Els darrers deu anys, els models generatius han passat de ser una línia prometedora de recerca de l’aprenentatge automàtic (ML) a convertir-se en una de les tecnologies centrals de la intel·ligència artificial (IA). La seva evolució ha estat tan ràpida que en una dècada han passat de generar resultats experimentals a produir text, imatges, àudio, vídeo i dades sintètiques amb un nivell de realisme i utilitat que ja està transformant sectors sencers.
Primer van destacar arquitectures com autoencoders variacionals (VAE) i les xarxes antagòniques (GAN) , capaces de generar imatges i dades sintètiques realistes; després van guanyar protagonisme els models basats en Transformers , que actualment conformen l’arquitectura base dels models grans de llenguatge ( LLMs ) i, més recentment, els models de difusió, que han millorat notablement la qualitat, varietat i control sobre els resultats en dominis com l’àudio i el vídeo. Actualment aquestes arquitectures les veiem combinades de manera innovadora en molts models d’IA, en una carrera efervescent per la generació altament realista de dades sintètiques, que està fent la ficció realitat en el desenvolupament d’aplicacions cientificotecnològiques molt dispars, des de l’automatització i simulació industrial , a la salut o la robòtica. Tot i l’aparició de nous reptes a afrontar en temes de privadesa, biaixos, transparència i confiança, no ha evitat l’expansió de l’ús d’una tecnologia imparable, amb un impacte cada vegada més gran tant econòmic com social.
I és que, més enllà de l’ús ja quotidià dels models de llenguatge (LLMs) com ChatGPT, la generació de dades sintètiques permet ampliar la recerca i el desenvolupament en àmbits d’alt valor social , per exemple, facilitant l’intercanvi de dades per a ciència, salut o polítiques públiques. Així passa en casos de preservació de privadesa de dades sensibles, o per exemple ajudant a equilibrar la representació de dades de situacions infreqüents, emergències o poblacions poc observades per millorar així l’entrenament de sistemes que han de funcionar més enllà del cas mitjà, tal com es fa en sistemes de conducció autònoma per a prevenció d’accidents.
Tot i això, una faceta menys coneguda dels models generatius és el seu enorme potencial predictiu. La seva capacitat per aprendre de forma no supervisada, sense necessitat d’anotació, distribucions extremadament complexes de les dades, que són difícils de modelar explícitament a escala humana, mostra la seva habilitat per predir situacions futures a partir de determinades condicions inicials, una funcionalitat clau en múltiples aplicacions innovadores. Vegem-ne alguns exemples:
- Entrenar robots en entorns reals sol ser costós i lent, no exempt de risc físic. Els models multimodals de visió i llenguatge (LVM), la predicció de vídeo dels anomenats WorldModels actualment en voga o l’edició automàtica “ inpainting” està permetent entrenar robots per realitzar tasques de manipulació amb alta destresa, sense necessitat de complexos models tridimensionals explícits . Per exemple, un robot industrial o de logística pot aprendre a identificar peces, estimar trajectòries o anticipar col·lisions abans d’operar al món físic usant exclusivament una càmera convencional. Aquí la dada sintètica no reemplaça del tot la real, però sí que accelera l’entrenament i millora la cobertura de situacions rares.
- Quan observem l’atmosfera i el clima veiem que funcionen com un sistema enormement complex difícil de predir, en què intervenen moltes variables alhora i on petits canvis poden produir resultats molt diferents. En aquest context, els models generatius, sovint tractant les dades climàtiques com a sèries estructurades temporals, estan començant a ser especialment útils, perquè no només aprenen a modelar implícitament com es comporta el sistema a partir de grans quantitats de dades, sinó que a més poden generar diferents escenaris possibles a partir d’una mateixa situació inicial . Això permet anticipar millor amb quina probabilitat podria passar cert esdeveniment climàtic, una cosa molt valuosa per preparar-se davant de fenòmens extrems com inundacions, sequeres o canvis bruscos de temperatura.
- En salut, els models generatius estan obrint noves possibilitats per anticipar com evoluciona una malaltia al llarg del temps . Més enllà de crear historials clínics o imatges sintètiques, el seu valor és aprendre la trajectòria d’un pacient i generar escenaris futurs plausibles a partir del seu estat actual , per desenvolupar els primers sistemes capaços de predir progressió, recaigudes, resposta a tractaments o aparició de complicacions. Aquesta línia de treball també s’està explorant en iniciatives com PHASE IV AI (Grant Agreement Number 101095384), que desenvolupa serveis de dades sanitàries sintètiques conformes amb la privacitat per donar suport al desenvolupament i la validació d’una IA fiable en l’àmbit sanitari. Treballs recents sobre models IA per a la predicció de l’ evolució de nòduls pulmonars en tomografies , podrien utilitzar-se en poc temps per anticipar recaigudes oncològiques, la progressió de malalties neurodegeneratives, o l’ aparició de complicacions cardiovasculars, ajudant a identificar abans els casos de major risc i a donar suport a la presa de decisions clíniques.
En els propers anys, el veritable potencial dels models generatius no estarà només en la seva capacitat per crear dades o contingut cada cop més realista, accelerant així molts fluxos productius, sinó també en el seu paper com a eines per explorar el que encara no ha passat. El seu valor creixerà allà on calgui anticipar escenaris complexos. En aquest horitzó, la generació sintètica deixarà de veure’s únicament com una tècnica de suport a l’entrenament i passarà a convertir-se en una infraestructura clau per a la simulació , la predicció i la presa de decisions. El repte serà que aquest avenç vagi acompanyat de garanties de qualitat, transparència i control, perquè el seu impacte no sigui només tècnicament impressionant, sinó també socialment valuós.
