Por Canuto  

Los modelos del mundo prometen simular entornos, física y acciones para impulsar la robótica, la creación 3D y la investigación, pero su precisión, costo e interfaz todavía están en disputa.
***

  • Google DeepMind, World Labs, Runway y AMI representan algunas de las apuestas más visibles en esta nueva categoría de IA.
  • Los modelos basados en video pueden generar datos sintéticos y escenarios interactivos, aunque enfrentan problemas de memoria, costo y consistencia física.
  • La utilidad de estas herramientas para robots dependerá de pruebas rigurosas y de su capacidad para generalizar más allá de demostraciones controladas.

Durante los últimos años, la inteligencia artificial se asoció principalmente con los modelos de lenguaje grandes, conocidos como LLM. Sin embargo, una nueva categoría comienza a atraer investigación, productos comerciales y rondas de financiamiento: los modelos del mundo.

Estos sistemas buscan construir una representación interna de un entorno y simular qué ocurrirá después de una acción. El objetivo puede ser generar video, crear espacios 3D, entrenar robots o apoyar investigaciones científicas.

Una alternativa al dominio de los LLM

Los modelos del mundo aparecen, en parte, como respuesta a las dudas sobre los límites de los LLM. Yann LeCun, exjefe científico de inteligencia artificial de Meta, ha sostenido que extender los LLM hasta alcanzar una inteligencia comparable con la humana no resulta una vía suficiente.

Fei-Fei Li, pionera de la visión por computadora y cofundadora de World Labs, también ha defendido la importancia de la inteligencia espacial. A su juicio, los sistemas actuales son expertos en palabras, pero permanecen desconectados de los entornos reales y virtuales.

La discusión no implica que los LLM vayan a desaparecer. Clem Delangue, director ejecutivo de Hugging Face, afirmó que existe una burbuja alrededor de los LLM, aunque remarcó que estos son solo un subconjunto de la inteligencia artificial aplicada a biología, química, imágenes, audio y video.

La diferencia central está en el tipo de problema. Un LLM responde preguntas o produce código mediante lenguaje, mientras un modelo del mundo intenta anticipar el resultado de una interacción dentro de un entorno.

Vincent Sitzmann, profesor asistente del MIT, describió un modelo del mundo como cualquier sistema que recibe una interacción y permite simular qué sucedería después en determinado ambiente. Runway utiliza una definición similar para su familia GWM-1.

Una industria con grandes inversiones

La categoría dejó de ser únicamente un tema académico. En agosto, Google DeepMind presentó Genie 3, un sistema que añade interactividad en tiempo real a un modelo de generación de video.

En noviembre, World Labs presentó Marble, una herramienta que genera entornos inmersivos a partir de texto, imágenes, video u otros activos. Los usuarios pueden explorar esos espacios y exportarlos como activos 3D.

Runway entró en la competencia en diciembre con GWM-1, una familia de tres modelos especializados. La empresa desarrolló la propuesta a partir de su experiencia previa con modelos de video y herramientas utilizadas por cineastas y anunciantes.

Más recientemente, Yann LeCun creó Advanced Machine Intelligence, conocida como AMI. La compañía apuesta por sistemas capaces de interactuar con el mundo físico o, al menos, simularlo de manera útil.

El financiamiento refleja las expectativas del sector. World Labs y AMI recaudaron alrededor de USD $1.000 millones cada una en febrero y marzo, respectivamente, mientras Runway obtuvo USD $315 millones en febrero.

Estas inversiones apuntan a aplicaciones como la capacitación y evaluación de robots, la creación de activos 3D para videojuegos y cine, además de la simulación científica. Aun así, el término modelo del mundo funciona como un paraguas amplio y carece de una definición única.

El video como punto de partida

Muchos de los sistemas actuales parten de modelos de generación de video. Sitzmann explicó que, en la práctica, buena parte de la industria entiende hoy los modelos del mundo como sistemas capaces de generar píxeles condicionados por acciones.

Runway observó esta transición cuando incorporó controles de cámara a sus productos. Anastasis Germanidis, director de tecnología de la empresa, explicó que la experiencia comenzó a parecerse más a explorar un videojuego que a producir un video cerrado.

Los modelos de difusión de video suelen generar varios cuadros al mismo tiempo. Este mecanismo permite mantener coherencia entre los cuadros pasados y futuros, pero dificulta la interacción abierta porque el usuario no puede intervenir y recibir una respuesta inmediata.

Una alternativa es la difusión autorregresiva. En ese enfoque, el sistema elimina el ruido de uno o varios cuadros consecutivos, muestra el resultado y permite que una acción del usuario influya en los cuadros siguientes.

