En 2014 Ian Goodfellow, doctorando en la Université de Montréal bajo la supervisión de Yoshua Bengio, presenta en NeurIPS 'Generative Adversarial Nets': un marco de entrenamiento en el que dos redes neuronales compiten en un juego de suma cero. El generador aprende a producir muestras sintéticas —imágenes, texto, audio— indistinguibles de los datos reales; el discriminador aprende a distinguir muestras reales de sintéticas. Entrenadas simultáneamente, la competición entre ambas fuerza al generador a mejorar continuamente hasta producir salidas de calidad creciente. La intuición nació en una discusión de bar con amigos en Montreal: Goodfellow escribió el código esa misma noche y lo probó en el conjunto de datos MNIST obteniendo resultados prometedores. Las GAN revolucionan la IA generativa: por primera vez es posible sintetizar imágenes fotorrealistas, transferir estilos artísticos, generar rostros humanos inexistentes o producir vídeos sintéticos convincentes. También abren el problema de los deepfakes —medios sintéticos usados para desinformación— y aceleran el debate sobre autenticidad y verificación de contenidos digitales. Son el antecedente directo de los modelos de difusión (Stable Diffusion, DALL-E) que dominarán la IA generativa visual a partir de 2022.