Los fallos estructurales de los modelos de difusión explican la comida generada por IA

Los últimos ejemplos de imágenes de comida creadas con IA son, en el mejor de los casos, extraños y, en el peor, repulsivos: camarones con forma de rosquilla, fideos que parecen gusanos o helado que recuerda a hormigón. La causa no es la falta de datos, sino una limitación inherente a los modelos de difusión.

Cómo funciona la difusión

Los generadores más populares empiezan con ruido puro y lo van refinando paso a paso. En las primeras iteraciones el modelo recupera estructuras gruesas; sólo al final aparecen los detalles finos como la textura de la superficie. Como explicó Chris Russell, profesor de IA y política en la Universidad de Oxford, si la forma básica está equivocada cuando se añaden los detalles, el resultado final conserva esa base incorrecta. Es el mismo error que produce una mano con seis dedos: la silueta básica es errónea y los detalles simplemente la cubren.

Por qué fallan con objetos delgados

Giovanbattista Califano, científico del comportamiento en la Universidad de Nápoles, señaló que los modelos de difusión son particularmente débiles generando estructuras finas y continuas. Los fideos, los hilos o los globos de aire son geometrías que el modelo no logra contener, por lo que aparecen como nudos, agujeros o manchas que se extienden sin lógica culinaria. Este problema se extiende a texturas repetitivas como semillas o burbujas, que suelen “desbordarse” fuera de los límites esperados.

Falta de comprensión semántica

Roland Meyer, profesor de culturas digitales en la Universidad de Zúrich, recordó que los modelos aprenden patrones estadísticos, no conceptos. No saben lo que es un sándwich o una tortilla, solo cómo se ven en las fotos de entrenamiento. Por eso pueden generar una hamburguesa que parece una roca o un helado que parece concreto. Michael Cook, del King's College London, añadió que la estética fotográfica – alto contraste, colores saturados, luces brillantes – se reproduce sin entender las estrategias profesionales detrás, lo que genera imágenes que parecen correctas a nivel visual pero absurdas al observarlas como comida.

Sesgo de los datos de entrenamiento

El entrenamiento se alimenta de miles de fotos de comida altamente estilizadas y, a veces, de imágenes que no son comida. Además, contenidos virales o memes pueden quedar sobrerepresentados. Simon Colton, de Queen Mary University, explicó que objetos comunes pero poco fotografiados, como una manzana roja sencilla, pueden quedar subrepresentados, mientras que versiones extravagantes o humorísticas ganan peso, distorsionando aún más la generación.

En resumen, la combinación de un proceso de generación que prioriza la forma gruesa antes que los detalles, la debilidad para reproducir estructuras finas y la ausencia de conocimiento semántico del mundo real produce los grotescos resultados que vemos hoy en la comida generada por IA.