World Model

Parcialmente. Sora comprende la física básica (gravedad, reflejos, fluidos) pero no tiene una comprensión completa del mundo. OpenAI lo describe como un 'world simulator'.

Robótica (comprender el entorno físico), conducción autónoma (predecir el comportamiento de otros vehículos) y generación de video (física realista).

Un world model es una representación interna y aprendida de cómo funciona un entorno, que permite a una IA predecir lo que va a ocurrir a partir de su estado actual y sus acciones. En lugar de reaccionar solo a las entradas en bruto, el sistema simula futuros plausibles. Esta idea fundamenta el aprendizaje por refuerzo basado en modelos, la robótica y los generadores de video modernos, donde el modelo captura la dinámica: movimiento, física y permanencia de los objetos.

Un gran modelo de lenguaje predice el siguiente token en un texto y destaca en tareas lingüísticas. Un world model predice el siguiente estado de un entorno, a menudo visual o físico, capturando dinámicas como el movimiento y las colisiones. Ambos se solapan: generadores de video como Sora y Genie mezclan ambas ideas. La diferencia clave es lo que modelan: secuencias de palabras, o la forma en que un mundo evoluciona en el tiempo bajo el efecto de las acciones.

Entre los ejemplos destacados: Dreamer de DeepMind, que aprende a actuar imaginando los resultados dentro de un modelo aprendido, y Genie, que genera entornos interactivos y jugables a partir de imágenes o texto. Sora de OpenAI se describe como un simulador de mundo para video. La familia JEPA de Yann LeCun aprende representaciones predictivas abstractas en lugar de píxeles. En conjunto, muestran world models que abarcan robótica, juegos, video e investigación.

Un agente dotado de un world model puede imaginar las consecuencias de sus acciones antes de ejecutarlas, desplegando mentalmente posibles futuros y eligiendo la vía con el mejor resultado. Es la planificación en el espacio latente. Como el agente se entrena dentro de su modelo en lugar del mundo real, aprende más rápido y de forma más segura. Los sistemas tipo Dreamer usan exactamente este bucle para dominar tareas de control de forma eficiente.

Los robots actúan en un mundo físico donde el ensayo y error real es lento, costoso y arriesgado. Un world model permite a un robot predecir cómo se mueven, caen o resisten los objetos, para planificar agarres y movimientos en simulación antes de actuar. Esto reduce la necesidad de datos reales y mejora la seguridad. El robot también generaliza mejor a situaciones nuevas al razonar sobre la física en lugar de memorizar respuestas fijas.

Un simulador clásico está programado a mano por ingenieros, con reglas de física explícitas. Un world model se aprende a partir de datos, deduciendo las reglas de un entorno mediante la observación. Esto hace que los world models sean más flexibles para situaciones reales y complejas que un humano no podría programar por completo, pero también menos precisos y más difíciles de verificar. Muchos sistemas combinan ambos, usando modelos aprendidos donde la física escrita a mano falla.

Los world models actuales todavía tienen dificultades para mantenerse coherentes en horizontes largos, derivando a menudo hacia una física imposible, objetos que desaparecen o relaciones de causa y efecto rotas. Sistemas de video como Sora pueden manejar mal las interacciones complejas o la permanencia de los objetos. Son costosos de entrenar, difíciles de interpretar y pueden aprender patrones superficiales en lugar de una verdadera comprensión física. La planificación fiable a largo plazo y una dinámica fiel a la realidad siguen siendo desafíos de investigación abiertos.

Muchos investigadores lo creen. Figuras como Yann LeCun sostienen que aprender un world model predictivo es esencial para el sentido común y el razonamiento, ya que los humanos comprenden el mundo anticipándolo. Al anclar la IA en cómo se comportan los entornos, y no solo en el texto, los world models podrían permitir agentes capaces de planificar, adaptarse y actuar de forma fiable. Se ven ampliamente como una pieza clave hacia sistemas más generales y capaces.