Cuando empecé a utilizar inteligencia artificial en mis obras de internet, poco antes de la pandemia global, lo novedoso no era que estuviera usando aplicaciones chinas y rusas para crear deepfakes, montajes convincentes de rostros falsos. Fue actualizar, desde Santiago de Chile, la tradición del fotomontaje y la manipulación de imágenes mediante software, con la accesibilidad a herramientas generativas que hasta entonces habían pertenecido casi exclusivamente a medialabs del norte global. Ahora bastaba con un teléfono inteligente y una conexión doméstica para producir lo que desde hace cincuenta años había exigido un alto presupuesto institucional, hardware especializado y credenciales tecno-científicas. La utopía de la simbiosis humano-máquina, el grado cero del arte del que participo, ya no era cosa de pocos.

La historia de la inteligencia artificial es pródiga y en constante actualización. Antes de que la generación de imágenes, de sonidos y de texto volviera visible la IA para la mayoría de las personas, esta ya operaba de manera silenciosa en gran parte de nuestra vida cotidiana, y el chat es, entre esos usos cotidianos, el más antiguo. En 1966, el programa ELIZA, del MIT, simulaba una conversación con un psicoterapeuta reformulando lo que el usuario escribía, seis décadas antes de que hablarle a una máquina volviera a sentirse como una novedad. El sistema de posicionamiento satelital que calcula la ruta más corta en un teléfono usa técnicas de optimización del mismo campo desde los años setenta. Tampoco es nueva la presencia silenciosa de la IA en el corrector ortográfico, el filtro de spam y el sistema de recomendación de video, que pertenecen a una generación posterior, la de los modelos entrenados con datos.

Lo nuevo no es la capacidad técnica, es que hoy está al alcance de todos, aunque ese alcance se sienta distinto según el lugar del mundo desde el que se acceda. Desde el sur global, la herramienta llega ya terminada, con escasa o ninguna parte en su diseño. Y llega empaquetada bajo el nombre de una empresa, con una interfaz reconocible, una política de uso y un modelo de negocio detrás. Pero el orden correcto de esta historia es el inverso al que la marca sugiere. No empezó con la empresa que la masifica. Nuestra relación con la inteligencia artificial es sorprendentemente antigua, y se entrelaza desde su origen con la historia de la robótica y la de las redes de computadoras. Como disciplina, tiene su origen convencional en los años cincuenta, con los trabajos de Alan Turing y la conferencia de Dartmouth, arrancando casi en el mismo momento que la robótica industrial. Internet aparece un poco después, cuando a finales de los años sesenta surge su antecedente directo, ARPANET, una red experimental de origen militar que conectaba computadoras a distancia. La web pública, la capa visible que hoy identificamos con internet, recién apareció en los años noventa. Es esa misma red la que hoy asociamos con el uso cotidiano de la inteligencia artificial.

La relación entre el arte y las máquinas es tan vieja como la cámara oscura, el grabado o la fotografía. Pero la posibilidad de que una máquina genere una forma que no existe en ningún lugar previo a la propia máquina, sin fotografiar ni registrar nada externo, no se inicia con las redes neuronales ni con los modelos de difusión que hoy ocupan portadas y subastas. Comenzó mucho antes, en los laboratorios de la posguerra, cuando ingenieros y matemáticos empezaron a preguntarse si un sistema mecánico podía generar formas visuales con algún grado de autonomía. En 1950 el ingeniero norteamericano Ben Laposky fotografió las figuras que producía un osciloscopio al hacer interactuar corrientes eléctricas, y llamó a esas imágenes oscilones. No había computadora digital involucrada, pero había ya una idea que resultaría fundacional, la de que un proceso técnico ajeno a la mano del artista podía producir algo estéticamente relevante.

Esa idea maduró rápido durante los años sesenta, cuando el acceso a las primeras computadoras digitales permitió a un grupo disperso de investigadores explorar el dibujo algorítmico. En Alemania, Georg Nees y Frieder Nake programaron composiciones geométricas gobernadas por reglas y números aleatorios, y las exhibieron en galerías como si fueran obras de arte. En Estados Unidos, A. Michael Noll trabajaba en los laboratorios Bell y producía imágenes generadas por computadora que llegó a comparar, en experimentos formales con público no especializado, con dibujos de Piet Mondrian, para probar si los espectadores distinguían la autoría humana de la mecánica. En Hungría y luego en Francia, Vera Molnár desarrolló durante décadas una práctica sistemática de lo que ella llamaba máquina imaginaria, un método de trabajo mental que simulaba el comportamiento de un ordenador antes incluso de tener acceso a uno, y que después trasladó a programas reales sin abandonar su interés por la estructura, la repetición y la variación controlada.

