Los modelos de difusión empiezan a crear cuando su memoria se desborda
Un estudio en Nature Communications ve los generadores de imágenes como memorias asociativas. Los «falsos recuerdos» que aparecen al desbordarse serían la primera señal de su creatividad.
Los modelos de difusión están detrás de muchos generadores de imágenes actuales. Fabrican una imagen nueva a partir de ruido aleatorio, que van limpiando paso a paso. Su punto delicado es de sobra conocido: a veces copian casi tal cual lo que vieron durante el entrenamiento y otras veces producen algo realmente nuevo. ¿Dónde está la frontera entre memorizar y generalizar? Un trabajo de Bao Pham, Gabriel Raya, Matteo Negri y sus colaboradores, publicado en Nature Communications, propone verlo con una herramienta antigua de la física y la neurociencia computacional: las memorias asociativas. Este texto es un resumen propio del artículo, no una traducción.
Una memoria que se desborda
Las redes de Hopfield son modelos clásicos de memoria. Su funcionamiento se entiende con una imagen sencilla: un paisaje de colinas y valles, el llamado paisaje de energía. Cada recuerdo guardado ocupa el fondo de un valle. Si le das a la red una versión incompleta o con ruido de ese recuerdo, el sistema «rueda cuesta abajo» hasta el valle más cercano y lo recupera completo.
Los autores trabajan con las memorias asociativas densas (DenseAM, por sus siglas en inglés), una generalización de esas redes que puede guardar muchos más recuerdos. Aun así, su capacidad tiene un límite. Cuando se le dan más datos de entrenamiento de los que admite su capacidad crítica, aparecen valles nuevos que no corresponden a ningún dato real. En la jerga se llaman estados espurios. Para una memoria son un problema, porque la red puede acabar en un «recuerdo» que nunca existió.
Generar como quien intenta recordar
La idea central del estudio es mirar el proceso de un modelo de difusión como si fuera un intento de recuperar un recuerdo. Partir de ruido y refinarlo hasta obtener una imagen se parece mucho a caer por el paisaje de energía hasta el fondo de un valle. Con esa lente, los investigadores describen tres regímenes según la cantidad de datos de entrenamiento:
- Pocos datos: el modelo crea un atractor (un valle) distinto para cada ejemplo de entrenamiento. Se comporta como una memoria por debajo de su capacidad crítica y tiende a devolver lo que ya ha visto. Es la memorización.
- Fase intermedia: la teoría de las memorias asociativas predice una zona crítica en la que empiezan a surgir estados espurios. El estudio la identifica también en los modelos de difusión.
- Muchos datos: el modelo pasa a generalizar y produce muestras que no son copias del conjunto de entrenamiento.
Lo más llamativo es cómo cambia la interpretación de esos estados espurios. En una memoria clásica son errores. En un modelo generativo, según los autores, dejan de ser artefactos negativos y pasan a ser los primeros indicios de capacidad generativa. Dicho de otra forma, los «falsos recuerdos» serían el momento en que la máquina empieza a combinar lo aprendido en algo que no estaba en los datos.
El equipo afirma que estos estados aparecen en una amplia variedad de arquitecturas y conjuntos de datos. Eso apunta a una propiedad general de los modelos de difusión, no a una rareza de un diseño concreto.
Lo que hay que tener en cuenta
Conviene leer el resultado con algo de cautela:
- Es un marco teórico, una forma de interpretar los modelos de difusión, apoyado en experimentos. No es una receta para construir generadores mejores, aunque pueda orientar en esa dirección.
- El resumen del artículo habla de muchas arquitecturas y conjuntos de datos, pero no detalla cuáles. Hasta qué punto el marco sirve para los grandes sistemas comerciales es algo que habrá que comprobar.
- La relación entre «estado espurio» y «creatividad» es una analogía técnica precisa dentro del modelo matemático. No significa que la máquina imagine en un sentido humano.
El artículo es de acceso abierto con licencia CC BY: Pham, B., Raya, G., Negri, M. et al., «Emergence of diffusion models from associative memory through memorization and generalization», Nature Communications (2026), DOI: 10.1038/s41467-026-78727-y.
Por qué importa
Saber cuándo un modelo memoriza y cuándo crea no es solo una curiosidad académica. Tiene que ver con algo práctico: evitar que un generador reproduzca casi literalmente imágenes de su entrenamiento. Este trabajo une dos mundos que solían estudiarse por separado, las memorias asociativas de la física estadística y la IA generativa moderna. Además da un vocabulario común para describir la transición entre copiar y generalizar. Si el marco se confirma en sistemas grandes, podría ayudar a diagnosticar en qué fase está un modelo según cuántos datos ha visto. También deja una idea sugerente: lo que en una memoria se consideraba un fallo podría ser el origen de la capacidad de crear.
- Emergence of diffusion models from associative memory through memorization and generalization — Nature Communications
Texto generado con inteligencia artificial a partir de las fuentes citadas, sin revisión humana individual (Reglamento UE 2024/1689, art. 50). Las fotos llevan su crédito y licencia; las marcadas como realzadas se han retocado con IA sin alterar su contenido.
Relacionado
- Planes que se reparan solos: los modelos de difusión aprenden a corregir agentes
- Entrenar a los buscadores con IA a buscar bien, no solo a acertar la respuesta
- Estrujar la incertidumbre cuántica protege mejor a los «qubits gato»
- Un gel que regenera el esmalte dental con la propia saliva: la ciencia contra la caries
- Anterior en Ciencia: Un mapa señala dónde quedan más fósiles marinos por descubrir en el mundo
- Siguiente en Ciencia: Codificación eficiente bayesiana: una teoría une dos grandes ideas sobre el cerebro
Temas: Inteligencia artificial (88) · Nature Communications (4)




Comentarios
Para comentar hay que iniciar sesión (Google, X, Facebook, Apple, Microsoft o cuenta de Disqus). Se moderan insultos, spam y datos personales: normas.
Los comentarios los sirve Disqus, un servicio externo que usa cookies propias y de publicidad. Solo se carga si pulsas el botón. Más información.