Atlas quiere llevar la inteligencia artificial del texto al mundo físico
World Labs ha presentado Atlas, un modelo de inteligencia artificial diseñado para reconstruir espacios tridimensionales a partir de imágenes, vídeos y otros datos limitados. La compañía, fundada por Fei-Fei Li, pretende avanzar hacia los llamados modelos del mundo, sistemas capaces de comprender cómo se organizan los entornos y qué ocurriría al moverse dentro de ellos.
La propuesta va más allá de generar vídeos visualmente realistas. Atlas intenta construir una representación espacial coherente de un lugar para después mostrarlo desde posiciones y ángulos que ninguna cámara haya registrado. Su posible impacto abarca desde el cine y los videojuegos hasta la robótica y la simulación industrial.
Un modelo multimodal que entiende el espacio
Atlas es un modelo multimodal, es decir, una inteligencia artificial capaz de combinar distintos tipos de información. Su entrenamiento utiliza texto, imágenes, secuencias de vídeo, posiciones de cámara y mapas de profundidad, que indican la distancia entre la cámara y los objetos de una escena.
Todos esos datos se integran en un contexto espacial común. De este modo, el sistema no se limita a producir una imagen bonita, sino que trata de mantener las relaciones entre paredes, muebles, personas y objetos cuando cambia el punto de vista.
Su arquitectura se define técnicamente como un transformador de difusión autorregresivo multimodal. En los grandes modelos de lenguaje, el sistema predice qué palabra o fragmento de texto debería aparecer a continuación. Atlas aplica una lógica parecida al espacio: calcula qué debería observarse desde una determinada posición y orientación de cámara.
Perspectivas que nunca fueron grabadas
Una de las demostraciones más llamativas consiste en proporcionar al modelo imágenes o vídeos capturados con dos o tres teléfonos móviles. A partir de esa información, Atlas puede generar nuevas perspectivas de la escena que no fueron filmadas directamente.
El usuario también puede describir una trayectoria de cámara concreta. Por ejemplo, pedir que la cámara rodee una mesa, se acerque a una puerta o atraviese una habitación desde una altura determinada. Atlas intenta producir una visualización consistente con los datos disponibles y con la geometría estimada del entorno.
Esta función podría cambiar algunos procesos de producción audiovisual. Una escena grabada en un plató o en una localización real podría reutilizarse para crear planos adicionales sin desplazar de nuevo a todo el equipo. También facilitaría la previsualización de secuencias, el diseño de escenarios y la creación de contenidos inmersivos.
La inteligencia artificial también imagina
La reconstrucción espacial tiene un límite importante: Atlas no puede ver lo que ninguna cámara ha captado. Si solo recibe tres fotografías de una habitación, no puede saber con certeza qué hay detrás de un sofá o en una esquina oculta.
En esas zonas, el modelo genera una solución plausible. Su objetivo es inventar elementos que encajen con la iluminación, las formas y la distribución observadas, pero el resultado no equivale a una medición real. Cuantas más imágenes y datos de profundidad recibe, menos contenido necesita completar por su cuenta.
Esta limitación resulta especialmente relevante en ámbitos donde la precisión es crítica. Una recreación útil para una película puede no ser suficiente para planificar una operación robótica, una obra de ingeniería o una intervención en un entorno desconocido.
El salto de la imagen a la robótica
La aplicación más ambiciosa de Atlas está relacionada con el entrenamiento de robots. World Labs plantea convertir unas pocas imágenes de un espacio real en un entorno virtual que una máquina pueda recorrer y analizar.
El sistema puede generar las imágenes y los datos de profundidad que captaría un robot al desplazarse por distintas rutas. Este proceso, conocido como real-to-sim, transforma un escenario físico en una simulación digital para entrenar o evaluar sistemas robóticos antes de probarlos en el mundo real.
Enseñar a un robot a recoger una taza exige normalmente disponer de un brazo robótico, sensores, cámaras, objetos reales y numerosas sesiones de prueba. Además, las condiciones cambian: la luz puede variar, los objetos pueden moverse y un error puede dañar el equipo.
Las simulaciones permiten repetir esas situaciones a bajo coste y acelerar el aprendizaje. Un robot puede practicar miles de veces cómo agarrar un objeto, evitar un obstáculo o recorrer una habitación sin que cada fallo tenga consecuencias físicas.
Hacia una internet para robots
La visión de World Labs apunta a una especie de internet de los robots formada no por páginas web, sino por grandes colecciones de espacios tridimensionales. Esos entornos servirían para que las máquinas aprendiesen a percibir, moverse y responder a cambios.
Los videojuegos podrían convertirse en una fuente especialmente valiosa para esa infraestructura. Sus mundos virtuales ya contienen geometría, texturas, cámaras, objetos, reglas físicas y multitud de posiciones desde las que observar una escena.
También los simuladores industriales, los proyectos de arquitectura y los entornos digitales de entrenamiento pueden aportar datos espaciales. Mientras los modelos de lenguaje han aprendido de enormes cantidades de texto, los modelos del mundo podrían aprovechar la información estructurada de esos escenarios virtuales.
Una primera etapa con acceso limitado
Atlas todavía no se presenta como un producto completo para el público general. Su disponibilidad está restringida a un acceso anticipado para socios seleccionados, por lo que quedan por comprobar aspectos como la precisión, la velocidad de generación, el coste y su comportamiento en entornos complejos.
El proyecto, sin embargo, marca un cambio de enfoque en la inteligencia artificial. Los modelos de lenguaje predicen qué palabras deben venir después; los modelos del mundo intentan responder a otra pregunta: qué debería verse si una persona o un robot se desplaza hasta otro punto.
Ese paso puede ser decisivo para que la IA deje de limitarse a conversar o crear imágenes y empiece a comprender, aunque sea de forma aproximada, las reglas del espacio físico.
