Probablemente hayas visto un sistema de inteligencia artificial descarrilarse. Pides un vídeo de un perro y, cuando el perro corre detrás del sofá de dos plazas, su collar desaparece. Luego, cuando la cámara retrocede, el sofá de dos plazas se convierte en un sofá.
Parte del problema radica en la naturaleza predictiva de muchos modelos de IA. Al igual que los modelos que impulsan ChatGPT, que están entrenados para predecir texto, los modelos de generación de video predicen qué es estadísticamente más plausible ver a continuación. En ninguno de los casos la IA tiene un modelo del mundo claramente definido que actualiza continuamente para tomar decisiones más informadas.
Pero eso está empezando a cambiar a medida que investigadores de muchos dominios de IA trabajan en la creación de “modelos mundiales”, con implicaciones que se extienden más allá de la generación de video y el uso de chatbot hasta la realidad aumentada, la robótica, los vehículos autónomos e incluso la inteligencia humana o inteligencia artificial general (AGI).
Sobre el apoyo al periodismo científico
Si está disfrutando de este artículo, considere apoyar nuestro periodismo galardonado suscribiéndose. Al comprar una suscripción, ayudas a garantizar el futuro de historias impactantes sobre los descubrimientos y las ideas que dan forma a nuestro mundo actual.
Una forma sencilla de entender el modelado del mundo es a través de modelos cuatridimensionales o 4D (tres dimensiones más tiempo). Para ello, pensemos en 2012, cuando Titanic, 15 años después de su estreno en cines, fue minuciosamente convertido en 3D estereoscópico. Si congelaras cualquier cuadro, tendrías una impresión de la distancia entre los personajes y los objetos en el barco. Pero si Leonardo DiCaprio estuviera de espaldas a la cámara, no serías capaz de rodearlo para ver su rostro. La ilusión 3D del cine se crea mediante estereoscopía: dos imágenes ligeramente diferentes a menudo proyectadas en rápida alternancia, una para el ojo izquierdo y otra para el derecho. En el cine todos ven el mismo par de imágenes y, por tanto, una perspectiva similar.
Sin embargo, las perspectivas múltiples son cada vez más posibles gracias a la última década de investigación. Imagínese darse cuenta de que debería haber tomado una foto desde un ángulo diferente y luego hacer que la IA haga ese ajuste, dando a la misma escena una nueva perspectiva. A partir de 2020, los algoritmos NeRF (campo de radiación neuronal) ofrecieron un camino para crear “vistas novedosas fotorrealistas”, pero requerían combinar muchas fotografías para que un sistema de inteligencia artificial pudiera generar una representación 3D. Otros enfoques 3D utilizan la IA para completar la información faltante de forma predictiva, desviándose más de la realidad.
Ahora, imagina que cada fotograma de Titanic estuviera representado en 3D para que la película existiera en 4D. Podrías desplazarte por el tiempo para ver diferentes momentos o desplazarte por el espacio para verlo desde diferentes perspectivas. También podrías generar nuevas versiones del mismo. Por ejemplo, una preimpresión reciente, “NeoVerse: Enhancing 4D World Model with in-the-Wild Monocular Videos”, describe una forma de convertir videos en modelos 4D para generar nuevos videos desde diferentes perspectivas.
Pero las técnicas 4D también pueden ayudar a generar nuevos contenidos de vídeo. Otra preimpresión reciente, “TeleWorld: Towards Dynamic Multimodal Synthesis with a 4D World Model”, se aplica al escenario con el que comenzamos: el perro corriendo detrás del sofá de dos plazas. Los autores sostienen que la estabilidad de los sistemas de vídeo de IA mejora cuando un modelo mundial 4D actualizado continuamente guía la generación. El modelo 4D del sistema ayudaría a evitar que el sofá de dos plazas se convierta en un sofá y que el perro pierda su collar.
Estos son resultados iniciales, pero apuntan a una tendencia más amplia: modelos que actualizan un mapa de escena interno a medida que se generan. Sin embargo, el modelado 4D tiene aplicaciones que van mucho más allá de la generación de vídeo. Para la realidad aumentada (AR), piense en los prototipos de gafas Orion de Meta, un modelo mundial 4D es un mapa en evolución del mundo del usuario a lo largo del tiempo. Permite a los sistemas AR mantener estables los objetos virtuales, hacer que la iluminación y la perspectiva sean creíbles y tener una memoria espacial de lo que sucedió recientemente. También permite oclusiones, cuando los objetos digitales desaparecen detrás de los reales. Un artículo de 2023 plantea el requisito sin rodeos: “Para lograr la oclusión, se requiere un modelo 3D del entorno físico”.
