Este artículo detalla la trayectoria de un desarrollador que, tras una década de estudio autodidacta en machine learning, logró publicar un preprint en SIGGRAPH 2026 sobre un generador de terreno procedural basado en modelos de difusión. El autor, quien comenzó programando a los 13 años, describe su método de estudio como una combinación de fundamentos matemáticos sólidos y lectura crítica de la literatura técnica. Su plan de aprendizaje incluyó textos clásicos como 'Calculus' de Gilbert Strang y 'Deep Learning' de Goodfellow et al., complementados con cursos de Andrew Ng y la lectura recursiva de papers de ArXiv centrados en visión por computadora. El proceso requirió aproximadamente dos años para dominar el álgebra lineal y el cálculo, y otro año para completar el resto del plan, priorizando la comprensión conceptual sobre la práctica mecánica. La experiencia destaca la importancia de identificar las bases de conocimiento (SOTA) y seguir las referencias para construir un conocimiento profundo. Además, el texto ofrece recomendaciones específicas para quienes desean especializarse en áreas modernas como los transformers o los modelos de difusión, sugiriendo recursos actualizados como 'Attention Is All You Need' y el libro de Chieh-Hsin Lai. Aunque el autor no se considera experto en publicación académica, su relato sirve como referencia didáctica para entender la estructura de un proyecto de investigación en IA y la ruta necesaria para alcanzarla, desde la programación básica hasta la contribución a una conferencia de alto perfil.
Noticias agregadas con IA