World Labs propone una taxonomía de modelos del mundo y pone la simulación en el centro de la IA

World Labs publicó una propuesta para ordenar uno de los conceptos más ambiguos de la inteligencia artificial actual: los modelos del mundo. Su planteamiento divide esta tecnología en renderizadores, simuladores y planificadores, y sostiene que la simulación será la capa decisiva para conectar video generativo, robótica e inteligencia espacial.
***

• World Labs argumenta que los llamados modelos del mundo no son una sola cosa, sino tres funciones: renderizar, simular y planificar.
• La firma sostiene que la simulación, basada en geometría, física y dinámica, es el puente entre imágenes generadas y agentes que actúan.
• El texto presenta a Marble como su primer paso hacia entornos 3D explorables y anticipa una convergencia hacia modelos unificados.

La discusión sobre los llamados modelos del mundo se ha convertido en uno de los debates más relevantes dentro de la inteligencia artificial. El problema es que el término se usa para describir tecnologías muy distintas entre sí. En ese contexto, @WorldLabs publicó una propuesta para ordenar el concepto desde una perspectiva funcional.

El texto parte de una idea central: los modelos de lenguaje dominan conceptos, vocabulario y razonamiento sobre texto, pero el mundo físico y virtual opera sobre otra base. En vez de aprender patrones estadísticos del lenguaje, los modelos del mundo aprenderían la estructura estadística del espacio y del tiempo. Eso incluye cómo cae la luz sobre una superficie, cómo cambia una escena según el ángulo de visión o cómo reaccionan los objetos ante fuerzas físicas.

La tesis no es menor, porque hoy distintas ramas de la IA aseguran estar construyendo modelos del mundo, aunque muchas veces hablen de cosas incompatibles. Un modelo de video capaz de generar escenas espectaculares, un sistema que improvisa un entorno jugable y un motor físico que reproduce con fidelidad la combustión pueden compartir la misma etiqueta, aunque no ofrezcan la misma clase de comprensión del entorno.

World Labs sostiene que esta confusión llega en un momento en que el sector necesita precisión. Por eso propone una taxonomía funcional basada en una estructura clásica del aprendizaje por refuerzo: el proceso de decisión de Markov parcialmente observable, conocido como POMDP. Ese marco describe cómo un agente actúa sobre un mundo sin observar de forma directa su estado completo.

La lógica del POMDP es simple en apariencia, pero profunda en sus implicaciones. Un agente, que puede ser una persona, un robot o un software, ejecuta acciones. Esas acciones modifican el estado del mundo. Sin embargo, el agente nunca accede al estado total, sino solo a observaciones parciales, como fotones, sensores o píxeles de video. A partir de esas observaciones toma nuevas decisiones, y así se cierra el ciclo.

En ese punto, World Labs enfatiza una diferencia importante. Cuando habla de “estado”, no se refiere a estados de la materia como sólido o líquido. Habla de una descripción completa del mundo en un instante dado: objetos, posiciones, velocidades y propiedades. Esa realidad subyacente existe en principio, aunque ningún agente pueda verla de manera total desde dentro del sistema.

Tres funciones para ordenar el campo

Desde esa base, la firma plantea que la mayoría de los llamados modelos del mundo pueden entenderse como tres funciones distintas. La primera es el renderizador. Su tarea es producir observaciones, normalmente en forma de píxeles orientados a ojos humanos. Aquí la variable dominante es la fidelidad visual.

Un ejemplo sería un modelo de video que toma una instrucción en texto y genera una toma cinematográfica de dron. También entrarían sistemas interactivos como Genie 3 de Google o RTFM de la propia World Labs, donde el sistema genera cuadros en tiempo real según la entrada del usuario. El punto crítico es que estos modelos no necesitan comprender de forma explícita la estructura tridimensional del mundo.

Según el argumento, un renderizador produce lo que un espectador vería, no necesariamente lo que el mundo “es”. Una ciudad puede verse impecable desde arriba, pero derrumbarse cuando se intenta recorrerla a nivel de calle. Eso limita su utilidad para tareas donde importa la consistencia estructural y no solo la apariencia.

La segunda función es el simulador. Aquí ya no se trata solo de imágenes plausibles, sino de producir estado. En otras palabras, una representación geométrica, física o dinámica del mundo con la que puedan trabajar tanto personas como programas. El contrato del simulador no es visual, sino estructural.

World Labs explica que un simulador debe ofrecer geometría resistente a la inspección, física alineada con leyes newtonianas y dinámicas coherentes con el comportamiento esperado del entorno. Esa precisión importa a arquitectos, cineastas, diseñadores y desarrolladores de videojuegos, pero también a agentes de aprendizaje por refuerzo, robots y vehículos autónomos que necesitan entornos de entrenamiento a escala.

La tercera categoría es el planificador. Su salida ya no son observaciones ni estados, sino acciones. Dada una observación y un objetivo, el planificador responde qué debe hacer el agente a continuación. Por eso el texto lo presenta como el reverso del renderizador: donde uno transforma acciones en observaciones, el otro convierte observaciones en acciones.

En esta categoría entrarían los modelos de visión-lenguaje-acción, sistemas basados en modelos y la nueva ola de modelos de acción del mundo. Todos buscan que un robot o agente decida cómo actuar en ambientes poco estructurados. Aun así, la firma remarca que estas tres categorías no son compartimentos totalmente separados, porque dependen de un conocimiento común sobre geometría, física y dinámica.

Por qué la simulación ocuparía el lugar decisivo

De las tres funciones, World Labs considera que la simulación recibe menos atención pública, aunque sería la más decisiva. El renderizado, por ejemplo, es hoy la parte comercialmente más madura. Los productos de imagen y video generativo han crecido con rapidez en mercados de consumo y empresariales.

