¿Confiarías en un sistema que, en plena noche o entre humo, dice ver una cosa y escuchar otra que nunca ocurrió? Ese es uno de los problemas más incómodos de la inteligencia artificial cuando sale del laboratorio y entra en la calle, el coche o un aeropuerto.
Ahora, un equipo del KAIST, el Instituto Avanzado de Ciencia y Tecnología de Corea, reveló un hallazgo clave para corregir ese mecanismo. Sus modelos multimodales, es decir, sistemas que procesan texto, imágenes y audio al mismo tiempo, lograron reducir las llamadas alucinaciones sensoriales.
El trabajo fue liderado por el profesor Yong Man Ro, con participación del doctorando Sangyun Chung y del investigador Youngjun Yoo. Los estudios fueron publicados en arXiv y en IEEE Transactions on Image Processing, y apuntan a una pieza clave: enseñar a la IA a no mezclar señales ni interpretar mal sensores especiales.
Según Yong Man Ro, el avance reduce sesgos sensoriales y percepciones erróneas sin exigir grandes procesos de reentrenamiento.
La primera tecnología se llama DNA, sigla de Diverse Negative Attributes (atributos negativos diversos). Su función es corregir una vieja dependencia de la IA respecto de las imágenes RGB, las fotos convencionales que usan rojo, verde y azul, como si fueran la única forma válida de mirar el mundo.
Sin embargo, muchos modelos veían una zona brillante en una imagen térmica y la confundían con un reflejo de luz, cuando en realidad podía ser calor. Ese error de cableado llevaba a conclusiones falsas sobre objetos, distancias o estados físicos.
El interruptor que ordena lo que la IA ve y oye
Para eso, el equipo creó VS-TDX, un benchmark (banco de pruebas) pensado para evaluar sensores de visión diversos. Además, DNA usa errores frecuentes como señales de aprendizaje. En vez de ignorar la falla, la convierte en una pista para que el sistema internalice cómo funciona cada sensor.
Así, la IA gana una lectura más robusta en escenarios difíciles. Puede inferir mejor qué pasa en una escena con oscuridad, humo o baja visibilidad, una oportunidad concreta para vehículos autónomos, drones térmicos y robots industriales.
La segunda tecnología, MAD, sigla de Modality-Adaptive Decoding (decodificación adaptativa por modalidad), apunta a otro problema: cuando la IA mezcla imagen y sonido como si fueran la misma cosa. Por ejemplo, afirmar que “se oye” un ruido solo porque aparece un objeto que normalmente lo produce.
Aquí la metáfora se parece a una central doméstica. Si una alarma recibe señal de una ventana, no debería activar también el detector de gas. MAD funciona como un engranaje que decide, en tiempo real, qué canal sensorial pesa más y cuál debe bajar su volumen.
La clave es que este método no exige retraining (reentrenamiento completo del modelo). Eso reduce costos computacionales y evita volver a construir toda la instalación desde cero. DNA, por su parte, necesita pocos datos para hacer un ajuste fino más preciso.
Aplicaciones fuera del laboratorio
El impacto práctico es directo. Un coche autónomo podría interpretar mejor una ruta nocturna. Un robot de rescate podría moverse entre humo sin confundir calor con luz. Y un sistema de seguridad aeroportuaria con rayos X tendría menos margen para leer mal un objeto.
También aparece una oportunidad en imágenes médicas, donde cada sensor tiene su propia lógica física. Si la IA aprende a respetar ese mecanismo, no solo responde mejor: también se vuelve más confiable.
En un terreno donde el error no siempre se nota a simple vista, este hallazgo agrega algo muy concreto: una IA que empieza a entender que no todas las ventanas muestran el mismo paisaje, ni todos los cables llevan la misma corriente.
Directora de operaciones en GptZone. IT, especializada en inteligencia artificial. Me apasiona el desarrollo de soluciones tecnológicas y disfruto compartiendo mi conocimiento a través de contenido educativo. Desde GptZone, mi enfoque está en ayudar a empresas y profesionales a integrar la IA en sus procesos de forma accesible y práctica, siempre buscando simplificar lo complejo para que cualquiera pueda aprovechar el potencial de la tecnología.
