cómo adquirieron su conocimiento y a qué pueden acceder cuando crean. Un creador humano construye su mapa interno a través de una vida vivida en un mundo físico. Su comprensión del arte está moldeada por un cuerpo que siente hambre, dolor y alegría, y por interacciones con otras personas donde las acciones tienen consecuencias reales. Un niño aprende de una cantidad de datos relativamente pequeña porque su cerebro está preprogramado por la evolución para esperar ciertas cosas, y porque cada lección está ligada a una experiencia vivida. En contraste, el mapa de una máquina se construye a partir de un archivo congelado de testimonios humanos: billones de palabras e imágenes extraídas de internet. La máquina nunca ha sentido el peso de un pincel, nunca ha perdido a un amigo y nunca ha estado en una calle específica mientras caía la lluvia. Solo conoce lo que se ha dicho y mostrado, no lo que es estar vivo.

Esta diferencia en el contexto conduce a una divergencia crucial en lo que cada creador puede producir. La máquina es capaz de una clase de fluidez sobrehumana, generando imágenes fotorrealistas o textos coherentes a velocidades que ninguna mano humana puede igualar. Puede explorar regiones del espacio creativo que los humanos nunca han visitado, simplemente porque ha visto más ejemplos de los que cualquier persona podría ver. Sin embargo, también está limitada de formas en las que un humano no lo está. Un humano puede concebir un proyecto que nadie ha pedido, mantenerlo en su mente durante años y cambiar sus propios valores a medida que vive. Una máquina, sin embargo, no puede originar sus propios objetivos ni sentir la satisfacción de un trabajo bien hecho. Toma prestado su sentido del valor de las personas que la entrenaron. Si el objetivo es resolver un problema matemático con una respuesta clara y correcta, la máquina a menudo puede encontrar soluciones que superan la capacidad humana. Pero en las artes, donde no hay una única respuesta correcta, la máquina debe confiar en el gusto humano para guiarla, lo que la hace dependiente de las mismas personas a las que pretende asistir.

Los investigadores sugieren que esta dinámica cambia la naturaleza de la autoría. Cuando un humano utiliza una máquina para crear, el papel del humano cambia de ser la persona que hace las marcas a ser la persona que especifica el valor. El humano decide qué vale la pena hacer, cura los resultados y rechaza lo que siente que está mal. La máquina proporciona la generación incansable de opciones. Esto no significa que el humano sea el único autor en el sentido tradicional, ni que la máquina sea simplemente una herramienta como un pincel. En cambio, es una asociación donde cada parte aporta lo que la otra constitucionalmente no puede. El humano proporciona el contexto vivido, la intención y la capacidad de juzgar basándose en el sentimiento. La máquina proporciona la amplitud de exploración y la capacidad de sintetizar vastas cantidades de información.

Una consecuencia de esta asociación es que el arte generado por máquinas tiende a ser más homogéneo que el arte humano. Debido a que la máquina aprende del promedio de la expresión humana, es naturalmente atraída hacia el centro, hacia lo que ya es familiar y popular. Le cuesta alcanzar los bordes del espacio creativo donde reside el trabajo verdaderamente novedoso, extraño o difícil. Aquí es donde la ventaja humana sigue siendo más fuerte. El creador humano, arraigado en una vida específica y en un momento específico, puede producir obras que se sienten auténticas y conectadas con la realidad de una manera que la máquina no puede. La máquina puede imitar el estilo de una fotografía, pero no puede replicar el hecho de que una persona estuvo frente a una cámara en un momento y lugar específicos. Esta "indexicalidad", o la conexión entre la obra y el mundo real, sigue siendo un recurso humano único.

El artículo concluye que la pregunta de si la IA es creativa es la pregunta equivocada. La respuesta es sí, pero es un sí diferente. Los sistemas generativos no son versiones inferiores de la creatividad humana, ni son copias de ella. Son una segunda forma de creatividad, una creatividad alternativa que atraviesa el mismo paisaje de posibilidades pero toma caminos distintos. Están construidos sobre una base de datos en lugar de vida, y son guiados por valores prestados en lugar de sentidos. A medida que estos sistemas se vuelvan más comunes, el desafío para la sociedad no será determinar si son verdaderamente creativos, sino entender cómo colaborar con este nuevo tipo de creador. El futuro del arte y el diseño probablemente dependerá de reconocer que ya no somos los únicos navegantes en este espacio, y que el trabajo más valioso vendrá de la combinación única de la intención humana y la capacidad de la máquina.