El texto menciona el caso de Nano Banana, de Google, como una tecnología que habría puesto generación de imágenes con calidad de renderizador en manos de cientos de millones de usuarios potenciales. Sin embargo, advierte que estos sistemas optimizan plausibilidad visual y no precisión física. Pueden ser impresionantes, pero no bastan para diseñar un edificio o entrenar un robot confiable.

En el otro extremo aparece la planificación, quizás la parte más llamativa de la nueva robótica, pero todavía incipiente. World Labs señala que muchas demostraciones recientes han sido visualmente sorprendentes, aunque confinadas a laboratorios muy restringidos, con pocos tipos de objetos y tareas de corta duración.

La firma insiste en que aún existe una gran distancia entre un video atractivo y un robot útil en una cocina, un almacén o un quirófano. A pesar de eso, las apuestas comerciales son altas. Varios actores bien financiados buscan desplegar sistemas de planificación generalista, mientras grandes empresas de infraestructura intentan construir esas capacidades sobre plataformas de simulación más amplias.

Para World Labs, la simulación es el puente entre ambos mundos. Si el lenguaje es una abstracción del entorno y los píxeles son una proyección, entonces la geometría, la física y la dinámica serían el nivel donde el mundo realmente se organiza. Un modelo que domine ese plano podría proyectar su conocimiento tanto hacia imágenes para humanos como hacia predicciones de acción para agentes incorporados.

La tesis es contundente: un modelo que solo domina renderizado o solo planificación no puede heredar automáticamente las capacidades del otro. En cambio, uno que domine simulación tendría una base más profunda para ambos. Por eso la empresa vincula esta capa con mercados enormes, desde gemelos digitales y cadenas de suministro hasta pruebas de vehículos autónomos, visualización arquitectónica, ingeniería y descubrimiento de fármacos.

Los obstáculos técnicos y la apuesta de Marble

El texto también dedica espacio a los problemas abiertos. Uno de ellos es la escasez de datos tridimensionales con geometría explícita, propiedades materiales y anotaciones físicas. Ese material es mucho menos abundante que los grandes volúmenes de video de internet que alimentan a los renderizadores.

Otro reto clave es la llamada brecha sim-real. Ese concepto describe la diferencia entre cómo se comportan las cosas dentro de una simulación y cómo lo hacen en la realidad. Incluso si un agente aprende bien en un entorno virtual, puede fallar al salir del laboratorio digital. En el caso de simuladores generativos, aparece además un riesgo nuevo: geometrías que parecen correctas a simple vista, pero contienen autointersecciones o escalas erróneas que vuelven absurda la física resultante.

A eso se suma el costo computacional. La simulación multifísica a gran escala, donde interactúan cuerpos rígidos, objetos deformables, fluidos y telas, sigue siendo mucho más cara que la simulación en un solo dominio. Esto limita la construcción de mundos ricos y útiles para entrenamiento o diseño de alto nivel.

Dentro de ese panorama, World Labs presenta a Marble como su primer paso. El sistema acepta indicaciones multimodales, ya sea texto, imagen, video o boceto espacial, y genera entornos 3D explorables. Según la descripción, produce Gaussian splats para exploración visual y también mallas de colisión sobre las que puede operar un motor físico.

La empresa deja claro que Marble no sería un punto de llegada. Lo describe como el comienzo de un arco más largo, en un campo donde las fronteras entre renderizado, simulación y planificación empiezan a desdibujarse. Esa convergencia, sostiene, ya es visible en varias líneas de investigación.

Entre los ejemplos mencionados aparece una serie pequeña pero creciente de trabajos en robótica que usan renderizadores de video preentrenados como columna vertebral para predecir en conjunto el mundo y la acción. Esto sugeriría un puente entre renderizadores y planificadores, al permitir que un sistema imagine qué ocurrirá y qué debería hacer.

Hacia un modelo del mundo unificado

World Labs argumenta que el patrón más importante del sector hoy es el colapso progresivo de las fronteras entre las tres funciones. La intuición compartida es que el conocimiento necesario para renderizar un mundo, simularlo y actuar en él es, en gran parte, el mismo.

La firma ilustra esta idea con un ejemplo sencillo. Un modelo que realmente entienda cómo una taza descansa sobre una mesa, incluyendo geometría, materiales y respuesta a la fuerza, debería poder mostrarla desde cualquier ángulo, simular qué ocurre si se empuja y planificar cómo una mano podría recogerla. Serían tres proyecciones de un mismo entendimiento subyacente.

En ese marco, la empresa plantea un destino lógico: un modelo del mundo unificado. Es decir, un modelo fundacional capaz de producir vistas fotorrealistas, estructura físicamente precisa y secuencias de acción planificadas, según lo que necesite el usuario final. Aun así, advierte que reconciliar belleza visual, fidelidad física y utilidad robótica dentro de una sola arquitectura sigue siendo uno de los grandes problemas abiertos de la investigación actual.

La conclusión del texto es que la apuesta de fondo no es nueva. Desde fines de la década de 1980, parte del campo ha sostenido que un modelo suficientemente rico del mundo sería la base para que cualquier agente vea, construya y habite entornos. Lo novedoso ahora es la convergencia entre líneas que antes estaban separadas y que ya mueven industrias multimillonarias por su cuenta.

Ese proceso podría redefinir la relación entre la inteligencia de las máquinas y el mundo físico. Si el lenguaje dio a las máquinas una forma de hablar sobre la realidad, los modelos del mundo serían el camino para que puedan entenderla, imaginarla, razonar sobre ella e interactuar con mayor solidez. En otras palabras, la promesa ya no sería solo generar contenido convincente, sino construir una inteligencia espacial con consecuencias prácticas en robótica, simulación industrial y sistemas autónomos.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.

ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín