Llevamos un par de años completamente obsesionados con que la inteligencia artificial adivine cuál es la siguiente palabra en una frase. Pero la naturaleza no funciona con texto escrito. Fei-Fei Li, a quien muchos consideran la auténtica «madrina de la IA», acaba de darle la vuelta al tablero con su start-up World Labs. Su nueva propuesta rompe por completo lo que veníamos viendo en el saturado mercado de la generación de vídeo.
Si rascamos bajo la superficie, lo que acaban de presentar no es un generador más de clips virales. El anuncio oficial de Atlas nos describe un modelo del mundo entrenado desde cero para entender el espacio físico en tres dimensiones. Básicamente, en lugar de escupir tokens de texto o píxeles planos, este sistema predice qué deberías ver si te movieras libremente por una habitación. Un cambio de paradigma.
La cámara virtual que lo ve todo (incluso lo que no existe)
Técnicamente, estamos ante un multimodal autoregressive diffusion transformer. Suena a jerga densa de laboratorio, pero su función es brillante y muy práctica. Atlas engulle texto, imágenes fijas, mapas de profundidad y posiciones de cámara para crear un contexto espacial único y coherente. Ni se inmuta ante la complejidad geométrica de una escena cotidiana.
Dicho de otro modo, puedes grabar el salón de tu casa caminando con un par de móviles convencionales y el modelo hace magia. A partir de esas tomas limitadas, Atlas genera perspectivas totalmente nuevas que jamás fueron capturadas por tu lente. Te permite situar una cámara virtual exacta en rincones donde nunca estuviste. Los cineastas y creadores audiovisuales ya se frotan las manos.
Pero claro, la IA no es omnisciente y tiene sus propios límites físicos. Si no has grabado lo que hay detrás del sofá, el modelo no puede saber con precisión si tienes polvo acumulado o una caja de zapatos. ¿La solución de World Labs? Se lo inventa.
Lo fascinante es que inventa contenido altamente plausible que encaja a la perfección con el resto del mobiliario y la iluminación de la escena. Y la regla aquí es matemática pura: cuantas más imágenes le des al principio, menos contenido tendrá que alucinar por su cuenta. Así de simple.
El billete dorado de la robótica y el salto «real-to-sim»
Quizás pienses que esto es solo un juguete caro para Hollywood, pero el verdadero filón económico está en el hardware físico. Entrenar a un robot para que recoja una simple taza de café de una mesa es un auténtico infierno logístico. Requiere objetos reales, cámaras, sensores bien calibrados, un autómata carísimo y miles de intentos donde las cosas se rompen.
La cruda realidad es que los entornos físicos cambian constantemente por variaciones de luz o desplazamientos milimétricos. Este caos es el mayor obstáculo para sacar a los robots de los laboratorios de pruebas. Aquí es donde la empresa saca pecho con lo que denominan el proceso real-to-sim.
En la práctica, Atlas coge unas cuantas fotos de un almacén real y lo transforma en una simulación virtual completamente funcional. De repente, tienes un entorno tridimensional donde un robot puede equivocarse un millón de veces sin asumir los costes de romper nada. El modelo genera al vuelo las imágenes y los datos de profundidad que los sensores de la máquina leerían en el mundo físico.
Y es que no están solos en esta carrera por digitalizar el entrenamiento físico. Sabemos que la competencia aprieta fuerte y Runway también persigue algo parecido con su reciente modelo GWM-1 centrado en simulación para robótica. La guerra por dominar el entrenamiento virtual está servida.
En una entrevista con a16z, queda bastante claro que la visión de los creadores a largo plazo es inmensa. Fei-Fei Li sugiere firmemente que el lenguaje no está presente de forma explícita en la naturaleza. Por lo tanto, la verdadera inteligencia exige procesar información puramente espacial y visual.
Videojuegos: la mina de oro de la inteligencia espacial
Y aquí viene lo bueno: ¿de dónde sacas los datos masivos para entrenar a un bicho como Atlas? Mientras que un LLM tradicional se traga millones de artículos de la Wikipedia o libros, los modelos espaciales necesitan algo mucho más complejo. Necesitan geometría pura, físicas realistas, texturas y millones de puntos de vista.
Resulta que la industria de los videojuegos lleva décadas construyendo exactamente eso en sus motores gráficos. Los mundos virtuales tridimensionales y los simuladores creados para arquitectura están repletos de datos perfectos para enseñar a una IA. Ya hay start-ups pivotando exclusivamente para extraer estos mapas y venderlos. Una auténtica locura.
Mirando al horizonte, World Labs proyecta la creación de una especie de «internet de los robots». Hablamos de una red masiva de espacios tridimensionales simulados donde miles de máquinas podrán razonar, percibir e interactuar antes de dar sus primeros pasos en nuestro mundo físico.
Por el momento, Atlas es solo un primer vistazo técnico al futuro y se mantiene en acceso anticipado muy restringido para socios seleccionados. Aún no es un producto empaquetado que puedas instalar en tu ordenador para probar suerte.
Lo que sí demuestra es que la pregunta clave en el desarrollo de la inteligencia artificial está mutando a toda velocidad. Ya no nos conformamos con saber qué palabra viene a continuación en la pantalla. Ahora queremos saber qué ocurre visualmente cuando doblamos la esquina de una habitación. Y ese salto cualitativo del texto plano a la profundidad espacial lo va a cambiar absolutamente todo. Veremos si la industria logra seguirle el ritmo a Li.
Me dedico al SEO y la monetización con proyectos propios desde 2019. Un friki de las nuevas tecnologías desde que tengo uso de razón.
Estoy loco por la Inteligencia Artificial y la automatización.
