Bernabé Mallo
Doctor en Filosofía por la Universidad del País Vasco (UPV/EHU)
Investigador
en neurofilosofía, evolución humana y origen del arte. / PhD in
Philosophy – University of the Basque Country (UPV/EHU)
Researcher in neurophilosophy, human evolution, and the origins of art.
Una reseña del estudio de Yali Liu y Can Zhu (2025) en Scientific Reports: The use of deep learning and artificial intelligence-based creative teaching in art education
Introducción: cuando la máquina mira un cuadro
¿Qué ve una máquina cuando contempla una pintura? No experimenta placer estético, no se conmueve con los colores, no evoca recuerdos. Pero, ¿puede aprender a reconocer lo que hace que una obra sea lo que es? ¿Puede descomponer una pincelada en sus componentes esenciales —textura, color, composición— y, a partir de ahí, generar algo nuevo?
El estudio de Yali Liu y Can Zhu, publicado en 2025 en Scientific Reports (Nature Portfolio), aborda precisamente esta cuestión. Los autores proponen y optimizan un sistema innovador de creación artística denominado Creative Intelligence Cloud (CIC), que combina redes generativas antagónicas (GAN) y redes neuronales convolucionales (CNN) para explorar cómo el aprendizaje profundo puede aplicarse a la educación artística. El objetivo no es solo generar imágenes, sino comprender el proceso mediante el cual una máquina adquiere lo que podríamos llamar un "conocimiento estético".
Este planteamiento nos sitúa ante una pregunta que atraviesa nuestra investigación sobre el origen del arte: ¿qué significa conocer una obra de arte? ¿Es suficiente con identificar patrones, estilos y estructuras compositivas, o se requiere algo más —una experiencia vivida, un cuerpo que sienta, un símbolo que se habite— que la máquina, por ahora, no posee? La respuesta, como veremos, nos obliga a distinguir entre dos formas de conocimiento: la que se basa en la correlación estadística y la que emerge de la función única del sistema nervioso.
El sistema CIC: anatomía de un aprendizaje visual
El sistema propuesto por Liu y Zhu se articula en torno a dos componentes técnicos fundamentales: las redes generativas antagónicas (GAN) y las redes neuronales convolucionales (CNN). Las GAN, introducidas por Ian Goodfellow en 2014, consisten en dos redes que compiten entre sí: una generadora, que produce imágenes, y una discriminadora, que intenta distinguir las imágenes generadas de las reales. Esta competencia adversarial obliga al generador a mejorar progresivamente la calidad de sus creaciones.
Las CNN, por su parte, son la herramienta mediante la cual el sistema "lee" las imágenes. A diferencia de una red neuronal tradicional, las CNN están diseñadas para procesar datos con una estructura de rejilla —como los píxeles de una imagen— y son capaces de detectar características locales (bordes, texturas, patrones) que luego se combinan en representaciones de mayor nivel (formas, objetos, composiciones). Es, en cierto modo, una imitación algorítmica de cómo la corteza visual humana procesa la información: desde rasgos simples hasta configuraciones complejas.
El sistema CIC se entrena con repositorios masivos de arte, como el dataset WikiArt, que contiene decenas de miles de pinturas etiquetadas por estilo, artista y época. A partir de este entrenamiento, el modelo aprende a descomponer las obras en sus elementos constituyentes: pinceladas, paletas de colores, estructuras compositivas. No "ve" el cuadro como un todo significativo, sino como una matriz de características que puede analizar, comparar y recombinar.
El "lente de datos": cómo la máquina aprende el lenguaje visual
El proceso de aprendizaje del sistema CIC ilustra lo que en otra reseña de este blog hemos denominado el "lente de datos" de la inteligencia artificial. A diferencia de una cámara fotográfica, que captura la luz de una escena real, la IA no ve el mundo directamente. Fragmenta miles de millones de imágenes preexistentes en unidades mínimas de información visual —los llamados tokens— y las asocia con etiquetas lingüísticas (palabras como "impresionista", "retrato", "azul"). De este modo, la máquina aprende un "lenguaje visual del mundo" que le permite, una vez entrenada, moverse de manera fluida y autónoma entre corrientes artísticas, estilos y épocas.
Este proceso tiene implicaciones profundas. Por un lado, permite una versatilidad sin precedentes: un modelo entrenado con WikiArt puede generar una imagen en el estilo de Van Gogh, una fotografía hiperrealista o una abstracción geométrica con la misma facilidad. Por otro lado, plantea la pregunta de qué significa "originalidad" cuando el sistema se entrena con millones de obras existentes. La máquina no inventa desde cero; recombina lo que ha aprendido. Su "creatividad" es, en el fondo, una forma sofisticada de interpolación estadística.
