La IA generativa logra restaurar digitalmente los colores perdidos hace 4.000 años de la civilización del Indo

El paso del tiempo cobra su peaje: los edificios se desmoronan, el bronce se cubre de pátinas y las pinturas pierden su vivacidad. Durante milenios, las cerámicas pintadas, las figurillas de terracota y los sellos de la civilización del Indo o civilización Harappa (c. 2600-1900 a. C.) han ido perdiendo sus colores originales. La humedad, los microorganismos, la química del suelo y la luz han borrado una paleta cromática que fue, en el pasado, un vehículo de significados simbólicos, de identidad cultural y de sofisticación artesanal.

Un grupo de investigadores de las universidades de Génova e Islamia ha presentado en 2026 un sistema pionero que cambia esta realidad. El estudio, publicado en la revista Digital Applications in Archaeology and Cultural Heritage, propone el uso de inteligencia artificial generativa, concretamente los modelos de difusión, para reconstruir de forma computacional los pigmentos perdidos de los artefactos harapanos.

La investigación propone una nueva forma de entender el pasado: un método que convierte al algoritmo en arqueólogo y al color en evidencia histórica. ¿Puede una máquina devolvernos los tonos de una civilización de hace más de 4.000 años?

Un proyecto rompedor propone el uso de inteligencia artificial generativa para reconstruir de forma computacional los pigmentos perdidos de los artefactos harapanos de hace 4.000 años.

El problema del color perdido: cuando los pigmentos desaparecen sin dejar rastro

El color no es un atributo menor de los objetos arqueológicos. En muchas sociedades antiguas, la elección y el uso de determinados colores servían para transmitir rango social, función ritual o identidad colectiva. En la cerámica prehistórica, por ejemplo, la convivencia del rojo, el negro y los tonos terracota refleja redes de intercambio, técnicas de producción y preferencias culturales concretas. Sin embargo, la civilización Harappa, una de las primeras culturas urbanas de Asia meridional, permanece en buena medida privada de su vocabulario cromático original.

Los análisis arqueométricos indican que los artesanos harapanos empleaban pigmentos de base férrica y de manganeso. La alteración oxidativa y el deterioro deposicional, sin embargo, han dejado la paleta completa en el terreno de la especulación. Aunque muy avanzadas, las técnicas de imagen hiperespectral y multispectral son reactivas por naturaleza, es decir, solo consiguen documentar aquellas sustancias aún detectables en el registro. Cuando los residuos de pigmento han desaparecido por completo, ya sea por oxidación, hidrólisis o degradación del aglutinante, estas herramientas no ofrecen respuesta.

Este vacío metodológico es precisamente el que los investigadores italianos y pakistaníes se propusieron cubrir. Su objetivo era transitar de la documentación del color a la predicción cromática: inferir qué tonos cubrieron las superficies que hoy aparecen descoloridas.

Las técnicas de imagen hiperespectral y multispectral son reactivas por naturaleza, es decir, solo consiguen documentar aquellas sustancias aún detectables en el registro.

Una IA que aprende a ver en el pasado: la arquitectura del sistema

El sistema desarrollado en el estudio se denomina GAICR (Generative AI Color Reconstruction). Se trata de un modelo de difusión latente derivado de Stable Diffusion v1.5, que se ha ajustado específicamente para la restauración arqueológica mediante una técnica llamada Low-Rank Adaptation (LoRA). Esta adaptación permite al modelo aprender los patrones cromáticos propios de la cultura harappense sin perder los conocimientos visuales generales adquiridos durante su entrenamiento previo.

El conjunto de datos de entrenamiento comprendió 1.200 imágenes de alta resolución correspondientes a 870 artefactos únicos. En el repertorio, se incluyen fragmentos de cerámica pintada, figurillas de terracota, sellos de esteatita y piezas escultóricas menores, procedentes del Museo Harappa y del Museo Nacional de Pakistán. A estas imágenes se sumaron 500 fotografías de referencia de culturas relacionadas, como Mesopotamia, Egipto y Baluchistán, que sirvieron para enriquecer el modelo con pigmentos bien conservados de contextos análogos.

Lo que distingue al sistema de otros intentos de restauración digital es su capacidad para integrar metadatos arqueológicos directamente en el proceso de inferencia. La tipología del objeto, su procedencia, el tipo de pigmento documentado químicamente y el estado de conservación se codifican como vectores de condicionamiento que guían al modelo hacia reconstrucciones cromáticamente plausibles. El color, por tanto, no se genera al azar, sino que se deduce a partir de lo que se sabe del contexto material y cultural de cada pieza.

La IA se alimentó con cientos de imágenes de 870 artefactos únicos de la Cultura Harappa.

Los resultados: colores que convencen a los expertos

Las reconstrucciones generadas por el sistema superaron con solvencia las evaluaciones cuantitativas. El error colorimétrico medio, medido con la métrica ΔE₀₀ (la diferencia perceptible entre el color generado y el de referencia), se situó en 3,67 sobre un máximo aceptable de 5. El índice de similitud estructural (SSIM) alcanzó un valor superior a 0,95, lo que indica una elevada coherencia entre las texturas originales y las reconstruidas. Frente a las técnicas tradicionales de retoque digital, el sistema de difusión generativa redujo el error cromático en un 42 % y mejoró el índice de estructura en un 13 %.

La validación cualitativa, realizada por un grupo de siete especialistas en patrimonio, arrojó resultados igualmente favorables. Cada experto evaluó 50 reconstrucciones seleccionadas al azar siguiendo tres criterios: plausibilidad cromática, coherencia estética e interpretabilidad cultural. La puntuación media fue de 4,47 sobre 5, con una alta concordancia entre los siete evaluadores.

El modelo demostró también una notable capacidad para mantener tonos de saturación moderada, evitando los colores excesivamente vívidos que delatarían una reinterpretación moderna. Las figurillas de terracota se reconstruyeron en gamas de ocre y marrón rojizo, acordes con los colores de cocción de las arcillas y con la escasa evidencia de pigmentación superficial aplicada en las piezas figurativas.

La tipología del objeto, su procedencia, el tipo de pigmento documentado químicamente y el estado de conservación se codifican como vectores de condicionamiento que guían al modelo hacia reconstrucciones cromáticamente plausibles.

El peso ético de restaurar lo que no existe: entre la ciencia y la interpretación

Los autores son conscientes de los peligros potenciales de su propuesta. Una reconstrucción digital tiene autoridad comunicativa y lo que se renderiza tiende a ser aceptado como auténtico por el público general. Por eso, el sistema GAICR incorpora, ya desde su diseño, un principio de transparencia epistémica. Cada reconstrucción incluye metadatos que especifican la configuración del modelo, los valores de error cromático y la distinción explícita entre zonas con pigmento residual y zonas de inferencia algorítmica pura.

Las reconstrucciones no se presentan como certezas, sino como hipótesis visuales probabilísticas, guiadas por la lógica material y cultural de cada artefacto. De este modo, no solo se salvaguarda la integridad académica, sino que también se abre un diálogo productivo entre conservadores, historiadores y tecnólogos sobre los límites y las posibilidades de la restauración digital.