Atlas quiere llevar la inteligencia artificial del lenguaje al mundo físico
World Labs ha presentado Atlas, un modelo de inteligencia artificial diseñado para reconstruir espacios tridimensionales a partir de imágenes, vídeos, mapas de profundidad y órdenes de texto. Su objetivo no es generar vídeos llamativos sin más, sino comprender cómo está organizado un entorno y predecir qué se vería desde cualquier punto de ese espacio.
La propuesta supone un paso más allá de la IA generativa de vídeo. Mientras estos sistemas crean imágenes en movimiento que parecen reales, Atlas intenta construir una representación espacial coherente del mundo. Es decir, no solo produce el siguiente fotograma: calcula qué debería aparecer si una cámara cambia de posición o sigue una trayectoria determinada.
El proyecto está impulsado por World Labs, compañía fundada por Fei-Fei Li, una de las investigadoras más reconocidas del campo de la inteligencia artificial. El modelo se encuentra, por ahora, en una fase de acceso anticipado para socios seleccionados.
Un modelo que combina imagen, texto y espacio
Atlas es un modelo multimodal, una categoría de sistemas capaces de procesar distintos tipos de información al mismo tiempo. En este caso, puede trabajar con texto, fotografías, secuencias de vídeo, posiciones de cámara y mapas de profundidad.
Los mapas de profundidad aportan información sobre la distancia a la que se encuentra cada elemento respecto a la cámara. Gracias a ellos, el sistema puede distinguir si una mesa está delante de una pared, calcular la distribución de una habitación y mantener las proporciones cuando genera una nueva perspectiva.
La tecnología combina un transformer autorregresivo con difusión. Los transformers son arquitecturas de IA que detectan relaciones entre los elementos de una entrada, mientras que los modelos de difusión generan contenido refinando progresivamente una representación inicialmente imprecisa.
En los grandes modelos de lenguaje, la predicción suele consistir en calcular qué palabra o fragmento de texto debería aparecer a continuación. Atlas aplica una lógica parecida al espacio: trata de anticipar qué elementos debería observar una cámara al desplazarse por un entorno concreto.
Perspectivas que ninguna cámara llegó a grabar
Una de las demostraciones más llamativas consiste en proporcionar imágenes captadas con dos o tres teléfonos móviles. A partir de esa información parcial, Atlas puede generar vistas desde posiciones que no fueron registradas por ninguna cámara.
El usuario también puede describir una trayectoria de cámara. Por ejemplo, puede solicitar un movimiento alrededor de una persona, un recorrido lateral por una habitación o una aproximación desde un punto concreto. El modelo genera entonces una secuencia visual compatible con la geometría y la iluminación que ha inferido.
Esta capacidad podría tener aplicaciones directas en cine, publicidad y creación de contenidos. Una productora podría grabar una escena y modificar posteriormente la posición de la cámara, mostrar un decorado desde otro ángulo o crear planos adicionales sin repetir toda la filmación.
Sin embargo, Atlas no recupera información que nunca se haya captado. Si ninguna imagen muestra lo que hay detrás de un sofá o en una esquina oculta, el sistema debe completar ese espacio con una solución probable. Cuantas más imágenes y datos recibe, menos elementos tiene que inventar.
El salto de la realidad a la simulación
El interés principal de los modelos del mundo puede estar lejos de la producción audiovisual. La robótica necesita entornos virtuales realistas para entrenar máquinas sin someterlas desde el primer momento a pruebas físicas costosas y potencialmente peligrosas.
Atlas puede transformar unas pocas capturas de un lugar real en un escenario virtual que un robot pueda recorrer. El sistema genera nuevas imágenes, calcula profundidades y simula lo que detectarían sus sensores al seguir diferentes trayectorias.
Esta estrategia se conoce como real-to-sim: convertir un espacio físico en una simulación digital. En ella, un robot virtual puede practicar cómo desplazarse, identificar objetos o ejecutar una tarea antes de que el robot real entre en acción.
El entrenamiento físico de un robot exige disponer de hardware, cámaras, sensores, objetos y numerosos intentos. Además, las condiciones cambian constantemente: varía la iluminación, se mueven los objetos y pueden producirse daños. Una simulación permite repetir los ensayos a gran velocidad y asumir errores sin pagar el coste material de cada fallo.
Hacia una internet para robots
La visión de World Labs apunta a una futura infraestructura formada por grandes cantidades de espacios tridimensionales. En lugar de páginas web y documentos, esa hipotética red ofrecería entornos donde las máquinas podrían percibir, razonar y aprender a interactuar.
Los videojuegos pueden convertirse en una fuente importante para construirla. Cada escenario tridimensional contiene información sobre geometría, texturas, objetos, cámaras, físicas y múltiples puntos de observación. Los simuladores industriales y los proyectos de arquitectura también ofrecen datos valiosos para entrenar modelos espaciales.
La diferencia respecto a un modelo de lenguaje es fundamental. Los sistemas como ChatGPT aprenden principalmente de grandes volúmenes de texto y predicen relaciones entre palabras. Un modelo del mundo necesita comprender dónde están las cosas, cómo se relacionan y qué puede ocurrir cuando alguien actúa sobre ellas.
Una tecnología prometedora, todavía en desarrollo
Atlas no es aún una plataforma completa para controlar robots ni una solución definitiva para reconstruir cualquier espacio. Las escenas parcialmente observadas siguen obligando al sistema a realizar estimaciones, y una imagen visualmente convincente no garantiza que la representación física sea exacta.
Ese matiz será decisivo en aplicaciones críticas. Un robot puede tolerar una textura imperfecta en una pared, pero no una distancia incorrecta respecto a una persona, un obstáculo o un objeto frágil.
Aun así, el modelo marca un cambio de enfoque en la evolución de la inteligencia artificial. La próxima generación de sistemas no solo tendrá que responder qué palabra viene después, sino también qué hay alrededor, qué se oculta fuera de la imagen y qué sucederá al moverse por el mundo.
