Imagina intentar aprender a hornear un soufflé leyendo diez mil libros de cocina, pero sin entrar nunca a una cocina. Puedes describir la reacción química de las claras de huevo y el aire con precisión absoluta. Puedes recitar la temperatura exacta del horno en grados Celsius y Fahrenheit. Pero en el momento en que realmente metes un plato al horno, no tienes ni idea de por qué se ha desinflado. Tienes los datos, pero no tienes el mundo.
Esto es exactamente donde está atascada actualmente la industria de la IA. Durante años, nos hemos impresionado con los LLM que pueden imitar la estructura del pensamiento humano, pero en esencia son simplemente bibliotecarios muy rápidos. Saben dónde está la información, pero no saben lo que la información realmente significa en un sentido físico. La obsesión actual con “modelos de mundo” es un intento de solucionar esto. En lugar de solo predecir el siguiente token en una oración, el objetivo es crear sistemas que comprendan las leyes causales de la realidad: la gravedad, la colisión y el tiempo.
Como se señala en la última entrega de The Download de MIT Tech Review, hay un impulso creciente para ir más allá del texto estático. La idea es que si un modelo puede predecir el siguiente fotograma de un video o el siguiente estado de un sistema físico, no solo está haciendo matemáticas: está construyendo un mapa mental del entorno. (Sospecho que esto es principalmente una forma de justificar los costos astronómicos de computación del entrenamiento de video). La lógica es simple: si una IA sabe que un vaso de agua se rompe al caer al suelo, no necesita que se le diga en un prompt de texto. Simplemente lo “sabe” porque ha modelado el mundo.
Es un argumento seductor. Queremos creer que estamos cerca de una IA que pueda razonar realmente sobre el mundo físico, en lugar de una que simplemente adivine qué palabra sigue basándose en una distribución de probabilidad. Pero hay una diferencia entre simular un resultado y comprender una causa.
El problema es este: la mayoría de estos “modelos de mundo” son en realidad simples ajustadores de curvas en alta dimensión. Cuando un modelo como Sora o sus sucesores genera un video de una persona caminando, no está calculando la fricción del zapato contra el pavimento ni el desplazamiento del centro de gravedad. Está interpolando entre millones de videos existentes de personas caminando. No es un modelo de mundo; es un generador de películas muy sofisticado.
¿Acaso creemos que ver mil videos de una manzana cayendo es lo mismo que entender la gravedad? Por supuesto que no. Un niño humano entiende la gravedad al dejar caer un juguete una o dos veces. Una IA necesita un billón de tokens de datos de video para imitar el efecto. Esta es la diferencia entre un modelo interno de la realidad y una aproximación estadística de una grabación. En esencia, estamos intentando enseñar a una persona ciega a describir colores haciéndole leer un millón de descripciones de un atardecer.
La industria está intentando ocultar esta distinción tras una gran cantidad de terminología sofisticada. Quieren que creamos que la escala es la solución: que si simplemente tiramos suficientes H100 al problema (y la factura de GPU es aterradora), la “comprensión” emergerá espontáneamente. Pero no hay evidencia de que el razonamiento espacial sea una propiedad emergente de la predicción de tokens, independientemente de si esos tokens son palabras o píxeles.
Es simplemente un espejo muy caro.
La verdadera prueba llegará cuando estos modelos se vean obligados a lidiar con una física “fuera de distribución”. Si le muestras a un modelo un mundo donde la gravedad funciona al revés, un verdadero modelo de mundo se confundiría pero podría adaptarse. Un interpolador estadístico simplemente alucinará un desastre de píxeles porque no tiene datos de entrenamiento para “manzanas que caen hacia arriba”.
Para Q4, veremos un benchmark diseñado específicamente para romper estos “modelos de mundo” introduciendo una anomalía física que no existe en ningún conjunto de entrenamiento. Cuando eso ocurra, la fachada se agrietará. Nos daremos cuenta de que no hemos construido un modelo de mundo en absoluto, sino un espectáculo de marionetas muy convincente. Hasta que nos alejemos de la predicción pura y nos dirijamos hacia una inferencia causal real, solo estamos construyendo una forma más rápida de equivocarnos sobre cómo funciona el mundo.
