Hace varios años, tras un acalorado debate en un bar en Montreal (Canadá), Ian Goodfellow tuvo una de las ideas más intrigantes de la inteligencia artificial (IA). Al aplicar la teoría de juegos, ideó una manera de que un sistema de aprendizaje automático en efecto se autoenseñara cosas sobre cómo funciona el mundo. Esta capacidad podría aumentar la inteligencia de los ordenadores al esquivar la laboriosa necesidad de entrenarlos con datos etiquetados de entrenamiento.  

Por aquel entonces, Goodfellow estudiaba la manera en la que las redes neuronales pueden aprender sin supervisión humana. Normalmente una red necesita ejemplos etiquetados para aprender de manera eficaz. Mientras que también es posible aprender de datos no etiquetados, no suele generar buenos resultados. Goodfellow, que ahora es un científico de datos del equipo Google Brain, se preguntaba si dos redes neuronales podrían trabajar en tándem. Una red podría aprender sobre un conjunto de datos y generar ejemplos; la segunda podría intentar averiguar si son reales o falsos, permitiendo así que la primera ajuste sus parámetros en un intento de mejorar su rendimiento.

Al volver del bar, Goodfellow programó el primer ejemplo de lo que denominó "Red Generativa Antagónica" (GAN, por sus siglas en inglés). Este enfoque de redes neuronales enfrentadas ha mejorado enormemente el aprendizaje a partir de datos no etiquetados. Las GAN ya son capaces de unos trucos que quitan el hipo. Al internalizar las características de una colección de fotos, por ejemplo, una GAN puede mejorar la resolución de una imagen pixelada. También puede generar realistas fotos falsas, o aplicar un estilo artístico determinado a una imagen. "Se puede pensar en los modelos generativos como el aporte de una forma de imaginación a la inteligencia artificial", sugiere Goodfellow. 

Por Will Knight