La mayoría de las herramientas de audio de IA están construidas alrededor de una sola promesa: darles un prompt y recibir algo pulido de vuelta. Engram, un nuevo instrumento de la startup musical Thoughtful Things, funciona bajo la premisa contraria. Trata el fallo de la IA no como un error que debe corregirse, sino como la materia prima de un nuevo tipo de música.
El dispositivo es un sampler y una groovebox. Toma el audio entrante, lo pasa a través de un modelo de IA alojado localmente y produce sonidos distorsionados, con fallos y deliberadamente extraños. El objetivo no es aproximarse a lo que produciría un estudio profesional. El objetivo es encontrar lo que vive en los límites de lo que un modelo pequeño de IA puede hacer, y luego ir más allá de esos límites.
Un modelo pequeño, entrenado con intención
Engram no se conecta a internet. La IA que corre en su interior es compacta por diseño, entrenada internamente por Thoughtful Things en conjuntos de datos de audio con licencia para uso comercial, específicamente material bajo licencias CC-BY o similares abiertas. La empresa ha declarado explícitamente que no ha entrenado sus modelos con datos no comerciales, pirateados o sin licencia, y que nunca lo hará.
Vale la pena detenerse en esto. La cuestión de con qué datos se entrenan los modelos de IA se ha convertido en una de las disputas legales y éticas centrales en las industrias creativas. Al comprometerse públicamente con datos de entrenamiento exclusivamente licenciados, Thoughtful Things está tomando una postura que muchas empresas de audio de IA más grandes se han mostrado reacias a adoptar con la misma claridad. Si ese compromiso se mantendrá a medida que la empresa crezca es una cuestión aparte, pero la declaración en sí es notable en un espacio donde la transparencia a menudo ha escasseado.
La elección de ejecutar el modelo localmente, en lugar de a través de una conexión en la nube, también tiene significado. Convierte a Engram en un instrumento autónomo, más parecido a un sintetizador que a una suscripción de software. El usuario es dueño del dispositivo y de su comportamiento. No hay dependencia de servidores, ni una política de uso que pueda cambiar de la noche a la mañana.
Circuit bending para la era de la IA
El fundador Evan King describe Engram como una “grabadora de campo para el espacio latente”. La frase merece ser analizada. El espacio latente, en el aprendizaje automático, se refiere a la representación matemática interna que un modelo construye de los datos que ha aprendido. Cuando un modelo genera una salida, está navegando por ese espacio. La premisa de Engram es que navegarlo mal, o empujarlo hacia un territorio para el que no fue diseñado, produce algo interesante en lugar de algo roto.
En el video de campaña, King demuestra esto diciendo la palabra “piano” dentro del dispositivo. Lo que regresa no es un sonido de piano. Es algo vagamente parecido a un piano, con fallos y transformado, reconocible solo en su contorno. Ese espacio entre la entrada y la salida es el instrumento.
El punto de referencia aquí es el circuit bending, una práctica que surgió en la música experimental hace décadas. Los practicantes de circuit bending modifican físicamente dispositivos electrónicos, juguetes e instrumentos reconectando sus circuitos de formas que los fabricantes nunca pretendieron, produciendo sonidos impredecibles como resultado. Engram aplica esa misma lógica a la IA: el modelo puede ser ajustado, empujado y efectivamente roto, y los resultados son tratados como material musical en lugar de errores.
Thoughtful Things también planea abrir el firmware de Engram, permitiendo a los usuarios modificarlo o cargar sus propios modelos personalizados. Esto posiciona al dispositivo no solo como un instrumento, sino como una plataforma, una que podría evolucionar a través de la experimentación de la comunidad de formas que la propia empresa no puede predecir por completo.
Engram se está lanzando a través de Kickstarter por 675 dólares, descrito como un descuento del 30 por ciento respecto a un precio de venta esperado en el rango de 850 a 900 dólares.
Lo que esto revela sobre la IA y las herramientas creativas
La importancia más amplia de Engram no trata realmente sobre la música. Trata sobre un cambio en cómo se están concibiendo las herramientas de IA para el trabajo creativo.
El modelo dominante en las herramientas de creatividad de IA ha sido el de la nivelación: reducir la fricción, eliminar la imperfección, entregar resultados que suenen o parezcan terminados. Ese modelo sirve a un cierto tipo de usuario y a un cierto tipo de objetivo. Pero también estrecha el espacio de lo que es posible. Cuando cada resultado está optimizado hacia un objetivo, el rango de salidas converge.
Engram apunta en una dirección diferente. Trata al modelo de IA como un material con sus propias propiedades, incluidos sus modos de fallo, y pregunta qué pasa cuando un músico humano trabaja con esas propiedades en lugar de en contra de ellas. Esto no es la IA reemplazando la creatividad humana. Es un humano usando la IA de la misma manera que un escultor usa la piedra: trabajando con la veta, encontrando lo que el material quiere hacer y moldeando eso en algo intencional.
El instrumento también plantea una pregunta que se volverá más urgente a medida que proliferen las herramientas de IA: ¿quién controla el modelo y bajo qué términos? La operación local de Engram, su firmware abierto y su política transparente de datos de entrenamiento representan una respuesta. Es una respuesta que prioriza la autonomía del usuario sobre la conveniencia de la plataforma.
En resumen
Engram es un instrumento musical que ejecuta un modelo de IA pequeño y alojado localmente, y utiliza los fallos y distorsiones de ese modelo como su principal resultado creativo. Construido por Thoughtful Things, se basa en la tradición del circuit bending para tratar el fallo de la IA como una característica en lugar de un defecto. Su política de datos de entrenamiento, su firmware abierto y su funcionamiento offline lo distinguen de las herramientas de audio de IA dependientes de la nube. El punto más profundo es este: no todas las herramientas creativas de IA necesitan optimizar para el pulido. Parte del territorio creativo más interesante puede residir precisamente donde el modelo se rompe.
Basado en información de The Verge.