La mayor parte de la cobertura sobre inteligencia artificial se centra en los chatbots y los generadores de texto. Los world models son algo fundamentalmente diferente, y se están convirtiendo silenciosamente en la capa de infraestructura que impulsará la robótica, los vehículos autónomos y posiblemente mucho más. Comprender qué son y cómo se están construyendo ya importa para cualquier persona que intente entender hacia dónde se dirige realmente la IA.
De predecir palabras a predecir la realidad
Para entender los world models, ayuda empezar por lo que la mayoría de la gente ya conoce: los large language models. Un modelo de lenguaje toma una frase y predice la siguiente palabra. La lógica es secuencial, está basada en texto y se entrena con la producción humana escrita.
Los world models operan en un eje completamente diferente. Como explica Oliver Cameron, CEO del laboratorio de IA Odyssey, le das al sistema un estado visual del mundo, una imagen, y este predice el siguiente estado visual del mundo. La salida no es texto. Es un entorno simulado, uno que debe tener en cuenta la física, la causa y el efecto, y cómo los objetos y las personas responden a las acciones realizadas dentro de él.
Este es un problema más difícil que la predicción de lenguaje. Una palabra sigue reglas gramaticales y semánticas que son, al menos parcialmente, consistentes. El mundo físico es más desordenado. Los objetos caen, las superficies tienen fricción, las personas reaccionan de manera impredecible. Un world model que no puede manejar estas dinámicas no es útil para entrenar nada que necesite operar en la realidad.
El campo de entrenamiento que aún no existe
Esto es lo que hace que los world models sean prácticamente significativos: permiten a las máquinas practicar en entornos que aún no se han construido y ensayar escenarios que serían peligrosos o poco prácticos de montar en el mundo real.
Brian McClendon, director de tecnología de Niantic Spatial, describe un flujo de trabajo en el que alguien fotografía el espacio donde se pretende que opere un robot, genera un modelo 3D a partir de esas imágenes y luego ejecuta millones de simulaciones para entrenar al robot en los parámetros específicos de ese entorno. El robot aprende sin moverse físicamente. Falla, se ajusta y mejora dentro de una réplica digital antes de tocar siquiera una superficie real.
Wayve, una startup que construye world models diseñados para vehículos autónomos, utiliza una lógica similar. Su generative world model funciona en parte con imágenes de cámaras de salpicadero, que utiliza para recrear carreteras peligrosas y condiciones inseguras que no sería práctico probar en la vida real. Jamie Shotton, científico jefe de Wayve, plantea el requisito central con claridad: un world model debe ser capaz de reaccionar a las acciones realizadas dentro de él, lo que significa que debe entender la física, la causa y el efecto, y cómo otros agentes cambian su comportamiento en respuesta.
Niantic en sí es un caso revelador. La empresa creó Pokémon Go, un juego que tuvo cientos de millones de jugadores escaneando sus entornos físicos a través de sus smartphones. Esos escaneos ambientales, recopilados a lo largo de años de juego, representan un tesoro sustancial de datos espaciales del mundo real. Desde entonces, Niantic ha vendido el juego y ha pivotado hacia los world models, y McClendon afirma directamente que el foco de la empresa es reconstruir el mundo real. Los datos recopilados a través de un juego de consumo ahora se reutilizan como material de entrenamiento para sistemas de IA diseñados para navegar por el espacio físico.
El mercado laboral del que nadie habla
El lado de la inversión en world models ya es sustancial. Yann LeCun, ex científico jefe de IA de Meta, recaudó más de mil millones de dólares para financiar su startup Advanced Machines Intelligence. Fei-Fei Li, científica informática de Stanford, lanzó una startup en 2024 llamada World Labs, que AMD adquirió por más de 8 mil millones de dólares. Empresas como Google y Tencent están desarrollando sus propias capacidades de world models. El capital que fluye hacia este espacio indica que los principales actores ven los world models no como un área de investigación de nicho, sino como una tecnología fundamental.
Lo que recibe menos atención es la estructura laboral que se está construyendo para alimentar estos sistemas. Los world models necesitan datos sobre el mundo físico, y esos datos no se generan solos. Requieren que las personas graben entornos ordinarios: cocinas, salas de estar, manos realizando tareas rutinarias. Esto ya está produciendo una nueva categoría de trabajo informal, en la que las personas graban horas de vídeo en sus propias casas y venden esas imágenes a través de aplicaciones, a menudo por una compensación modesta. A medida que más empresas compiten por construir mejores world models, es probable que la demanda de este tipo recolección de datos crezca.
Vale la pena detenerse en esto. Las personas que hacen este trabajo no son investigadores ni ingenieros de IA. Están aportando la materia prima que hace posibles los sistemas de IA físicos, a menudo sin una comprensión clara de cómo se utilizará ese material o qué acabará entrenando.
En resumen
Los world models son sistemas de IA que simulan la realidad física en lugar de generar texto. Permiten que los robots y los vehículos autónomos se entrenen en entornos digitales antes de operar en los reales. La tecnología está atraiendo una inversión significativa, con importantes adquisiciones y rondas de financiación ya registradas. Detrás de escena, también está creando nuevas formas de labor de datos, donde la gente corriente graba sus entornos físicos para alimentar sistemas con los que probablemente nunca interactuarán directamente. La brecha entre quién construye estos sistemas y quién los abastece es una de las tensiones definitorias del desarrollo temprano de esta tecnología.
Basado en información de Wired.