Tres ingenieros de la startup Axiom conectaron un Toyota Corolla 2024 a un modelo de lenguaje de propósito general —sin entrenamiento previo en conducción— y lograron que el sistema navegara de forma autónoma hasta la ventanilla de un restaurante de comida rápida para recoger un pedido. El experimento, documentado por Aditya Ramabadran, Simon Mahns y Tobias Gessler, no utilizó algoritmos especializados en movilidad autónoma, sino una arquitectura diseñada originalmente para generación de texto y código.
La configuración técnica consistió en una laptop conectada a un servidor que integraba múltiples cámaras y el sistema de dirección asistida del vehículo. Un conductor de seguridad mantuvo el pie sobre el freno durante toda la operación. Aunque el recorrido transcurrió sin incidentes, los propios ingenieros reconocieron los riesgos inherentes de delegar el control de un vehículo de dos toneladas a un modelo no diseñado para esa función.
El razonamiento físico como frontera crítica de la IA
Lo que distingue este experimento de los sistemas de conducción autónoma convencionales —como los que operan Waymo o Tesla— es precisamente la ausencia de entrenamiento específico. Los vehículos autónomos tradicionales funcionan con modelos entrenados durante miles de horas en escenarios de tráfico. Aquí, el modelo interpretó el entorno físico en tiempo real a partir de capacidades desarrolladas para dominios digitales, lo que sugiere un nivel emergente de comprensión espacial que los laboratorios de IA aún no han formalizado como capacidad estable.
Este tipo de experimentos ha impulsado una corriente de investigación específica sobre razonamiento físico. Andrew Dai, exinvestigador de Google DeepMind y fundador de Elorian AI, argumenta que mejorar la comprensión visual y espacial de los modelos es condición necesaria para que la inteligencia artificial opere de forma confiable en entornos no estructurados: "No puedes imaginar la robótica doméstica sin esto", señaló en declaraciones recientes.
Un nuevo estándar de evaluación para la comprensión del mundo real
Elorian AI y Scale AI desarrollaron conjuntamente un benchmark denominado Humanity's Sixth Sense, diseñado para medir la capacidad de los modelos de IA para interpretar escenas físicas complejas. La iniciativa responde a una brecha metodológica: los estándares actuales de evaluación de modelos están optimizados para tareas lingüísticas y lógicas, pero carecen de métricas robustas para el desempeño en entornos físicos.
La relevancia estratégica de este avance va más allá de la conducción autónoma. Sistemas capaces de razonar sobre el mundo físico podrían aplicarse en manufactura, logística, atención en punto de venta y robótica de servicio —sectores donde la brecha entre capacidad digital y ejecución física ha sido el principal obstáculo para la automatización a escala. La velocidad a la que los modelos de propósito general están cerrando esa brecha obliga a replantear los horizontes de implementación en industrias que hasta ahora consideraban esas aplicaciones como escenarios de mediano o largo plazo.
