La inteligencia artificial empieza a mirar más allá de las palabras y las imágenes. World Labs ha presentado Atlas, un modelo diseñado para entender y generar espacios en 3D a partir de información como fotografías, vídeo, mapas de profundidad y posiciones de cámara. Según la compañía, el objetivo es avanzar hacia una IA capaz de comprender cómo funciona el mundo físico y utilizar ese conocimiento en ámbitos como la robótica, la simulación o la creación audiovisual.
Atlas quiere que la inteligencia artificial entienda el espacio
Hasta ahora, buena parte del desarrollo de la IA generativa se ha centrado en trabajar con lenguaje, imágenes, audio o vídeo. Atlas plantea un enfoque diferente: no intenta limitarse a generar contenido visual, sino construir una representación espacial que le permita predecir qué debería aparecer desde diferentes puntos de vista.
World Labs, la empresa fundada entre otros por Fei-Fei Li, una de las figuras más conocidas del campo de la inteligencia artificial, presenta Atlas como un modelo multimodal entrenado desde cero. El sistema puede combinar texto, imágenes, vídeo, mapas de profundidad y datos relacionados con la posición de las cámaras.
La diferencia puede parecer pequeña, pero tiene bastante importancia. Un generador de vídeo tradicional puede crear una secuencia visual a partir de una descripción, mientras que Atlas busca mantener una coherencia espacial entre diferentes observaciones del mismo entorno. Es decir, que una habitación siga siendo la misma aunque la cámara cambie de posición.
De unas pocas imágenes a un escenario que se puede explorar
Una de las demostraciones descritas muestra cómo Atlas puede recibir imágenes captadas desde diferentes posiciones y utilizar esa información para generar perspectivas que no fueron grabadas originalmente por ninguna cámara. El modelo reconstruye una representación plausible del espacio y permite observarlo desde nuevos ángulos.
Según los datos facilitados por World Labs, el sistema puede trabajar incluso con grabaciones realizadas utilizando solo dos o tres smartphones. A partir de esas imágenes, Atlas genera nuevas perspectivas manteniendo una relación coherente con los elementos que sí estaban presentes en los datos originales.
Esto también permite plantear instrucciones relacionadas con el movimiento de una cámara. Un creador podría especificar una trayectoria y el modelo generaría una visualización de lo que se vería siguiendo ese recorrido, incluso cuando esa perspectiva concreta nunca hubiera sido registrada físicamente.
Hay, eso sí, una limitación importante. Atlas no puede saber con certeza qué existe detrás de un objeto que ninguna cámara ha captado. En esos casos, el sistema tiene que generar una solución plausible. La propia explicación de World Labs resume el principio de forma sencilla: cuantas más imágenes recibe el modelo, menos contenido tiene que imaginar.
El salto de los modelos del mundo a la robótica
La aplicación que puede resultar más interesante está lejos del cine. World Labs plantea que esta tecnología podría utilizarse para crear entornos virtuales basados en lugares reales en los que los robots puedan entrenarse antes de enfrentarse a esos espacios en el mundo físico.
La compañía denomina a este proceso real-to-sim: primero se captura un espacio real y después se transforma en una simulación. El resultado puede servir para que un robot virtual recorra el entorno y genere datos sobre lo que verían sus sensores desde diferentes posiciones.
El problema que intenta resolver no es menor. Enseñar a un robot a realizar una tarea sencilla, como recoger una taza de una mesa, requiere normalmente un robot físico, cámaras, sensores, objetos y muchas repeticiones. Cada intento consume tiempo y recursos, y además el entorno real nunca permanece completamente estable.
La iluminación puede cambiar, los objetos pueden moverse y un error puede terminar dañando tanto al robot como al propio entorno. Según World Labs, las simulaciones permitirían repetir pruebas y cometer errores sin asumir el coste de hacerlo físicamente, algo especialmente útil para entrenar sistemas robóticos.
Una especie de internet para entrenar robots
La visión de World Labs va incluso un paso más allá. La empresa plantea que los futuros modelos del mundo podrían dar lugar a una especie de “internet de los robots”, aunque Atlas todavía no sea un producto que ofrezca por sí solo esa infraestructura completa.
En lugar de páginas web y documentos, esa hipotética plataforma estaría formada por grandes cantidades de espacios tridimensionales con los que los sistemas de IA podrían experimentar. La idea sería disponer de entornos virtuales suficientemente ricos como para que los robots pudieran aprender, probar comportamientos y evaluar distintas situaciones.
Los videojuegos podrían tener un papel relevante en esta estrategia. Un escenario tridimensional ya contiene información sobre geometría, objetos, texturas, cámaras, físicas y diferentes posiciones desde las que observar el mundo. Ese conjunto de datos podría resultar útil para desarrollar modelos capaces de comprender espacios.
Además de los videojuegos, este tipo de información puede encontrarse en simuladores, herramientas de arquitectura y otros entornos digitales. Según el planteamiento de World Labs, los mundos virtuales ya construidos pueden convertirse en una fuente de datos para entrenar modelos espaciales, de una manera comparable a cómo los grandes modelos de lenguaje aprovechan enormes cantidades de texto.
La idea no es solo generar imágenes bonitas
Atlas se distancia así de la evolución habitual de los generadores de imágenes y vídeo. La cuestión que intenta resolver es menos visual y más relacionada con la comprensión: qué ocurre cuando una inteligencia artificial se mueve dentro de un espacio y tiene que anticipar lo que encontrará desde otra posición.
Fei-Fei Li ha resumido esta diferencia señalando que fuera del lenguaje no encontramos palabras que nos expliquen lo que ocurre. Según la idea recogida en la presentación, el mundo físico no está organizado como una frase: los objetos tienen posiciones, relaciones, dimensiones y comportamientos que deben entenderse espacialmente.
En ese sentido, los llamados modelos del mundo buscan complementar a los modelos de lenguaje. Mientras un LLM puede aprender patrones sobre qué palabra debería aparecer después, un modelo espacial intenta predecir qué debería verse después cuando cambia la posición dentro de un entorno.
Atlas todavía está en una fase temprana
Pese a las posibilidades que plantea, conviene poner el lanzamiento en contexto. Atlas todavía no está disponible como producto abierto para cualquier usuario. Según la información publicada por World Labs, el acceso se encuentra actualmente limitado a una fase anticipada con determinados socios seleccionados.
Eso significa que todavía queda camino antes de saber hasta dónde puede llegar esta tecnología en aplicaciones reales. La propuesta resulta especialmente relevante para la robótica porque permite imaginar un entrenamiento mucho más basado en simulaciones, pero la utilidad práctica dependerá de la precisión con la que los modelos representen los entornos y sus comportamientos.
Por ahora, Atlas representa una apuesta por una nueva generación de inteligencia artificial que no se limite a producir texto, imágenes o vídeo. Según World Labs, el objetivo a largo plazo es desarrollar modelos capaces de percibir, generar, razonar e interactuar con mundos virtuales y físicos, acercando la IA a un tipo de comprensión espacial que resulta fundamental para que los robots puedan desenvolverse fuera de los laboratorios.
Fuente: https://www.worldlabs.ai/blog/atlas