Por Canuto  

Una start-up de Shanghái quiere cambiar la forma en que la inteligencia artificial aprende a simular el mundo real. Su propuesta, llamada Fysiverse, integra leyes físicas directamente en el modelo y se distancia de las rutas seguidas por OpenAI, Meta y otros actores clave del sector.
***

  • Fysics AI, fundada por el exgerente senior de Nvidia Zhang Lihua, presentó en Shanghái su modelo Fysiverse.
  • La empresa afirma que su sistema incorpora leyes físicas del mundo real directamente en el código.
  • La propuesta busca resolver fallos frecuentes en modelos de mundo actuales, como ilusiones físicas y errores de razonamiento.

La start-up china Fysics AI presentó un nuevo modelo de mundo llamado Fysiverse, con el que busca simular la realidad a partir de leyes físicas integradas directamente en su código. La propuesta marca una desviación frente a enfoques basados principalmente en datos, hoy impulsados por gigantes tecnológicos como OpenAI y Meta Platforms.

El anuncio fue realizado por la empresa, con sede en Shanghái, a través de una publicación en su cuenta de WeChat el miércoles. Allí describió a Fysiverse como un “modelo de mundo basado en física de nueva generación que se adhiere a las leyes físicas del mundo real”.

La aparición de este tipo de sistemas ocurre en un momento en que los modelos de mundo ganan relevancia dentro de la inteligencia artificial. Estas arquitecturas se usan para crear contenido, pero también para entrenar robots y tecnologías de conducción autónoma.

En términos simples, un modelo de mundo busca anticipar cómo se comportará un entorno bajo ciertas condiciones. Esa capacidad es clave para que una máquina no solo reconozca patrones, sino que además pueda simular consecuencias, movimientos y cambios antes de actuar.

Para lectores menos familiarizados con el tema, la diferencia entre enfoques importa porque define qué tan confiable puede ser una IA fuera de los escenarios más comunes. Si un sistema aprende solo por repetición estadística, puede producir resultados convincentes, pero también cometer errores absurdos cuando enfrenta condiciones menos vistas.

La propuesta de Fysics AI y su ruptura conceptual

Fysics AI sostuvo que Fysiverse “representa un nuevo paradigma” para el desarrollo de modelos de mundo. Según la empresa, esa arquitectura podría abordar de forma efectiva varios problemas comunes que afectan a las alternativas disponibles hoy.

Entre esos problemas, la start-up mencionó “ilusiones físicas, fallos de razonamiento y colapsos en escenarios no estándar”. La formulación apunta a una crítica directa de los modelos que logran producir imágenes, video o simulaciones plausibles, pero que aún tropiezan con coherencia causal y consistencia física.

La compañía fue fundada por Zhang Lihua, exgerente senior de Nvidia. Ese detalle añade interés al anuncio, porque conecta el proyecto con experiencia previa dentro de una de las firmas más influyentes en hardware y ecosistemas de inteligencia artificial.

La idea central de Fysiverse consiste en incorporar las leyes de la física desde la base del sistema, en lugar de confiar exclusivamente en la absorción masiva de datos. En teoría, eso permitiría una comprensión más robusta del movimiento, la interacción entre objetos y las restricciones del entorno real.

Ese punto es especialmente importante para aplicaciones industriales y robóticas. Un robot entrenado en un entorno que respeta mejor la física real podría transferir decisiones y movimientos con menos errores al mundo físico.

La empresa no detalló en esta presentación métricas de desempeño, comparativas técnicas ni calendarios de adopción comercial. Aun así, el mensaje deja ver una intención clara de diferenciarse no solo por producto, sino también por filosofía de desarrollo.

Los tres paradigmas que dominan hoy los modelos de mundo

De acuerdo con la información reseñada por South China Morning Post, el sector de modelos de mundo está dominado actualmente por tres grandes paradigmas. Cada uno aborda de manera distinta la tarea de aprender, predecir y simular entornos reales.

El primero es la generación basada en video. En este enfoque, los modelos duplican movimientos al aprender a partir de enormes volúmenes de clips de video.