Lo que la máquina no puede aprender: la brecha del symbolon
Aquí es donde el análisis técnico se encuentra con la filosofía. Liu y Zhu demuestran que el sistema CIC es capaz de analizar obras de arte, identificar estilos y generar imágenes nuevas. Pero, ¿comprende lo que hace? La respuesta, desde la perspectiva de nuestra investigación, es negativa. La máquina puede manipular tokens visuales y lingüísticos, pero no habita el símbolo. No hay nadie "dentro" que reconozca o sea reconocido en el acto de creación.
Esta distinción es crucial. El symbolon, en su sentido etimológico originario, es un acto de reconocimiento mediante códigos compartidos. Cuando un artista humano crea, no solo combina formas: proyecta su interioridad, comunica una experiencia, busca un encuentro con el otro. La obra de arte es un puente entre subjetividades. La máquina, por el contrario, produce objetos que pueden ser interpretados como arte, pero no genera el proceso vivo —el sustrato de supervivencia, la dimensión simbólica, la pulsión de completitud— que da sentido a la creación humana.
El sistema CIC, al descomponer las obras en características estadísticas, pierde precisamente lo que hace que una obra sea una obra: su carácter de encuentro. La máquina puede aprender sobre el arte, pero no puede aprender desde el arte. No tiene un cuerpo que sienta, una historia que duela, una necesidad que impulse. Su conocimiento es, en el mejor de los casos, una sombra del conocimiento estético humano.
Una lectura desde el modelo S/Y/C
El estudio de Liu y Zhu ofrece un caso concreto donde se puede observar el funcionamiento de la Ley de coherencia biológica S/Y/C que constituye el núcleo de nuestra investigación (Mallo, 2023, 2025, 2026a, 2026b). Las tres dimensiones de nuestra tesis se despliegan aquí con una claridad poco común, precisamente porque el contraste con la máquina nos permite ver lo que en el humano damos por sentado.
La dimensión S (Supervivencia) se manifiesta en la utilidad del sistema CIC. Su objetivo declarado es mejorar la educación artística, proporcionar retroalimentación automatizada, ampliar el acceso a herramientas de creación. Esta es una función adaptativa legítima: la tecnología, como la cerámica neolítica, se adopta cuando resuelve un problema práctico. Pero la supervivencia del sistema no es la del organismo que lo utiliza. La máquina no necesita aprender arte para sobrevivir; el humano que la usa, sí. La IA es una herramienta de supervivencia cultural, no un sujeto que sobreviva a través de ella.
La dimensión Y (Symbolon) es el punto de mayor contraste. El sistema CIC manipula símbolos —etiquetas, estilos, representaciones visuales— con una eficacia impresionante. Pero no habita el símbolo. No hay un reconocimiento mutuo, una comunidad de códigos compartidos vividos. La máquina puede clasificar una pintura como "impresionista", pero no sabe lo que significa ser impresionista, no ha sentido la luz del sur de Francia, no ha discutido con un académico sobre la pincelada. El symbolon humano es vivido; el de la máquina, simulado.
La dimensión C (Completitud) se manifiesta en la búsqueda de la máquina por cerrar una forma, por generar una imagen coherente. Las GAN, en particular, operan mediante un proceso de convergencia: el generador y el discriminador compiten hasta alcanzar un equilibrio, un punto en el que las imágenes generadas son indistinguibles de las reales. Esta convergencia es una forma de completitud algorítmica. Pero es una completitud sin anhelo, sin la pulsión biológica que en el humano busca integrar las partes en un todo coherente. La máquina "cierra" una forma porque su función de pérdida se lo indica, no porque necesite dar sentido a su experiencia.
La Filosofía Quirúrgica nos invita a aplicar un corte analítico preciso al estudio de Liu y Zhu. No se trata de rechazar la tecnología ni de idealizarla, sino de distinguir niveles. En el nivel de la producción técnica, el sistema CIC es una herramienta poderosa que puede ampliar las capacidades del artista y del educador. En el nivel de la experiencia estética, la IA no puede reemplazar la subjetividad encarnada que constituye el corazón del arte. Y en el nivel de la responsabilidad cultural, es necesario un marco ético —como el humanismo tecnológico que hemos discutido en otras reseñas— que garantice que estas herramientas se utilizan para potenciar lo humano, no para sustituirlo.
Consideraciones finales: el arte como encuentro, no como clasificación
El estudio de Yali Liu y Can Zhu tiene el mérito de ofrecer una visión rigurosa y bien documentada de cómo el aprendizaje profundo puede aplicarse a la educación artística. Su sistema CIC demuestra que las máquinas son capaces de analizar, clasificar y generar imágenes con un grado de sofisticación que hace una década habría parecido imposible. Pero, al mismo tiempo, su trabajo revela —quizás sin proponérselo— los límites de ese enfoque.
La máquina puede aprender a reconocer un estilo, pero no a comprender por qué ese estilo importa. Puede descomponer una pincelada, pero no a sentir lo que la pincelada expresa. Puede generar una imagen nueva, pero no a habitar el proceso de creación como un acto de encuentro con el otro.
