Después de los modelos de lenguaje, capaces de conversar o codificar, una nueva promesa de la inteligencia artificial (IA) está acaparando la atención: la de los “modelos mundiales” (modelos mundiales), presentado como un paso decisivo hacia una inteligencia finalmente anclada en la realidad. Pero esta lectura puede ser engañosa: los modelos mundiales no constituyen una ruptura clara con los modelos lingüísticos; amplían su lógica y utilizan ciertas herramientas. Sin embargo, aportan beneficios específicos y difieren en su forma de aprender. Queda entonces una pregunta esencial: ¿cómo garantizar que el modelos mundiales beneficiar a la sociedad?
Los modelos lingüísticos y los modelos mundiales a menudo se presentan como dos enfoques distantes, incluso opuestos, de la IA. El primero manipularía las palabras sin comprender la realidad; este último permitiría finalmente a las máquinas sumergirse en el mundo físico. Esta oposición puede ser engañosa. De hecho, los modelos del mundo se basan en los mismos fundamentos que los modelos del lenguaje: las arquitecturas. Transformarentrenamiento no supervisado, aprendizaje y explotación de representaciones abstractas, ingesta secuencial y predicción de diversos datos (texto, imagen, audio).
Lejos de sustituir los modelos lingüísticos, modelos mundiales ampliar su lógica, ampliando su campo de aplicación a la percepción y acción en diversos entornos. Además, la IA física, entrenada en un modelo mundialdeberá comprender instrucciones complejas, describir situaciones y, en general, comunicarse con nosotros a través del lenguaje.
Por tanto, la frontera es menos clara de lo que parece.
La verdadera novedad de modelos mundiales se encuentra en otro lugar. Hasta ahora, enseñar a un sistema a actuar en el mundo implicaba recopilar una gran cantidad de datos. in situ. Un proceso costoso, lento y a veces peligroso. Los modelos mundiales cambian esta ecuación: proporcionan una forma de simulación en la que un agente puede experimentar, fallar, aprender y empezar de nuevo innumerables veces. Este cambio es decisivo.
La IA ya no sólo observa el mundo: comienza a experimentarlo. Ya no depende únicamente del pasado: puede explorar futuros posibles.
Tomemos el ejemplo del vehículo autónomo. Probarlo en carretera en todas las circunstancias, especialmente en las más raras o peligrosas, es imposible. A modelo mundial Las habilidades de conducción pueden generar estos escenarios a gran escala: un niño que aparece entre dos coches, una carretera helada, el comportamiento impredecible de otro conductor. Este “sandbox” permite explorar sin límites y mejorar decisivamente la robustez de los sistemas.
Más allá de la simulación, estos enfoques desarrollan una representación abstracta del mundo sensible, como el de los humanos: esto permite imaginar situaciones, anticipar las consecuencias de una acción, planificar antes de actuar. Este cambio, más que cualquier oposición artificial entre paradigmas, constituye el corazón de la transformación actual.
Estas tecnologías abren muchas perspectivas para el bien común: la robótica asistencial mejora la autonomía de las personas mayores; asistencia en el desarrollo de tratamientos médicos personalizados; robótica para intervención en zonas de desastre; vehículos autónomos para una movilidad más segura e inclusiva; etc.
Sin embargo, el debate público se centra más en los riesgos: pérdida de control, usos militares, abusos vinculados a la autonomía de los sistemas. Estas preocupaciones legítimas no deberían relegar a un segundo plano las perspectivas beneficiosas, que son igualmente reales. La pregunta esencial entonces se vuelve colectiva: ¿qué usos queremos fomentar?
En este contexto, el papel de la investigación abierta es decisivo. EL modelos mundiales no son sólo simulaciones de la realidad. Seleccionan, simplifican y organizan lo que vale la pena aprender. En otras palabras, no sólo imitan el mundo: ofrecen una versión del mismo.
Si su desarrollo se concentra en manos de unos pocos actores privados, prevalecerán lógicas principalmente económicas. Sólo la investigación abierta y colaborativa garantizará que estos modelos beneficien nuestras prioridades colectivas. Ya lo estamos observando en la robótica: la puesta en común de datos es esencial para construir modelos capaces de generalizar. Esta es una dinámica que industrias muy cerradas como la automotriz se beneficiarían al integrar.
Más allá de las cuestiones técnicas, existe una cuestión de soberanía. Porque dominar el modelos mundiales No se trata solo de producir herramientas, sino que también define los entornos en los que aprende la IA física y, por lo tanto, guía sus habilidades y usos. En última instancia, se trata de decidir qué tipos de IA queremos que surjan, que sirvan a qué objetivos y para qué sociedad.
Este artículo es una columna, escrita por un autor ajeno al periódico y cuyo punto de vista no compromete a la redacción.
