La fascinante pero también inquietante habilidad de algunos sistemas de inteligencia artificial para confeccionar imágenes realistas y/o imaginativas, ha venido estando condicionada por la potencia del hardware del que se sirven. Habitualmente, tales sistemas solo pueden funcionar con un equipamiento que está fuera del alcance de la amplia mayoría de la gente. El usuario debe conformarse con hacer peticiones al sistema a través de internet, compartiéndolo con muchos otros usuarios. Ahora, un nuevo y espectacular avance parece que va a permitir disponer de una inteligencia artificial de este tipo en el propio ordenador personal.
El logro es obra de un equipo internacional encabezado por Haotian Tang, del Instituto Tecnológico de Massachusetts (MIT) en Estados Unidos.
Tang y sus colegas han tomado lo mejor de dos populares métodos de generación de imágenes para crear un sistema combinado que consume menos energía y que puede ser ejecutado localmente en un ordenador personal e incluso en un teléfono inteligente.
Un tipo de modelo de inteligencia artificial muy popular, llamado modelo de difusión, puede crear imágenes asombrosamente realistas, pero es demasiado lento y consume muchos recursos computacionales, lo que le resta utilidad para muchos usos prácticos.
Por otro lado, los modelos autorregresivos sobre los que se basan inteligencias artificiales como ChatGPT son mucho más rápidos, pero producen imágenes de peor calidad y son propensos a cometer errores absurdos, como por ejemplo confundir una pierna de alguien con una pata de la silla donde se sienta.
Los investigadores del MIT, en colaboración con la empresa NVIDIA, han desarrollado un nuevo enfoque que aúna lo mejor de ambos métodos. Su herramienta híbrida de generación de imágenes utiliza un modelo autorregresivo para captar rápidamente la imagen general y, a continuación, un pequeño modelo de difusión para refinar los detalles de la imagen.
Su sistema, llamado HART (Hybrid Autoregressive Transformer) puede generar imágenes que igualan o superan la calidad de las imágenes generadas por los modelos de difusión más avanzados, pero además lo hace unas nueve veces más rápido.