Estos primeros experimentos compartían una condición técnica que conviene subrayar porque explica buena parte de la discusión posterior sobre la autoría. Las máquinas de los años sesenta y setenta no aprendían de datos ni reconocían patrones en imágenes existentes. Ejecutaban reglas escritas explícitamente por una persona. La aleatoriedad que introducían era estadística, no interpretativa. El artista seguía siendo, en un sentido estricto, el autor del sistema completo, incluso cuando el resultado visual concreto no podía predecirse con exactitud. En Gran Bretaña, esa misma vía analógica que había abierto Laposky, sin computadora digital de por medio, la retomó por otro método Desmond Paul Henry, profesor de filosofía que modificó computadoras analógicas de uso militar, es decir, calculadoras de bombardeo dadas de baja tras la Segunda Guerra Mundial, para acoplarles brazos de dibujo mecánicos. Sus máquinas producían composiciones lineales de gran densidad que expuso en Londres en 1962, antes incluso de que el término arte generado por computadora tuviera circulación establecida. En Estados Unidos, en cambio, el escultor Charles Csuri sí trabajó con computación digital desde el comienzo, con una formación previa en pintura figurativa, y desarrolló durante los años sesenta y setenta un trabajo sostenido sobre la deformación algorítmica de formas reconocibles, rostros, cuerpos y paisajes, sometidos a transformaciones matemáticas que anticiparon, con recursos muy limitados, operaciones que hoy se ejecutan de manera instantánea en cualquier software comercial.

Un momento que condensó esa efervescencia dispersa fue la exposición Cybernetic Serendipity, organizada por Jasia Reichardt en el Institute of Contemporary Arts de Londres en 1968. La muestra reunió por primera vez a artistas, ingenieros y músicos que trabajaban con computadoras, robots y sistemas cibernéticos, sin distinguir con demasiado rigor entre investigación técnica y producción artística, y funcionó como el primer espacio institucional que trató estos experimentos como un campo cultural legítimo y no como una curiosidad de laboratorio. La muestra itineró luego a Estados Unidos y dejó una genealogía de referencia que buena parte de la historiografía posterior del arte computacional sigue usando como punto de origen simbólico, más que técnico. El caso que mejor ilustra la transición hacia una autonomía basada en conocimiento codificado, y no solo en reglas geométricas, es el del pintor británico Harold Cohen. A comienzos de los años setenta, abandonó una carrera consolidada para dedicarse a escribir un programa al que llamó AARON, que desarrolló y refinó durante más de tres décadas. Su máquina no producía imágenes aleatorias, sino dibujos con figuras abstractas, cada vez más orgánicas, y lo hacía a partir de reglas que codificaban conocimiento sobre composición, sobre el cuerpo humano y, en etapas posteriores, sobre el color. Incluso, le construyó brazos robóticos para que este pintara físicamente sus propias obras sobre lienzo, lo que puede leerse como un desplazamiento de la pregunta sobre autoría, desde el diseño de la imagen hacia la ejecución material de esa imagen.

Lo interesante del caso Cohen no es tanto la sofisticación técnica del programa, modesta comparada con los estándares actuales, sino la posición teórica que el artista fue construyendo en paralelo. Sostenía que la pregunta relevante no era si AARON podía crear arte en un sentido pleno, sino qué tan mínimo podía ser el conjunto de reglas capaz de producir resultados que un espectador reconociera como intencionados. Esa pregunta anticipa buena parte del debate contemporáneo sobre los modelos de lenguaje y de imagen, donde la discusión sobre si la máquina entiende lo que produce suele desplazar la discusión, más productiva, sobre qué tipo de intencionalidad puede atribuirse a un resultado y bajo qué condiciones. La posición de Cohen no surgió en el vacío. Cabe leerla en continuidad con una objeción formulada más de un siglo antes por Ada Lovelace, quien en sus notas sobre la máquina analítica de Charles Babbage sostuvo que un dispositivo de cálculo solo puede hacer aquello que se le ha ordenado hacer, y que carece por lo tanto de capacidad para originar nada. Esa objeción, conocida en la literatura sobre inteligencia artificial como la objeción de Lady Lovelace, reapareció de manera casi idéntica en la crítica que Alan Turing intentó refutar en 1950 dentro de su artículo sobre máquinas de computación e inteligencia, y volvió a reaparecer, con vocabulario apenas actualizado, en cada nueva generación de sistemas capaces de producir imágenes. La persistencia de esa misma objeción durante más de siglo y medio sugiere que no se trata de una pregunta que la técnica pueda resolver por acumulación de capacidad computacional, sino de una pregunta filosófica sobre qué criterios se exigen para reconocer originalidad, criterios que rara vez se explicitan antes de aplicarse a un caso concreto.