Ser capaz de convertir rápidamente vídeos a 4D también proporciona datos valiosos para entrenar robots y vehículos autónomos sobre cómo funciona el mundo real. Y al generar modelos 4D del espacio en el que se encuentran, los robots podrían navegar mejor y predecir lo que podría suceder a continuación. Los modelos actuales de inteligencia artificial de visión y lenguaje de propósito general (que comprenden imágenes y texto pero no generan modelos del mundo claramente definidos) a menudo cometen errores; Un documento de referencia presentado en una conferencia de 2025 informa sobre “limitaciones sorprendentes” en sus capacidades básicas de modelado del mundo, incluida una “precisión casi aleatoria al distinguir trayectorias de movimiento”.
Aquí está el truco: “modelo mundial” significa mucho más para quienes persiguen AGI. Por ejemplo, los principales modelos de lenguajes grandes (LLM) de la actualidad, como los que impulsan ChatGPT, tienen una sensación implícita del mundo a partir de sus datos de entrenamiento. “En cierto modo, diría que el LLM ya tiene un muy buen modelo mundial; sólo que no entendemos realmente cómo lo está haciendo”, dice Angjoo Kanazawa, profesor asistente de ingeniería eléctrica y ciencias informáticas en la Universidad de California, Berkeley. Sin embargo, estos modelos conceptuales no son una comprensión física del mundo en tiempo real porque los LLM no pueden actualizar sus datos de entrenamiento en tiempo real. Incluso el informe técnico de OpenAI señala que, una vez implementado, su modelo GPT-4 “no aprende de la experiencia”.
“¿Cómo se desarrolla un sistema de visión LLM inteligente que realmente pueda tener información de transmisión y actualizar su comprensión del mundo y actuar en consecuencia?” dice Kanazawa. “Ese es un gran problema abierto. Creo que la AGI no es posible sin resolver este problema”.
Aunque los investigadores debaten si los LLM podrían alguna vez alcanzar AGI, muchos ven a los LLM como un componente de los futuros sistemas de IA. El LLM actuaría como capa para que “el lenguaje y el sentido común se comuniquen”, dice Kanazawa; serviría como una “interfaz”, mientras que un modelo mundial subyacente más claramente definido proporcionaría la “memoria temporal espacial” necesaria de la que carecen los LLM actuales.
En los últimos años, varios investigadores destacados de la IA han recurrido a los modelos mundiales. En 2024, Fei Fei Li fundó World Labs, que recientemente lanzó su software Marble para crear mundos 3D a partir de “texto, imágenes, vídeo o diseños 3D toscos”, según el material promocional de la startup. Y en noviembre pasado, el investigador de inteligencia artificial Yann LeCun anunció en LinkedIn que dejaba Meta para lanzar una nueva empresa, ahora llamada Advanced Machine Intelligence (AMI Labs), para construir “sistemas que comprendan el mundo físico, tengan memoria persistente, puedan razonar y planificar secuencias de acción complejas”. Sembró estas ideas en un documento de posición de 2022 en el que preguntaba por qué los humanos pueden actuar bien en situaciones que nunca han encontrado y argumentaba que la respuesta “puede estar en la capacidad… de aprender modelos del mundo, modelos internos de cómo funciona el mundo”. Las investigaciones muestran cada vez más los beneficios de los modelos internos. Un artículo de Nature de abril de 2025 informó resultados sobre DreamerV3, un agente de inteligencia artificial que, al aprender un modelo mundial, puede mejorar su comportamiento “imaginando” escenarios futuros.
Entonces, si bien en el contexto de AGI, “modelo mundial” se refiere más estrechamente a un modelo interno de cómo funciona la realidad, no solo a reconstrucciones 4D, los avances en el modelado 4D podrían proporcionar componentes que ayuden a comprender los puntos de vista, la memoria e incluso la predicción a corto plazo. Y mientras tanto, en el camino hacia la AGI, los modelos 4D pueden proporcionar ricas simulaciones de la realidad en las que probar las IA para garantizar que cuando las dejemos operar en el mundo real, sepan cómo existir en él.