El arte, en su origen y en su función, no es una clasificación de características visuales. Es un encuentro entre subjetividades encarnadas. Y ese encuentro, por ahora, sigue siendo patrimonio exclusivo de lo vivo. La IA puede ser una aliada en la educación artística, una herramienta que amplíe el acceso y potencie la creatividad. Pero no puede ocupar el lugar del artista, ni del espectador, ni del educador. Porque el arte, como la supervivencia, el símbolo y la completitud, es algo que se vive antes de que se pueda medir.
Ahora bien, ¿qué aporta esta investigación al conjunto de nuestra indagación sobre el origen del arte? Creemos que lo más destacado no es solo lo que revela sobre las capacidades de la IA, sino la comparación que hace posible. Al observar cómo un sistema artificial, organizado por nosotros, descompone y recompone el legado visual de la humanidad, se nos ofrece un espejo inesperado para pensar cómo el propio sistema biológico, hace decenas de miles de años, pudo haber fragmentado, asimilado y reformulado el mundo para crear algo que hoy nos abarca a todos y a todo.
Comparar estas dos maneras de construir la creación —la artificial, guiada por algoritmos y datos; la biológica, guiada por necesidades, sesgos y anhelos— puede ser útil para afianzar alguna posible teoría sobre cómo los sistemas biológicos en general llegaron a producir arte. No se trata de equiparar ambos procesos, sino de utilizar el contraste como herramienta heurística: la máquina nos muestra, por ausencia, lo que la vida aporta. Y en esa ausencia —la falta de un cuerpo que sienta, de una historia que duela, de una necesidad que impulse— encontramos precisamente las claves de lo que el arte, en su origen, fue y sigue siendo.
Referencias bibliográficas
Liu, Y., & Zhu, C. (2025). The use of deep learning and artificial intelligence-based creative teaching in art education. Scientific Reports, *15*, Article 15763. https://doi.org/10.1038/s41598-025-00892-9
Mallo, B. (2023). La construcción neuro-simbólica. Una aproximación al funcionamiento del cerebro desde una perspectiva multidisciplinar [Tesis doctoral, Universidad del País Vasco - Euskal Herriko Unibertsitatea]. Repositorio ADDI. http://hdl.handle.net/10810/62701
Mallo, B. (2025). Arte y biología: Una aproximación neurofilosófica al origen de la experiencia estética. https://www.amazon.com/dp/B0E8Y5WZMK
Mallo, B. (2025). Art and biology: A neurophilosophical approach to the origin of aesthetic experience. https://www.amazon.com/dp/B0E8Y6C2XN
Mallo, B. (2026a). De la filosofía quirúrgica a la ley de coherencia biológica S/Y/C: Hacia una investigación sobre el origen del arte en la especie Homo. https://isbn.bibna.gub.uy/catalogo.php?mode=detalle&nt=57196
Mallo, B. (2026a). De la filosofía quirúrgica a la ley de coherencia biológica S/Y/C: Hacia una investigación sobre el origen del arte en la especie Homo [Versión Kindle]. https://www.amazon.com/dp/B0GYGTJD5C
Mallo, B. (2026b). From surgical philosophy to the law of biological coherence S/Y/C: Toward a study of the origin of art in the Homo lineage. https://isbn.bibna.gub.uy/catalogo.php?mode=detalle&nt=57197
Yu, C., & Liu, Z. (2026). Multi-task convolutional network for artwork analysis and personalized guidance. Scientific Reports, *16*, Article 70478. https://doi.org/10.1038/s41598-026-70478-6
Autor / Author
Bernabé Mallo
Doctor en Filosofía – Universidad del País Vasco / Euskal Herriko Unibertsitatea (UPV/EHU)
Investigador independiente en neurofilosofía, evolución humana y origen del arte.
Bernabé Mallo
PhD in Philosophy – University of the Basque Country / Euskal Herriko Unibertsitatea (UPV/EHU)
Independent researcher in neurophilosophy, human evolution, and the origin of art.
Enlaces / Links
Página de autor Amazon / Amazon Author Page: https://www.amazon.com/author/bernabemallo
ORCID: https://orcid.org/0000-0001-9002-9728
Plataforma EHUenRed / Link EHUenRed: https://www.ehu.eus/es/web/masterrak-eta-graduondokoak/red-latinoamericana-de-posgrados
Canal YouTube / Channel YouTube: https://www.youtube.com/@neuroideas815
Canal YouTube / Channel YouTube: https://www.youtube.com/channel/UCBsf6OZ482NjST6QA-hvYtQ
Publicaciones y proyectos en desarrollo / Publications and projects:
https://www.amazon.com/author/bernabemallo
https://ehuenred.theglocal.network/ideas/el-origen-del-arte-en-el-cerebro-de-makapansgat-al-moma-del-primate-al-sapiens