Hongos que no existieron: imágenes sintéticas para entrenar la próxima granja inteligente

Hay algo extraño y casi poético en esta noticia: para que una máquina aprenda a reconocer hongos reales, unos investigadores decidieron fabricar hongos que no existieron. No en una sala de fructificación. No en una bandeja. Existieron en una escena generada con gráficos 3D y modelos de difusión.

En diciembre de 2025 se publicó un trabajo sobre generación de datos sintéticos fotorealistas para segmentación de champiñón blanco. El flujo combinó gráficos procedurales en Blender con modelos de difusión guiada. La meta era producir imágenes de Agaricus bisporus con anotaciones precisas, sin tener que pasar semanas marcando a mano cada borde de cada hongo.

El problema es fácil de entender si uno ha visto una cama de champiñón lista para cosecha. Los cuerpos se montan unos sobre otros. Algunos están cortados por el borde de la imagen. Otros se esconden parcialmente. La superficie del casing no es uniforme. La iluminación cambia. Para entrenar un modelo de visión artificial, cada objeto debería estar identificado. Eso exige horas humanas, paciencia, criterio y una consistencia difícil de mantener.

La respuesta de este estudio fue crear dos datasets sintéticos, cada uno con 6.000 imágenes, representando más de 250.000 instancias de hongos. Luego probaron modelos Mask R-CNN entrenados con esas imágenes en escenarios reales. Según el resumen del trabajo, lograron un desempeño fuerte incluso en evaluación zero-shot, es decir, probando el modelo en datos reales sin haberlo entrenado directamente con esas imágenes reales.

La tentación es pensar: listo, entonces la IA resuelve la fungicultura. Pero esa sería la lectura floja. La lectura más interesante es otra: la fungicultura está entrando en una etapa donde se pueden ensayar ambientes, formas y distribuciones antes de tenerlas físicamente. No para reemplazar el cultivo, sino para preparar herramientas que luego sí van al cultivo.

El hongo sintético no huele. No se contamina. No transpira. No cambia con el clima. Pero sirve para enseñarle a una máquina a distinguir formas. Sirve para multiplicar escenarios raros. Sirve para preguntar: ¿cómo se comporta el algoritmo si los hongos están muy juntos?, ¿qué pasa si la iluminación es mala?, ¿qué pasa si el sombrero está parcialmente tapado?, ¿qué pasa si la cámara se mueve?

En una granja real, cada error cuesta. En un ambiente digital, se pueden cometer miles de errores baratos antes de tocar una cama. Esa es la parte que vale la pena mirar. No porque todos los cultivadores tengan que usar Blender o entrenar redes neuronales, sino porque muestra cómo la agricultura controlada está empezando a tener una doble vida: una vida biológica y una vida simulada.

Para Setas de Siecha, este tema tiene una conexión pedagógica fuerte. Cuando uno enseña fungicultura, muchas veces intenta describir visualmente estados del cultivo: micelio sano, micelio débil, primordio, aborto, deformación, contaminación, exceso de CO2. El aprendizaje humano también necesita bancos de imágenes. No basta con decir “esto se ve bien”. Hay que mostrar muchas veces qué significa “bien” en contextos distintos.

La investigación en IA nos recuerda algo sencillo: ver es una habilidad entrenada. El ojo del cultivador no nace hecho. Se forma con repeticiones, errores, fotos, comparaciones y memoria. La máquina necesita datasets; nosotros también.

La diferencia es que nuestro dataset suele estar en la cabeza, mezclado con olores, pérdidas, lotes que fallaron y mañanas en las que el cultivo amaneció distinto. Tal vez el futuro más útil no sea reemplazar esa experiencia, sino organizarla mejor.

Lectura para Setas de Siecha

Esta noticia funciona mejor si no se publica como una curiosidad tecnológica, sino como una señal de cambio. El lector de Setas de Siecha no necesita salir con una respuesta cerrada; necesita salir con una pregunta mejor sobre su propio cultivo, su laboratorio, su sustrato o su manera de mirar los hongos.

Fuentes consultadas

• SyntheticData: https://arxiv.org/abs/2512.08747
• M18K: https://arxiv.org/abs/2407.11275