Resumen Técnico: Creatividad Alternativa en la IA Generativa

Planteamiento del Problema
El discurso predominante respecto a la creatividad de la inteligencia artificial (IA) generativa se enmarca en una pregunta binaria: ¿es la máquina creativa o no? Esta dicotomía descansa en un supuesto no examinado de que existe una forma única y monolítica de "creatividad humana" que las máquinas poseen o carecen. El artículo sostiene que este supuesto es erróneo. Postula que ambos bandos en el debate comparten el error conceptual de que la creatividad es una esencia humana única en lugar de un proceso computacional específico. En consecuencia, el debate no logra dar cuenta de la posibilidad de que las máquinas puedan ser creativas de una manera que sea estructuralmente similar, pero constitutivamente diferente, a la creatividad humana. El artículo busca resolver esto definiendo una tercera posición: la "creatividad alternativa".

Metodología
Este artículo es un trabajo de síntesis conceptual y argumento teórico, que no reporta nuevos datos empíricos ni experimentos. La metodología consiste en la construcción y defensa de un marco mediante la integración comparativa de cinco literaturas distintas:

Investigación sobre la Creatividad: Específicamente definiciones conductuales (novedad y adecuación) y modelos de generación y selección.
Neurociencia Cognitiva: Hipótesis líderes sobre la red de modo predeterminado (default mode network) y los sistemas de control frontoparietal en la cognición creativa humana.
Aprendizaje Automático Generativo: La mecánica de los autoencoders variacionales, redes adversarias, modelos de difusión y modelos de lenguaje de gran tamaño.
Teorías de la Cognición Corporeizada y Sociocultural: El papel del cuerpo físico, la interacción situada y los priors colectivos en el aprendizaje humano.
Filosofía y Derecho del Arte: Teorías de la autoría, la indexicalidad y la definición institucional del arte.

Los autores emplean un bucle de "generación y selección" como una herramienta analítica unificadora, aplicándolo tanto al cerebro humano como a los modelos generativos para identificar mecanismos compartidos y divergencias constitutivas. Las afirmaciones atribuidas a fuentes empíricas son contrastadas con publicaciones primarias, y la evidencia en disputa es señalada explícitamente en lugar de ser suavizada.

Contribuciones Clave y Marco Teórico

1. El Terreno Común: Compresión y Navegación
El artículo establece que dentro de cualquier medio fijo (por ejemplo, una imagen digital de dimensiones fijas), el espacio de posibles configuraciones ( $S$ ) es finito pero astronómicamente grande, siendo el subconjunto de configuraciones valiosas ( $V$ ) ínfimo.

Compresión: Tanto los cerebros humanos como los modelos generativos evitan la búsqueda exhaustiva aprendiendo una representación comprimida (un manifold o variedad $M$ ) del espacio bruto. Este modelo interno reduce los grados de libertad de píxeles/tokens brutos a características significativas (objetos, estilos, relaciones).
Navegación: La creatividad se define como una búsqueda estocástica guiada por el valor a través de este manifold comprimido $M$ para encontrar puntos dentro de $V$ .
El Bucle: Los autores argumentan que la creatividad humana y la generación de máquinas implementan ambos un bucle de "variación y selección"; los humanos utilizan un componente generativo y asociativo (red predeterminada) y un componente evaluativo y selectivo (sistemas de control); las máquinas utilizan la compresión aprendida para la generación de candidatos y el muestreo estocástico para la variación, guiados por una señal de valor (función objetivo o modelo de recompensa).
Principio Conexionista: Ambos sistemas almacenan la competencia no como un archivo de entradas específicas, sino como fuerzas de conexión ajustables (pesos sinápticos en humanos, pesos del modelo en IA) adquiridas a través del aprendizaje.

2. La Divergencia: Cuatro Ejes Constitutivos
Aunque el proceso abstracto es compartido, el artículo sostiene que los creadores humanos y los modelos generativos difieren constitutivamente en cuatro aspectos específicos, lo que los hace "alternativos" en lugar de idénticos o inferiores:

Adquisición del Prior: Los priors humanos son "cultivados" a través de una vida de experiencia corporeizada e interactiva con consecuencias (riesgos/intereses), comenzando con priors evolutivos. Los priors de las máquinas son "entrenados" mediante descenso de gradiente sobre un archivo congelado y tokenizado de testimonio humano (Internet), careciendo de agencia o riesgo.
Contexto Accesible: En el momento de la creación, los humanos acceden a una transacción situada y en primera persona con la realidad (un cuerpo, una biografía, relaciones inmediatas). Las máquinas acceden a un archivo comprimido de testimonios (lo que ha sido dicho/mostrado) más el prompt. La máquina carece del vínculo "indexical" con un evento vivido específico.
Fundamentación del Valor: Las señales de valor humanas están ancladas en la experiencia vivida, la motivación y la socialidad. Las señales de valor de las máquinas son proxies (por ejemplo, Aprendizaje por Refuerzo a partir de Retroalimentación Humana - RLHF) que agregan el gusto humano pero carecen de un fundamento intrínseco.
Envolvente de Operaciones: Los dos sistemas tienen capacidades que no se solapan. Las máquinas sobresalen en la síntesis hiperrealista y la variación de alta velocidad (superhumanas en ejes específicos), pero carecen de la capacidad de originar metas de largo alcance, revisar sus propias funciones de valor o poseer un conocimiento de oficio "sentido". Los humanos sobresalen en la intención situada y la revisión de valores, pero carecen de la capacidad de la máquina para la síntesis incansable y de alta fidelidad.