La ventaja es la causalidad, pero el costo computacional resulta elevado. Cada nuevo lote de cuadros requiere otro proceso de eliminación de ruido, y la simulación puede olvidar detalles tempranos o desviarse con el paso del tiempo.

Germanidis ofreció un ejemplo sencillo: si un usuario sale de una habitación y luego regresa, el sistema debe conservar los detalles de ese espacio. La memoria persistente continúa siendo un desafío incluso para los modelos más avanzados.

Video, 3D y representaciones latentes

Runway confía en que la consistencia tridimensional y el estado persistente puedan surgir de escalar el entrenamiento con predicción de píxeles 2D. Esta postura refleja la llamada “lección amarga”, asociada con el investigador Richard Sutton.

La idea sostiene que los sistemas basados en grandes cantidades de computación y aprendizaje suelen superar a los diseños que intentan incorporar de forma manual el conocimiento humano. Por eso, varios investigadores evitan imponer una estructura 3D o reglas físicas explícitas desde el inicio.

Otros enfoques sí utilizan información espacial más directa. Algunos modelos combinan video con datos de posición, mallas o representaciones volumétricas, mientras que otros intentan predecir el estado abstracto de una escena sin generar cada píxel.

El enfoque JEPA, asociado con Yann LeCun, busca aprender qué elementos de una escena son relevantes para predecir y planificar. Así, evita gastar grandes cantidades de computación en detalles visuales que no afectan una acción.

World Labs utiliza representaciones como campos de radiancia neural y manchas de Gauss para generar activos 3D. Marble transforma imágenes o video, con un mensaje de texto opcional, en un espacio aproximadamente del tamaño de un jardín suburbano estadounidense.

Los usuarios pueden recorrer ese entorno con teclado y mouse o exportarlo para utilizarlo en otros flujos de trabajo. Esta compatibilidad ofrece una aplicación inmediata para desarrolladores de videojuegos, artistas de efectos visuales y profesionales técnicos.

La representación 3D también tiene límites. Una escena ya generada puede renderizarse rápidamente en hardware de consumo, pero los objetos quedan esencialmente estáticos y las dinámicas físicas deben añadirse con herramientas adicionales.

El desafío de los mundos dinámicos

Runway intenta diferenciarse mediante mundos dinámicos. Su sistema GWM-1 funciona como una transmisión interactiva en la que el usuario introduce acciones y observa los resultados mientras el entorno continúa generándose.

Germanidis señaló que muchos modelos se han concentrado en recorrer mundos estáticos y sin vida. Para Runway, un modelo del mundo debería generar eventos, permitir acciones y mostrar las consecuencias de esas decisiones.

World Labs reconoce que sus productos actuales generan manchas de Gauss estáticas. Ben Mildenhall, cofundador de la empresa, afirmó que el equipo trabaja activamente para incorporar la cuarta dimensión y representar cambios en el tiempo.

Existe una compensación entre ambos enfoques. Las representaciones explícitas son navegables, rápidas y económicas después de su generación, pero resultan menos flexibles para codificar dinámicas complejas.

Los sistemas que generan cuadro por cuadro pueden mostrar comportamientos emergentes y eventos dinámicos. Sin embargo, su experiencia de ejecución es costosa, frágil y potencialmente difícil de transferir a otros entornos.

Sitzmann resumió la ventaja práctica de una escena 3D: el sistema solo necesita generarla una vez. Después, un motor gráfico puede renderizarla localmente sin requerir una red neuronal para cada nueva vista.

Robótica y escasez de datos

La robótica es una de las aplicaciones más importantes para los modelos del mundo, pero también una de las más difíciles. Los robots humanoides deben desenvolverse en hogares y lugares de trabajo con movimientos, objetos y situaciones muy variados.

Los vehículos autónomos cuentan con una ventaja relativa. La conducción ocurre dentro de límites más definidos, las respuestas posibles suelen ser menos numerosas y existen grandes cantidades de datos capturados por cámaras y sensores.

En cambio, los robots con manos hábiles necesitan datos de percepción y acción emparejados a gran escala. Desplegar muchos robots resulta costoso, y la teleoperación no se escala con facilidad para tareas domésticas o industriales complejas.

Las empresas han intentado obtener más datos mediante cámaras y personas que realizan actividades en sus hogares. Sin embargo, ese mecanismo probablemente no será suficiente para cubrir la diversidad de situaciones que un robot podría encontrar.

Los modelos de video podrían generar datos sintéticos de robots realizando tareas difíciles de recopilar en el mundo real. También permitirían practicar con escenarios inseguros sin exponer a personas, equipos o robots a daños.