Mientras AARON era refinado con las reglas explícitas que definieron esta primera etapa, el campo general de la inteligencia artificial atravesaba una historia mucho más accidentada, ciclos de entusiasmo y estancamiento conocidos como inviernos de la IA, en los que los sistemas basados en reglas mostraban límites claros para tareas de reconocimiento y clasificación, y la disciplina completa perdía financiamiento y credibilidad una y otra vez. El arte generativo, más pequeño y menos dependiente de ese financiamiento, siguió su curso propio durante esos años. El cambio que hizo posible el arte generado por estos sistemas tal como se lo entiende hoy no ocurrió en el terreno artístico sino en el de la arquitectura computacional, con el desarrollo de las redes neuronales profundas y, sobre todo, con la disponibilidad masiva de datos y de capacidad de cómputo durante la década de 2010.

El primer episodio que trasladó ese cambio técnico a la conciencia pública fue, paradójicamente, un accidente de investigación. En 2015, un equipo de Google que trabajaba en reconocimiento de imágenes probó algo distinto, en vez de pedirle al sistema que dijera qué veía en una foto, le pidieron que exagerara lo que ya creía ver. La red empezó a inventar formas que no estaban en la foto original, dándole a las imágenes un aspecto de alucinación. El resultado, bautizado DeepDream, no era lo que los ingenieros buscaban, pero terminó importando más como imagen que como herramienta para entender cómo pensaba el sistema. Su circulación masiva en internet lo convirtió en el primer contacto de gran parte del público con una idea que hasta entonces había quedado confinada a laboratorios, que una red neuronal podía producir imágenes con una lógica visual propia, ajena tanto a las reglas de un programador como a las aptitudes manuales de un artista.

Un año antes, en 2014, el investigador Ian Goodfellow había propuesto una arquitectura que resultaría decisiva para todo lo que vino después, las redes generativas antagónicas, conocidas por su sigla en inglés GAN. El principio es relativamente simple de describir aunque complejo de implementar, dos redes neuronales compiten entre sí, una genera imágenes intentando engañar a la otra, y la segunda intenta distinguir esas imágenes generadas de imágenes reales tomadas de un conjunto de datos. El entrenamiento conjunto de ambas redes, en un proceso iterativo de miles de rondas, produce con el tiempo un generador capaz de crear imágenes cada vez más convincentes. Las GAN se convirtieron rápidamente en la herramienta central del arte con inteligencia artificial durante la segunda mitad de la década de 2010, usadas tanto por investigadores como por artistas que empezaron a intervenir los conjuntos de datos de entrenamiento y los parámetros del proceso para dirigir el resultado hacia intenciones estéticas específicas. La misma arquitectura, aplicada al rostro humano, dio origen poco después a los deepfakes.

Entre 2015 y 2018 surgió un grupo heterogéneo de artistas que trabajaba directamente con GAN y con otras familias de redes neuronales. Está el artista estadounidense Robbie Barrat, quien sin haber estudiado en una universidad ni pertenecer a ninguna institución de arte, entrenó redes con conjuntos de datos de desnudos clásicos y de paisajes, compartiendo gratis en internet tanto sus resultados como el código para hacerlos. En Alemania, Mario Klingemann desarrolló un trabajo más sistemático sobre las fallas y las texturas propias de las redes generativas, convirtiéndose en una referencia temprana dentro de instituciones de arte digital como el ZKM de Karlsruhe. En paralelo, el investigador Ahmed Elgammal, en la universidad Rutgers, desarrolló junto a su equipo un sistema al que llamaron CAN, redes generativas creativas, que introducía un incentivo adicional en el entrenamiento para que el generador se alejara de los estilos históricos existentes en lugar de imitarlos, en un intento explícito de producir novedad estilística medible.

