Descubre la clave: cómo la IA aprende a 'pensar' sobre el mundo real con sus propios modelos

Los "world models" representan el descubrimiento de cómo la IA puede "pensar" sobre el mundo real creando sus propios mapas mentales de objetos, espacios y física. Esta nueva arquitectura abandona la predicción de texto para construir representaciones internas que simulan la realidad, un cambio que puede sonar a ciencia ficción pero que ya tiene sus primeros productos comerciales funcionando.

Axios detalla el avance explicando que estos sistemas procesan datos multimodales masivos: vídeo, simulaciones 3D, sensores, imágenes y audio que se combinan para crear modelos internos del comportamiento físico. Dicho de otra manera: la IA no memoriza patrones de texto como ChatGPT, sino que desarrolla una intuición espacial similar a la nuestra.

Simulaciones que entienden la gravedad

La clave está en que estos modelos no predicen palabras, sino eventos físicos: pueden simular qué pasa si un objeto cae, cómo rebota una pelota o cómo se derrama un líquido sin que nadie les haya programado esas reglas específicamente. Fei-Fei Li acaba de presentar Marble, el primer producto comercial de su empresa World Labs, demostrando que la tecnología ya funciona fuera del laboratorio.

El proceso interno es bastante elegante: mientras los grandes modelos de lenguaje procesan información de forma secuencial, los world models crean mapas espaciales tridimensionales donde cada objeto mantiene propiedades físicas coherentes. Pueden rotar mentalmente un cubo, simular colisiones o predecir trayectorias sin haber visto esas situaciones exactas antes.

Yann LeCun, que considera los LLM un callejón sin salida y ahora monta su propia startup de world models, explica la diferencia con un ejemplo: "Imagínate un cubo flotando delante de ti y gíralo 90º. Ningún LLM puede hacer eso de verdad; un humano, sí". Esta capacidad surge porque integran causa y efecto aprendidos de millones de interacciones físicas reales.

El reto técnico principal está en conseguir datos sensoriales multimodales de calidad, algo mucho más complicado que descargar texto de internet. Una niña de cuatro años procesa más información sensorial real que todos los tokens de texto usados para entrenar GPT-4, lo que explica por qué empresas como Meta invierten tanto en simulaciones que recrean miles de interacciones físicas para entrenar robots.

Un ejemplo de esta capacidad en funcionamiento son los "digital twins" o gemelos digitales: copias virtuales exactas de espacios o procesos reales que se actualizan constantemente con sensores, permitiendo monitorizar una fábrica desde casa o predecir cuándo va a fallar una máquina antes de que ocurra. Van más allá de la simple vigilancia para habilitar control predictivo: puedes simular qué pasaría si cambias la temperatura de un reactor o reorganizas una cadena de montaje sin tocar nada físico.

El desarrollo internacional incluye desde empresas chinas como Tencent hasta universidades de Emiratos Árabes Unidos, pero el enfoque común es el mismo: enseñar sentido común físico a las máquinas. Google, Meta y OpenAI investigan modelos que integran simulaciones y vídeo, mientras que Google DeepMind ha fichado al ex-CTO de Boston Dynamics para acelerar la transferencia de simulaciones a aplicaciones reales.

Este descubrimiento sitúa a los world models como sucesores de los LLM en un horizonte de tres a cinco años según las previsiones de expertos del sector. La capacidad de razonar sobre física abre aplicaciones cruciales en robótica, videojuegos y análisis médico donde entender el espacio y las interacciones resulta fundamental para funcionar correctamente en entornos reales.