¿Puede existir la inteligencia sin un cuerpo? Esta pregunta, que hace unas décadas parecía tener una respuesta negativa, hoy se replantea a la luz de los avances en inteligencia artificial. Si eres usuario de ChatGPT, probablemente pienses que la respuesta es afirmativa: una máquina puede ser inteligente si entendemos la inteligencia como la capacidad de comprender y resolver problemas. Sin embargo, la cuestión es más compleja. La inteligencia de las IA actuales se basa en el lenguaje. Los modelos que dominan el panorama, como ChatGPT, son esencialmente modelos de lenguaje: su “inteligencia” reside en predecir la siguiente palabra en un texto, gracias al procesamiento masivo de datos. El lenguaje ha sido clave en la evolución humana, y por eso estas IA resultan tan eficaces en tareas que requieren cierto tipo de inteligencia. Pero su alcance está limitado por su naturaleza: no interactúan con el mundo físico. Las máquinas, por ahora, carecen de cuerpo y, por tanto, de la experiencia directa del entorno tridimensional en el que vivimos. Esta carencia limita su aprendizaje y explica, por ejemplo, las dificultades de los coches autónomos. Por eso, la inteligencia artificial general (IAG), esa IA capaz de superar a los humanos, sigue siendo una promesa lejana, pese a los pronósticos de algunos tecnólogos. Ante este reto, la comunidad científica ha comenzado a explorar una nueva vía: los “modelos de mundo” (world models). A diferencia de los modelos de lenguaje, estos buscan dotar a las máquinas de una comprensión más profunda del contexto físico, acercando su inteligencia a la humana. Aunque las IA seguirán sin cuerpo, ya no dependerán solo del lenguaje para aprender. Richard Sutton, pionero del aprendizaje por refuerzo y Premio Turing 2024, advirtió recientemente que los modelos de lenguaje natural han tocado techo. Según Sutton, estos sistemas solo imitan, carecen de objetivos propios y no aprenden de la experiencia real. Para él, la verdadera inteligencia implica interactuar con el mundo y alcanzar metas, no solo predecir palabras. Esta visión es compartida por figuras clave de la IA. Yann LeCun, uno de los padres del aprendizaje profundo, dejó Meta tras el fiasco de Llama 4 y la reorganización interna que lo relegó. Ahora, LeCun impulsa una nueva empresa dedicada a desarrollar IA capaz de entender el mundo físico, con memoria persistente y habilidades de razonamiento y planificación. Según LeCun, los modelos actuales son útiles pero limitados: pueden describir cómo rotar un cubo, pero no comprenden realmente el concepto de rotación espacial. Fei-Fei Li, creadora de ImageNet y referente en el campo, también apuesta por esta nueva dirección. Desde su start-up World Labs, ha lanzado Marble, una herramienta capaz de generar mundos 3D a partir de una sola imagen. Li sostiene que la inteligencia real requiere la capacidad de actuar y entender el espacio, como hacen los bebés al aprender física antes de hablar. Danijar Hafner, creador de la serie Dreamer, ha demostrado el potencial de los modelos de mundo en robótica. Dreamer 4 logró obtener diamantes en Minecraft solo observando vídeos, sin jugar previamente. Construyó un modelo interno del entorno y practicó en su “imaginación” antes de enfrentarse al reto real. Este enfoque podría revolucionar la robótica, permitiendo que los robots aprendan de la observación y la simulación, en lugar de costosos ensayos en el mundo físico. El auge de los modelos de mundo plantea desafíos para la industria. Como señala Gillian Tett en el Financial Times, si estos modelos requieren arquitecturas y hardware distintos, la infraestructura actual podría quedar obsoleta en pocos años. El futuro de la IA podría depender menos de la escala de los modelos de lenguaje y más de su capacidad para comprender y actuar en el mundo real. Fuente: ideal.es