El episodio que terminó de instalar el arte con inteligencia artificial en la conversación pública fue la subasta, en octubre de 2018, de una obra titulada Retrato de Edmond de Belamy en Christie's de Nueva York. La pieza había sido generada mediante una GAN entrenada con un conjunto de catorce mil retratos históricos, por un colectivo francés llamado Obvious, y se vendió por cuatrocientos treinta y dos mil quinientos dólares, muy por encima de la estimación inicial. La firma que aparece en la esquina inferior de la obra no es la de ningún integrante del colectivo, es parte de la fórmula matemática que define la función de pérdida de una red generativa antagónica, un gesto que puede leerse como una declaración explícita sobre dónde quería situarse la autoría de la pieza. La venta generó una discusión intensa dentro del propio campo del arte generativo, porque muchos artistas que llevaban años trabajando con GAN, entre ellos Robbie Barrat, señalaron que el código usado por Obvious derivaba directamente de trabajo previo publicado abiertamente por otros artistas, sin que esa genealogía técnica quedara reconocida en la presentación de la obra ni en su comercialización. Esta controversia expuso una tensión que ha acompañado al campo desde entonces.

La arquitectura de las GAN dominó el campo hasta comienzos de la década de 2020, cuando fue desplazada por una familia distinta de modelos, los de difusión, que funcionan bajo un principio diferente. En lugar de hacer competir a dos redes, un modelo aprende a revertir un proceso de degradación progresiva, entrenado sobre millones de imágenes a las que se les añade ruido de manera controlada hasta volverlas irreconocibles, para luego aprender el camino inverso, el que permite reconstruir una imagen coherente a partir de ruido puro. Combinados con modelos de lenguaje capaces de interpretar prompts, estos sistemas dieron origen a las herramientas (DALL-E 2, Midjourney y Stable Diffusion) que popularizaron el arte con inteligencia artificial a escala masiva durante 2022.

La diferencia de escala entre este momento y los experimentos de Harold Cohen o de Vera Molnár no es solo cuantitativa. Los modelos de difusión actuales se entrenan sobre conjuntos de datos que incluyen miles de millones de imágenes recolectadas de internet, muchas de ellas protegidas por derecho de autor y usadas sin consentimiento, lo que ha derivado en litigios activos contra las empresas que desarrollan estos sistemas. La discusión sobre autoría, que en los años setenta se resolvía preguntando si Harold Cohen o su programa AARON eran responsables de una imagen concreta, se ha desplazado hacia una pregunta distinta y más difícil de responder en términos individuales, la de qué relación existe entre el trabajo de millones de artistas cuya obra integra un conjunto de entrenamiento y la imagen final que un modelo produce a partir de una instrucción textual escrita por un tercero que no participó ni en el entrenamiento del sistema ni en la producción de ninguna de las imágenes originales.

Vale la pena, en este punto, mirar el conjunto de la historia entre arte e inteligencia artificial contada hasta acá. Considerarla como una sucesión de hitos técnicos, del osciloscopio de Laposky a los modelos de difusión actuales, tiene la ventaja de la claridad cronológica pero el riesgo de sugerir que se trata de un progreso lineal hacia una autonomía creciente de la máquina. Esta lectura es engañosa. Lo que cambia de una etapa a otra no es solamente la capacidad técnica del sistema, es también la posición que ocupa el ser humano en el proceso, a veces como programador de reglas explícitas, otras como curador de conjuntos de datos, o bien como usuario de una herramienta comercial cuyo funcionamiento interno desconoce por completo. Ese desplazamiento no solo reabre la pregunta sobre quién firma la obra, también disloca la experiencia misma de mirarla, porque saber si hubo o no una mano humana de por medio cambia lo que el espectador cree estar percibiendo. Conviene notar además que ninguna de las etapas descritas sustituyó por completo a la anterior. Es razonable suponer la coexistencia de artistas que siguen escribiendo programas basados en reglas explícitas, en la tradición directa de Vera Molnár, con la de otros que siguen entrenando GAN propias en lugar de recurrir a los modelos de difusión comerciales.

La convivencia de estas prácticas, más que su reemplazo sucesivo, es lo que define el estado actual del campo, atravesado por la democratización del acceso a herramientas de IA antes reservadas a iniciados, y por la responsabilidad de una educación a la altura de estos cambios culturales. Entender esta historia exige seguir esos desplazamientos de posición con la misma atención que se le presta a los avances de la arquitectura computacional, porque más que la sofisticación de cualquier algoritmo particular, son esos cambios de lugar los que redefinen, en cada época, qué cuenta como autoría cuando el artista entra en simbiosis con la tecnología. Lo que se reinicia en cada avance técnico no es la jerarquía entre lo humano y la máquina, que hasta ahora siempre vuelve a recaer en una persona o una empresa, sino la forma concreta en que esa pregunta se plantea. Ese reinicio de la forma, no del fondo, es el grado cero.