En los últimos años, todos hemos recibido un curso intensivo sobre lo que las empresas llaman inteligencia artificial, que en su mayoría ha significado modelos de lenguaje grandes (LLMs). Pero los LLMs ya no son la única categoría de IA que atrae financiación masiva y expectativas exageradas. Entran en escena los "modelos mundiales", que pretenden simular el mundo físico, o al menos una aproximación útil del mismo. En lugar de solo chatear, estos sistemas quieren que puedas explorar un entorno 3D como si fuera un videojuego, pero con más matemáticas y menos cajas de botín.

Para entender qué diferencia a los modelos mundiales, Ars habló con tres expertos: Vincent Sitzmann del MIT, Anastasis Germanidis de Runway y Ben Mildenhall de World Labs. Su consenso: mientras que los LLMs comenzaron con una interfaz de chat y luego buscaron un caso de uso, los modelos mundiales parten de aplicaciones específicas (robótica, investigación, generación de activos) y aún no han descubierto cómo debería ser la interfaz. Piénsalo como una IA trabajando al revés, lo cual es muy característico.

No todo el mundo está convencido de que los LLMs sean el camino hacia la inteligencia general. El ex científico jefe de IA de Meta, Yann LeCun, le dijo a Wired que la idea de que los LLMs alcancen inteligencia a nivel humano es "una completa tontería". Fei-Fei Li, pionera en visión por computadora y cofundadora de World Labs, escribió que los LLMs son "escritores de palabras en la oscuridad; elocuentes pero inexpertos, conocedores pero sin fundamento". Incluso el CEO de Hugging Face, Clem Delangue, cree que estamos en una "burbuja de LLMs" que podría estallar el próximo año. Así que los modelos mundiales son la nueva sensación, al menos hasta que llegue algo aún más candente.

Los modelos mundiales ya han atraído financiación impresionante: World Labs y AMI supuestamente recaudaron alrededor de mil millones de dólares cada uno en febrero y marzo, y Runway recaudó 315 millones de dólares en febrero. Es mucho dinero para un término que, como admite Sitzmann, está "definitivamente sobrecargado". Su definición: cualquier modelo que toma una interacción y simula lo que sucede después. La definición de Runway añade que construye una representación interna de un entorno. Mildenhall dice que la distinción clave con los LLMs es la interacción continua y en tiempo real, no el intercambio de texto por turnos de "A luego B luego A luego B". Fei-Fei Li ofrece tres criterios: consistencia perceptual, geométrica y física; multimodalidad; y la capacidad de generar estados siguientes basados en acciones de entrada.

Pero "modelo mundial" también se está convirtiendo en un término de marca. Las empresas lo aplican a todo, desde generación de video condicionada por acciones hasta creación de activos 3D y evaluación de políticas robóticas. Por ahora, dice Sitzmann, "lo que la mayoría de la gente quiere decir cuando dice 'modelo mundial' es generar píxeles", es decir, video realista condicionado por acciones. Es una extensión natural de los modelos de generación de video, que Runway ya hace. Como dijo Germanidis, cuando añadieron controles de cámara a sus herramientas de video, "empezó a sentirse más como un videojuego".

El desafío técnico: la mayoría de los modelos de difusión de video generan todos los fotogramas a la vez, eliminando el ruido de toda la secuencia de una sola vez. Eso es genial para la coherencia, pero terrible para la interactividad: no puedes intervenir a mitad de la generación. La solución para los modelos mundiales es la difusión autorregresiva, que elimina el ruido de los fotogramas secuencialmente. Los usuarios pueden proporcionar acciones que influyen en los siguientes fotogramas en tiempo real. La desventaja: es costoso computacionalmente, y la simulación tiende a desviarse, olvidando detalles anteriores. Germanidis espera que la consistencia 3D "emerja de la escala", un guiño a lo que el científico informático Richard Sutton llamó "la amarga lección": el conocimiento humano explícito a menudo estorba. Así que apuestan fuerte por la fuerza bruta.

En resumen, los modelos mundiales son donde la IA va a simular la realidad, un costoso paso de eliminación de ruido a la vez. Si cumplirán la promesa o solo producirán deepfakes muy elegantes está por verse, pero las rondas de financiación sugieren que los inversores están dispuestos a descubrirlo.