OpenAI’s Sora aparece como un ejemplo típico de esta categoría. La firma ha descrito la escalabilidad de los modelos de generación de video como “un camino prometedor hacia la construcción de simuladores de propósito general del mundo físico”.

El segundo paradigma consiste en permitir que el modelo construya sus propias reglas del mundo dentro de una especie de caja negra. En ese caso, el sistema no parte de un conocimiento físico explícito incorporado de antemano.

La serie V-JEPA de Meta, siglas de video joint embedding predictive architecture, es uno de los sistemas asociados a esa línea. Según el sitio web de Meta, se trata de un enfoque de aprendizaje auto-supervisado.

El tercer paradigma se apoya en la modelización tridimensional. Su objetivo es aprender, predecir y simular la geometría y dinámica de entornos reales usando texto, imágenes, videos o elementos 3D gruesos.

Visto en conjunto, el mapa competitivo revela que la carrera por construir modelos de mundo todavía está lejos de resolverse. También sugiere que no existe consenso absoluto sobre cuál es la mejor vía para aproximarse a una simulación confiable de la realidad.

Por qué importa esta carrera en IA física

La relevancia de estos avances va más allá de la generación de contenido visual. Un modelo de mundo más preciso puede convertirse en una capa fundamental para robots, sistemas industriales y vehículos autónomos.

En robótica, por ejemplo, comprender restricciones físicas no es un lujo técnico, sino una necesidad operativa. Si una máquina interpreta mal el peso, la fricción o la trayectoria de un objeto, el error deja de ser visual y se vuelve funcional.

Algo parecido ocurre con la conducción autónoma. Un sistema que falla al anticipar comportamientos fuera de rutina puede responder mal ante eventos raros, justo donde más importa la robustez del modelo.

Por eso, la crítica de Fysics AI a los “colapsos en escenarios no estándar” resulta relevante. Muchas arquitecturas funcionan bien en condiciones conocidas, pero se debilitan cuando enfrentan cambios poco comunes o combinaciones imprevistas de variables.

También hay un ángulo estratégico en esta discusión. Si una empresa logra demostrar que un enfoque basado en física ofrece mejores resultados o mayor eficiencia, podría alterar prioridades de inversión en IA avanzada, robótica y automatización.

Para el ecosistema tecnológico chino, además, este tipo de anuncios tiene valor simbólico. Muestra una disposición a competir no solo en escala o velocidad, sino en la definición misma del paradigma técnico que podría dominar la siguiente fase de la inteligencia artificial.

Un movimiento que observa de cerca la industria global

El lanzamiento de Fysiverse refleja cómo la competencia en IA se expande hacia capas más profundas que los chatbots o los generadores de imágenes. La batalla ahora incluye la capacidad de construir representaciones del mundo que sean útiles para actuar en él.

Eso coloca a Fysics AI en una conversación donde participan algunos de los laboratorios más observados del planeta. Aunque la start-up aún no tiene el peso comercial de OpenAI o Meta, su propuesta intenta abrir un frente conceptual distinto.

El contraste con los enfoques estadounidenses, tal como fue planteado por la empresa, no implica necesariamente una superioridad demostrada. Pero sí sugiere que la industria sigue explorando rutas divergentes para resolver uno de los grandes cuellos de botella de la IA moderna.

Ese cuello de botella puede resumirse en una pregunta simple: ¿cómo hacer que una máquina no solo genere algo verosímil, sino que realmente entienda las restricciones del entorno físico? Fysics AI sostiene que la respuesta no puede depender solo de más datos.

Por ahora, el anuncio deja más preguntas que respuestas técnicas detalladas. Sin embargo, bastó para ubicar a Fysiverse dentro del debate sobre cuál será la arquitectura más efectiva para entrenar sistemas que interactúen con el mundo real.

Si la propuesta consigue demostrar ventajas prácticas, podría ganar atención entre desarrolladores de robótica, simulación y conducción autónoma. Si no lo logra, al menos ya dejó clara una señal: la próxima carrera de IA no se jugará solo en texto, imagen o video, sino también en quién entiende mejor la física.


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