Modelo del mundo: entender los modelos del mundo, la nueva frontera de la IA
🌍World Model: entender los modelos del mundo, la nueva frontera de la IA
Tras la ola de los grandes modelos de lenguaje (LLM), un nuevo paradigma se impone en la investigación de inteligencia artificial: el world model, o modelo del mundo. En 2026, este enfoque se ha convertido en uno de los ejes de investigación más disputados del sector, impulsado por actores como Google DeepMind, NVIDIA, Meta y la nueva startup de Yann LeCun, AMI Labs. Este artículo técnico analiza qué es un world model, las arquitecturas en competencia y las aplicaciones concretas que están surgiendo hoy en día.
¿Qué es un world model?
Un world model es un simulador interno que aprende el funcionamiento de un entorno para predecir cómo evoluciona con el tiempo, en función de las observaciones y las acciones. En otras palabras, el modelo construye una representación interna de la realidad que le permite anticipar las consecuencias de sus acciones antes de ejecutarlas.
Esta capacidad de predicción y planificación distingue fundamentalmente a los modelos del mundo de los LLM. Un modelo de lenguaje predice el siguiente token en una secuencia de texto; un world model, por su parte, predice el siguiente estado de un entorno físico o visual. Mientras que el LLM manipula símbolos, el modelo del mundo busca capturar las leyes causales y la dinámica de la realidad: gravedad, permanencia de los objetos y continuidad del movimiento.
El concepto no es nuevo. Se remonta, en particular, a los trabajos de Jürgen Schmidhuber y fue popularizado por el artículo «World Models» de Ha y Schmidhuber en 2018. Pero fueron la disponibilidad de datos de vídeo masivos, la mejora de las arquitecturas y el aumento de la potencia de cálculo los que transformaron, entre 2025 y 2026, esta idea teórica en una realidad operativa.
¿Por qué los modelos del mundo después de los LLM?
El argumento central a favor de los modelos del mundo es defendido con firmeza por Yann LeCun. Su tesis: los LLM, por muy impresionantes que sean, no pueden alcanzar por sí solos una inteligencia de nivel humano. Destacan en la manipulación del lenguaje, pero carecen de una comprensión sólida del mundo físico y de una verdadera capacidad de razonamiento causal o planificación a largo plazo.
Esta convicción se tradujo en una apuesta financiera rotunda. En noviembre de 2025, LeCun dejó Meta para fundar AMI Labs (Advanced Machine Intelligence Labs), una startup dedicada íntegramente a los modelos del mundo. En marzo de 2026, cerró una ronda de financiación semilla de 1030 millones de dólares con una valoración pre-money de 3500 millones, la mayor ronda semilla en la historia de las startups europeas.
La apuesta es sencilla de enunciar, pero de gran calado: si el futuro de la IA general pasa por la comprensión del mundo físico y no solo por la predicción de texto, entonces los modelos del mundo se convertirán en la infraestructura fundamental de la próxima década.
Los dos grandes enfoques arquitectónicos
El campo de los modelos del mundo está estructurado por un profundo desacuerdo sobre la forma correcta de representar el mundo. Dos filosofías se enfrentan.
El enfoque de representación latente (JEPA, Dreamer)
La primera escuela busca captar la estructura del mundo en un "espacio latente abstracto", sin reconstruir cada píxel. Este es el enfoque de la Joint Embedding Predictive Architecture (o "JEPA") de LeCun y de los modelos Dreamer de Danijar Hafner.
El argumento técnico es el siguiente: en un vídeo, la mayor parte de lo que sucede (el movimiento de las hojas, el parpadeo de la luz, el movimiento individual de las moléculas de aire) es intrínsecamente impredecible. Un sistema que intenta reconstruir cada píxel desperdicia su capacidad prediciendo ruido irrelevante. JEPA evita este problema prediciendo representaciones abstractas de estados futuros en lugar de su renderizado visual exacto.
V-JEPA 2, presentado por Meta, ilustra este enfoque: entrenado con más de un millón de horas de vídeos de Internet, aprende a predecir las representaciones futuras de una escena en un espacio de embedding. Tras un ajuste fino con menos de 62 horas de trayectorias robóticas, alcanza un rendimiento puntero en la anticipación de acciones y en la planificación robótica zero-shot.
El enfoque generativo en el espacio de píxeles (Sora, Genie)
La segunda escuela toma el camino opuesto: generar explícitamente la imagen futura, fotograma a fotograma, y utilizar este renderizado como un simulador en sí mismo. Esta es la vía de Sora de OpenAI, presentado como un "simulador del mundo", y de Genie de Google DeepMind.