La condición es que las simulaciones representen de forma adecuada los entornos reales. Una pequeña diferencia en la fricción, las fuerzas de contacto o el movimiento de un objeto puede hacer que una política de control falle.

Cómo comprobar si las simulaciones sirven

Runway propone comparar el rendimiento de una tarea en el mundo real con el rendimiento de la misma tarea dentro de un modelo. Si los éxitos y fracasos muestran una correlación, aumenta la confianza en la simulación.

Otra posibilidad consiste en probar fenómenos físicos específicos. Por ejemplo, un equipo puede filmar el movimiento real de una bola suspendida y compararlo con la trayectoria generada por el modelo a partir del mismo cuadro inicial.

Estas pruebas pueden abordar mecánica sólida, termodinámica y otros escenarios controlados. La comparación permite observar si el sistema reproduce una trayectoria física o solo genera imágenes visualmente convincentes.

Sitzmann considera que los benchmarks también tendrán un papel decisivo. A medida que más sistemas utilicen modelos del mundo para tareas robóticas, será posible comparar resultados en evaluaciones comunes.

La evidencia disponible justifica un optimismo prudente. Algunos trabajos sugieren que los modelos de video pueden ayudar a generar datos sintéticos, evaluar políticas y apoyar ciertas tareas de planificación robótica.

La confiabilidad como simuladores físicos de propósito general todavía no está demostrada. Los datos sintéticos pueden enseñar reglas equivocadas si el modelo representa mal las fuerzas, la fricción o las variaciones inesperadas del mundo real.

Por eso, una demostración espectacular no basta. Un modelo útil debería mejorar el aprendizaje o la evaluación de políticas en tareas nuevas, entornos no ajustados y escenarios de fracaso, además de compararse con simuladores convencionales.

Interfaces y especialización

Los modelos del mundo todavía no tienen una interfaz estándar. Algunas personas podrían interactuar con ellos mediante controles de videojuegos y avatares, mientras otras preferirían herramientas similares a Blender o Unreal.

En ciertas aplicaciones, la interfaz no estará destinada a una persona. Un robot, un programa o un sistema de inteligencia artificial podría consultar directamente la representación interna y utilizarla para planificar acciones.

Mildenhall considera que el desafío principal no está en utilizar transformadores o difusión. El problema consiste en decidir cómo controlar, entrenar y diseñar la relación entre las entradas y las salidas.

También está abierta la disputa entre modelos generales y sistemas especializados. Runway presentó tres modelos GWM-1 para interacción humana, personajes realistas y ejecución o evaluación de políticas robóticas.

Germanidis defendió la conveniencia de un modelo grande capaz de resolver muchas tareas. Según explicó, los aprendizajes de un dominio pueden traducirse a otros y simplificar el despliegue para los usuarios.

La empresa, sin embargo, priorizó inicialmente modelos separados para atender necesidades comerciales concretas. Su plan consiste en unificarlos posteriormente en un sistema más generalizado.

World Labs también apuesta por una infraestructura común. Mildenhall anticipó que estas herramientas podrían reducir la fragmentación entre los activos 3D utilizados en películas, videojuegos y otros formatos.

Una apuesta todavía abierta

Los modelos del mundo podrían transformar la robótica, la manufactura, la producción audiovisual y el desarrollo de videojuegos. También prometen aplicaciones más especulativas en simulación científica y atención médica.

Sin embargo, todavía no existe consenso sobre el papel que tendrán los videos generativos. Sitzmann advirtió que estos modelos quizá sean solo uno de varios objetivos iniciales para entrenar sistemas de percepción y acción.

La disputa incluye decisiones técnicas sobre datos 3D, leyes físicas explícitas y representaciones latentes. También abarca cuestiones comerciales, como los formatos de exportación, las herramientas de creación y los costos de computación.

La inversión está fluyendo porque el posible beneficio es enorme. Aun así, el financiamiento no demuestra que una arquitectura específica vaya a resolver la inteligencia física o a producir simuladores confiables de propósito general.

El sector enfrenta una prueba doble. Primero debe demostrar que los modelos generan entornos consistentes, dinámicos y útiles; después debe comprobar que esas capacidades se trasladan al mundo real sin depender de escenarios cuidadosamente seleccionados.

La actual primavera de la inteligencia artificial no tiene por qué terminar con los LLM. Las apuestas de Google DeepMind, World Labs, Runway y AMI muestran que la próxima fase podría centrarse en sistemas capaces de percibir, simular y actuar dentro de mundos físicos o virtuales.

El resultado sigue siendo incierto. Por ahora, los modelos del mundo representan una promesa tecnológica con avances concretos, pero también con problemas de memoria, costo, representación, datos y validación que todavía requieren respuestas sólidas.

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

Artículos Relacionados