Mientras los modelos de lenguaje dominan la conversación sobre inteligencia artificial, una categoría distinta avanza en paralelo con implicaciones más profundas para la automatización física: los modelos del mundo. A diferencia de los LLM, que predicen texto a partir de texto, estos sistemas utilizan imágenes y datos visuales para anticipar el siguiente estado de un entorno tridimensional. La distinción no es semántica — es arquitectónica, y determina qué tipo de problemas pueden resolver.
Oliver Cameron, director ejecutivo de Odyssey, describe la diferencia con precisión: donde un modelo de lenguaje predice la siguiente palabra en una oración, un modelo del mundo predice el siguiente fotograma visual de una secuencia. Esa capacidad de simular física, trayectorias y relaciones causa-efecto convierte a estos sistemas en entornos de entrenamiento para robots y vehículos autónomos, reduciendo la dependencia de pruebas en el mundo real — que son costosas, lentas y riesgosas.
Del juego móvil a la infraestructura de percepción
Uno de los casos más ilustrativos del origen de estos modelos es Niantic, la empresa detrás de Pokémon Go. Millones de usuarios que capturaban criaturas virtuales en sus vecindarios generaron, sin saberlo, un corpus masivo de datos visuales geolocalizados. Brian McClendon, director de tecnología de la compañía, señala que ese acervo ahora alimenta la construcción de réplicas digitales del entorno físico — modelos que simulan cómo se comporta el mundo, no solo cómo se ve.
Este tipo de infraestructura de percepción es exactamente lo que necesitan los sistemas de conducción autónoma. McClendon subraya que la velocidad de reacción es crítica: un vehículo no puede esperar a que un modelo procese texto para decidir si frenar. Necesita anticipar el estado del entorno en milisegundos, lo que exige una representación continua y dinámica del espacio físico.
Física, causalidad y el problema de la comprensión real
Jamie Shotton, científico jefe de Wayve, identifica el desafío central de estos sistemas: no basta con que un modelo genere imágenes plausibles del mundo. Debe comprender la física subyacente — cómo caen los objetos, cómo reacciona una persona al ser empujada, qué ocurre cuando dos superficies colisionan. Sin ese entendimiento causal, un robot entrenado en simulación fallará al enfrentarse al mundo real.
Este problema, conocido como el "sim-to-real gap", ha limitado históricamente la utilidad de los entornos virtuales para entrenar sistemas físicos. Los modelos del mundo de nueva generación buscan cerrarlo no mediante gráficos más realistas, sino mediante representaciones más precisas de las leyes físicas que gobiernan el comportamiento de los objetos.
Implicaciones para sectores con alta dependencia operativa
Se proyecta que 2027 será un punto de inflexión en la adopción de estos modelos a escala industrial. Para sectores como logística, manufactura, movilidad urbana y automatización de servicios, la pregunta relevante no es si estos sistemas llegarán, sino con qué velocidad y bajo qué condiciones regulatorias.
Las organizaciones que comiencen a mapear sus operaciones físicas en términos de datos visuales estructurados — inventarios en movimiento, flujos de personas, interacciones entre maquinaria — estarán mejor posicionadas para integrar estas capacidades cuando maduren. La ventaja competitiva no estará en adoptar la tecnología primero, sino en tener los datos y la infraestructura de percepción listos para alimentarla.
