Un grupo de científicos británicos y estadounidenses desarrolló un modelo de inteligencia artificial capaz de reconocer con precisión las características visuales del pintor renacentista Rafael. Su trabajo, publicado en la revista Heritage Science, demuestra cómo el aprendizaje profundo puede convertirse en una herramienta útil para los historiadores del arte y los expertos en autenticación de obras. El sistema fue entrenado para distinguir las sutilezas del estilo de Rafael con un nivel de detalle imposible de alcanzar a simple vista.
Los investigadores se centraron en un conjunto reducido de cuadros auténticos del artista italiano, nacidos en el siglo XVI, para enseñar a la máquina cómo identificar su trazo. Las redes neuronales procesaron imágenes de alta resolución y aprendieron a detectar patrones en el color, la textura, el sombreado y la composición general. Esa información sirvió para construir una base de datos visual que, más tarde, sería utilizada para comparar obras atribuidas al pintor.
La inteligencia artificial alcanzó una precisión del 98 % al diferenciar entre cuadros de Rafael y pinturas de otros artistas como Rembrandt, van Dyck o Peter Lely. Ese nivel de exactitud permitió dar un paso más allá: usar la tecnología para analizar obras cuya autoría ha sido objeto de discusión durante siglos. El objetivo no era reemplazar la mirada del experto, sino ofrecer una herramienta adicional que sume evidencia al proceso de verificación.
La Madonna della Rosa y un rostro en duda
Entre las obras estudiadas, una llamó especialmente la atención: la Madonna della Rosa, conservada en el Museo del Prado. Durante más de un siglo, historiadores y restauradores han debatido si el cuadro fue pintado íntegramente por Rafael o si intervino alguno de sus discípulos del taller. El sistema de inteligencia artificial encontró algo que los ojos humanos no habían logrado confirmar.
Cuando los investigadores analizaron la pintura completa, los resultados fueron ambiguos. Pero al separar cada figura y evaluar los rostros por separado, surgió un patrón claro.
La Virgen, el Niño y San Juan mostraban las características propias del trazo de Rafael. En cambio, el rostro de San José arrojó un resultado distinto: según el modelo, no fue pintado por el maestro. La diferencia era tan significativa que el algoritmo asignó una probabilidad de solo 57 % a la autoría de Rafael en esa parte del lienzo.
El hallazgo respalda una hipótesis antigua: que uno de sus ayudantes, posiblemente Giulio Romano, participó en la ejecución de la obra. En el Renacimiento, era habitual que los grandes artistas trabajaran con talleres y asistentes que colaboraban en las composiciones, especialmente en los encargos de gran formato.
Cómo funciona una inteligencia que aprende de los maestros
El modelo utilizado por los investigadores se basa en una técnica conocida como “transfer learning”. En términos simples, consiste en tomar una red neuronal previamente entrenada para reconocer objetos comunes —en este caso, ResNet50, desarrollada originalmente por Microsoft— y adaptarla para un nuevo propósito: identificar el estilo de un artista. Así, la máquina aprovecha lo que ya sabe y aprende algo nuevo con pocos ejemplos.
Las primeras capas del sistema analizan elementos básicos como líneas, bordes y contrastes. Las más profundas procesan rasgos complejos, como la organización de la luz o la coherencia cromática de cada pintura.
A partir de esas capas, el equipo extrajo los llamados “vectores de características” y los utilizó para entrenar un clasificador tradicional, conocido como SVM (Support Vector Machine), que toma la decisión final: Rafael o no Rafael.
Además, el modelo incorporó una técnica complementaria de detección de bordes que permite estudiar los trazos y el ritmo del pincel. Esa información fue clave para comparar las obras y confirmar patrones exclusivos del maestro. La combinación de aprendizaje profundo y análisis de bordes permitió crear una huella digital del estilo pictórico de Rafael.
Un método que también ayuda a encontrar falsificaciones
El sistema fue probado con varios cuadros conocidos, tanto auténticos como imitaciones. En todos los casos, la inteligencia artificial logró clasificar correctamente las obras genuinas y detectar falsos intentos de copiar al maestro.
En uno de los experimentos, incluso identificó con acierto un retrato creado por uno de los autores del estudio que imitaba el estilo de Rafael, pero no sus detalles esenciales. El algoritmo demostró que incluso una copia bien ejecutada no logra reproducir la estructura visual de un original.
En otro caso, la tecnología sirvió para confirmar la autenticidad de The Virgin, una obra descubierta en Escocia que durante décadas se atribuyó a otro pintor. Tras analizarla, el modelo determinó que sus características coincidían con las de los cuadros verificados de Rafael, apoyando así la reevaluación de su autoría.
La diferencia no es menor: una obra de Rafael puede multiplicar su valor hasta en mil veces respecto de una copia o un trabajo de taller.
Los investigadores remarcan que la autenticación de arte no puede depender solo de un modelo computacional. La atribución completa exige revisar la procedencia, el estado de conservación y los materiales empleados. La inteligencia artificial se presenta como una aliada, no como un juez definitivo.
Lo que significa este avance para el arte y la ciencia
Más allá del caso de Rafael, este trabajo abre una vía para aplicar la inteligencia artificial a la historia del arte de manera rigurosa y colaborativa. Si se reúnen suficientes imágenes verificadas, es posible crear modelos específicos para otros pintores y épocas.
Esa combinación de ciencia y arte podría ayudar a detectar falsificaciones, identificar manos de taller o entender cómo evolucionó el estilo de un autor. El aprendizaje automático puede convertirse en una herramienta de apoyo para conservar y estudiar el patrimonio cultural.
El estudio también muestra cómo la inteligencia artificial puede adaptarse a contextos donde hay poca información disponible. Los científicos lograron entrenar su modelo con apenas un centenar de imágenes, algo inusual en el campo del aprendizaje profundo. Esto demuestra que la tecnología no necesita grandes bases de datos para ofrecer resultados valiosos si se diseña con cuidado y conocimiento experto.
El equipo prevé ampliar su trabajo a otros artistas del Renacimiento y evaluar cómo la resolución de las imágenes influye en la precisión de los resultados. Con el tiempo, este tipo de métodos podría integrarse en los procesos de autenticación junto con análisis químicos, radiografías o estudios de pigmentos. La tecnología no reemplaza la mirada del historiador, pero le ofrece una nueva forma de verla con mayor profundidad.
Referencias
- Ugail, H., Stork, D.G., Edwards, H. et al. Deep transfer learning for visual analysis and attribution of paintings by Raphael. Herit Sci 11, 268 (2023- versión temprana). doi: 10.1186/s40494-023-01094-0