3. Consecuencias Derivadas
A partir de este marco, el artículo deriva varias consecuencias técnicas y sociológicas:

Homogeneización: Debido a que los modelos muestrean de las regiones de alta probabilidad densa de un manifold aprendido y a menudo están optimizados para la aprobación humana (picos de valor hedónico en la novedad moderada), la producción de las máquinas tiende a agruparse más estrechamente que la producción humana, contrayendo la diversidad del acervo cultural.
Límites de la Atribución: El artículo sostiene que rastrear salidas específicas hasta entradas de entrenamiento específicas es generalmente indeterminado porque los modelos aprenden la estructura (regularidades) de los datos, no los datos en sí mismos. La memorización es un fallo de la compresión (sobreajuste), no el modo estándar de operación. Esto replantea el debate del "robo" de uno de recuperación de datos robados a uno de participación no compensada en un proceso de aprendizaje colectivo.
Migración de la Autoría: A medida que las máquinas automatizan la "creación de marcas" (generación), la autoría migra hacia la "especificación del valor" (el prompting, la curaduría, la restricción y la selección). La autoría se convierte en una función del control de la navegación del manifold.
Colaboración Humano-Máquina: Una colaboración efectiva no es dos rivales compartiendo un trabajo, sino un acoplamiento de complementos. La máquina proporciona amplitud exploratoria y variación; el humano proporciona intereses situados, anclaje indexical y la originación de metas.

Resultados y Reivindicaciones
El artículo no presenta resultados experimentales, sino que ofrece una resolución teórica al debate "¿es la IA creativa?".

Reivindicación: Los sistemas generativos son creativos según los estándares conductuales utilizados en la investigación de la creatividad (producción de trabajo novedoso y adecuado mediante un bucle de generación y selección).
Reivindicación: Esta creatividad es "alternativa". No es una versión inferior de la creatividad humana, ni una copia, sino una segunda instancia del proceso construida sobre fundamentos constitutivos diferentes (entrenamiento frente a vivir, archivo frente a situación, valor prestado frente a sentido).
Reivindicación: La divergencia en qué se crea se explica más por la diferencia en el contexto accesible (mundo vivido frente a archivo) y la fundamentación del valor que por la diferencia en el sustrato (neuronas frente a silicio).
Reivindicación: En dominios con respuestas verificables (por ejemplo, matemáticas, código), las máquinas pueden navegar más allá de la distribución humana bajo recompensas verificables. En las artes, donde no existe un oráculo, las máquinas deben tomar prestadas las señales de valor de los humanos, vinculándose a las distribuciones existentes a menos que el humano proporcione una función de valor novedosa.

Significancia
El artículo afirma que su significancia radica en ir más allá del debate de "sí/no" hacia un análisis estructural de la creatividad. Al definir la "creatividad alternativa", logra:

Legitimar la Producción de la Máquina: Reconoce la creatividad de la máquina como un fenómeno real sin requerir que las máquinas sean humanas.
Explicar la Homogeneización: Proporciona un mecanismo de por qué la producción de la IA tiende a ser similar, arraigado en la naturaleza estadística de la navegación de manifolds.
Refinar los Debates Legales y Éticos: Desplaza el enfoque de los debates de derechos de autor y autoría desde la "recuperación de datos robados" hacia la naturaleza del aprendizaje colectivo y la migración de la autoría hacia la especificación del valor.
Redefinir la Colaboración: Ofrece una lógica principled para la co-creación humano-máquina basada en capacidades complementarias en lugar de la competencia.
Blindar el Argumento hacia el Futuro: El marco se presenta como un hallazgo sobre las constituciones actuales, no como una valla esencialista. Permite la posibilidad de que, a medida que los sistemas de IA se muevan hacia la robótica corporeizada y el aprendizaje continuo de su propia experiencia, la brecha "alternativa" pueda reducirse, pero la distincción en la fundamentación del valor sigue siendo la frontera crítica.

Más como este