Genie 3 marca una ruptura importante: es el primer modelo de mundo interactivo, generalista y en tiempo real. Produce mundos 3D navegables y fotorrealistas a 24 fotogramas por segundo a partir de una simple instrucción de texto, explorables en directo, a diferencia de los sistemas anteriores que generaban entornos estáticos o requerían un tiempo de procesamiento considerable.
El debate entre estos dos bandos (generación píxel a píxel frente a representación latente abstracta) sigue abierto y constituye hoy la principal línea de fractura en la investigación hacia la AGI.
Actores y modelos clave en 2026
Más allá de la dicotomía arquitectónica, varios sistemas estructuran el panorama actual de los modelos de mundo:
- NVIDIA Cosmos : una plataforma de modelos de mundo (WFM) de pesos abiertos, entrenada con volúmenes masivos de datos de robótica y conducción. Cosmos admite la generación Text2World, Image2World y Video2World con una sólida conciencia física.
- World Labs (Marble) : lanzado en noviembre de 2025 por Fei-Fei Li, Marble genera mundos 3D completos a partir de texto, una imagen, vídeos cortos o bocetos 3D, y los exporta como Gaussian splats, mallas o vídeos con cámara controlable. World Labs recaudó más de mil millones de dólares a principios de 2026.
- DeepMind Genie 3 y OpenAI Sora para la vía generativa.
- Meta V-JEPA 2 y AMI Labs para la vía latente.
Aplicaciones concretas de los modelos de mundo
Lejos de ser una abstracción de laboratorio, los modelos de mundo ya están encontrando importantes aplicaciones industriales.
- Conducción autónoma. En febrero de 2026, Waymo ha adoptado Genie 3 para construir su propio «Waymo World Model», dedicado a la simulación de conducción. Produce salidas de cámara y lidar sincronizadas y genera casos límite (edge cases) que los robotaxis rara vez encuentran en el mundo real: una forma de entrenar y validar sistemas de conducción a gran escala y bajo coste.
- Robótica. V-JEPA 2-AC, una variante condicionada por la acción, permite a robots reales realizar tareas de manipulación (pick-and-place) en zero-shot, en entornos desconocidos, sin necesidad de reentrenamiento específico. Es un avance decisivo para la generalización en robótica.
- Generación de contenido y juegos. La potencia generativa de Sora y Genie abre el camino a entornos interactivos, simulaciones y universos de juego generados al instante.
Estas aplicaciones forman parte de lo que la industria denomina ahora IA física (physical AI): sistemas capaces de actuar en el mundo real porque comprenden su dinámica.
El papel central de los datos en el entrenamiento de los world models
Un punto a menudo subestimado: la calidad de un world model depende directamente de la calidad de los datos con los que se entrena. Predecir la dinámica del mundo físico exige conjuntos de datos de vídeo, trayectorias robóticas y escenas de conducción cuidadosamente recopilados y, a menudo, anotados. Los casos límite —precisamente aquellos que los world models buscan simular— deben ser identificados y estructurados en los datos de entrenamiento y evaluación.
Es por ello que el auge de los modelos del mundo conlleva una demanda creciente de anotación de datos especializada : segmentación de vídeo, etiquetado de acciones, anotación 3D y lidar, o incluso validación humana de escenarios generados. La robustez de los futuros modelos del mundo se juega en gran medida en esta etapa.
Límites y desafíos actuales
Los world models siguen siendo una tecnología incipiente. Un benchmark formal publicado en mayo de 2026 demostró que los modelos actuales siguen siendo frágiles ante situaciones inéditas, con dificultades para mantener una coherencia física en secuencias largas. La coherencia temporal, la memoria a largo plazo y la evaluación objetiva del rendimiento se encuentran entre los problemas abiertos. Además, el desacuerdo arquitectónico de fondo sigue sin resolverse: nadie sabe aún si la vía latente o la vía generativa —o una hibridación de ambas— conducirá a la IA general.
Conclusión
El world model encarna un cambio de perspectiva importante: pasar de una IA que manipula el lenguaje a una IA que comprende y simula el mundo. Impulsado por inversiones récord y aplicaciones ya tangibles en conducción autónoma y robótica, este enfoque bien podría constituir el próximo gran paso después de los LLM. Los próximos años dirán qué arquitectura se impone, pero una cosa es segura: ¡los modelos del mundo están ahora en el centro de la carrera hacia la inteligencia artificial general!
---
Fuentes : Google DeepMind (Genie 3), Meta AI (V-JEPA 2), NVIDIA (Cosmos), World Labs (Marble), TechTimes (AMI Labs), Wikipedia, arXiv.
