Los modelos del mundo son sistemas de inteligencia artificial que aprenden cómo funciona el mundo físico a partir de imágenes y acciones, y no solo de texto. Una startup británica, Worldmodeldata, propone entrenarlos con datos de videojuegos porque combinan lo que se ve con lo que hace el jugador. Algunos expertos, como los de Nvidia, dudan de que esa física, aproximada, sirva para tareas de precisión. Este artículo resume la idea, las dudas que despierta y qué lecciones deja a una empresa que ya usa IA.
Los datos provienen del reportaje de Joel Khalili para WIRED en Español, publicado el 16 de octubre de 2026. Las cifras y declaraciones son las que reporta ese medio; la hipótesis central todavía no se ha comprobado por completo.
Modelos del mundo: qué son y por qué importan
En algunos sectores de la industria de la IA crece la creencia de que los grandes modelos de lenguaje acabarán limitados por su incapacidad para desenvolverse en el mundo físico. Entrenados únicamente con palabras, quizá no estén listos para pilotar vehículos autónomos, manejar brazos robóticos o realizar cualquier acción que requiera delicadeza y precisión. Para cubrir esa carencia, un grupo de investigadores de renombre, entre ellos Fei-Fei Li y Yann LeCun, concentra sus esfuerzos en otra clase de IA: los modelos del mundo. Para dominar la física del mundo real, esos modelos deben entrenarse con una combinación de datos visuales y de acción. Antes de manejar con destreza un brazo robótico, por ejemplo, un modelo quizá necesite ver grabaciones del interior de una fábrica y saber con qué firmeza y con cuánta fuerza debe sujetar un objeto.
El problema: faltan datos de causa y consecuencia
A diferencia de los modelos de lenguaje, entrenados con océanos de texto, los laboratorios de modelos del mundo no cuentan con un corpus equivalente. Xiatian Zhu, profesor asociado de IA de la Universidad de Surrey, explica que estos modelos necesitan causa y consecuencia y que en internet hay muy pocos datos de ese tipo. Algunos laboratorios han intentado generarlos a mano, con sensores en personas y robots dentro de entornos de prueba, pero ese camino aporta poca cantidad y no cubre los escenarios extremos que un modelo podría encontrar fuera del laboratorio. Nicole Fraenkel, socia de Khosla Ventures, firma que invirtió en General Intuition, señala que pagar a personas para demostrar tareas de recoger y colocar no captura el desorden del mundo donde se le pide operar a una máquina. Para ella, los casos excepcionales son los que de verdad hay que resolver, porque el costo de un error con un auto, un avión, un dron, una montacargas o un robot autónomo es muy alto.
La apuesta: convertir datos de videojuegos en entrenamiento
Worldmodeldata, una startup británica asesorada por LeCun, quiere resolver ese cuello de botella reuniendo las entradas de los controles y otros datos que recopilan los estudios de videojuegos, un producto residual disponible en cantidades masivas, en conjuntos de entrenamiento para modelos del mundo. Otras empresas, como General Intuition y Niantic, ya recopilan datos de videojuegos de sus propias plataformas. La diferencia de Worldmodeldata es que se presenta como intermediario que selecciona y organiza los datos, de modo que los laboratorios no tengan que cerrar acuerdos uno por uno con numerosos estudios. Según la empresa, ya obtuvo la licencia de casi 1,000,000 de horas de datos de estudios responsables de varios videojuegos populares, aunque su directora general, Rhea Loucas, se negó a nombrarlos. A futuro, quiere crear vías para que los jugadores individuales también reciban una compensación.
La hipótesis detrás de la apuesta
Loucas sostiene que hay millones de videojuegos fantásticos y que cada vez se parecen más al mundo real. Cree que los datos de videojuegos acabarán siendo la mayor parte del material de entrenamiento de los modelos del mundo, que luego se afinarían con datos de un entorno o una tarea concretos del mundo real, y que eso podría traer el momento GPT de esta tecnología. Los investigadores suelen partir de la suposición de que el rendimiento de estos modelos mejora con el tamaño de sus datos de entrenamiento, como ocurrió con los modelos de lenguaje, pero la nota aclara que esa hipótesis aún no se ha comprobado por completo.
Resumen visual
Esta infografía resume los datos clave de la propuesta y sus dudas.
Las dudas: la física de los videojuegos es aproximada
No todos comparten el optimismo. Nvidia, que publica una familia de modelos del mundo optimizados para sus chips, prefiere usar un motor propio diseñado para replicar la física del mundo real. Ming-Yu Liu, responsable de modelos del mundo en la compañía, considera poco probable que los modelos entrenados con datos de videojuegos rindan bien en tareas que exigen un control motor muy preciso, como manipular objetos con cuidado. Explica que la física de los videojuegos suele ser excéntrica y que los desarrolladores toman atajos para crear la ilusión de realismo: un personaje toma una manzana de la mesa sin que nadie programe la presión de cada dedo. Para él, ese tipo de datos se adapta mejor a modelos del mundo que generen video hiperrealista o entornos 3D. Zhu comparte la preocupación: los videojuegos son simuladores con cierto fundamento físico, pero muy rudimentarios y aproximados. Fraenkel resume el estado actual: hay muchos caminos hacia la tierra prometida y todavía no se sabe cuál funcionará mejor.
Qué significa para tu empresa
Tu empresa probablemente no entrena modelos del mundo, pero este debate deja cuatro lecciones para cualquier proyecto de IA, sea de una PyME o de una empresa mediana. Son recomendaciones de Infinitix y no conclusiones de la nota.
- La variedad de los datos pesa tanto como su cantidad. Los casos excepcionales son los que más cuestan. Al entrenar o configurar una herramienta, incluye los casos raros de tu operación, no solo los habituales.
- Una buena simulación no garantiza un buen resultado real. Si una herramienta funciona en una demostración, pruébala primero con una muestra de tus datos reales antes de ampliarla.
- Pregunta de dónde vienen los datos. La discusión sobre licencias y compensación a los jugadores muestra que el origen de los datos importa. Pide a tus proveedores que expliquen con qué se entrenó la herramienta y bajo qué permisos.
- No esperes a la IA física para automatizar. Hoy el valor práctico para la mayoría de las empresas está en agentes de IA que automatizan procesos de oficina, atención y ventas, donde la tecnología ya está probada.
Si te interesa cómo la IA sale de la pantalla del teléfono hacia dispositivos dedicados, lee nuestro análisis de Apple HomeView y su pantalla con Siri AI.
Para ver cómo se evalúa un sistema de IA antes de confiar en él, revisa nuestro análisis del informe de la OCDE sobre la IA gubernamental en México. Y si tu empresa apenas empieza a digitalizarse, mira cómo avanzar por etapas en la transformación digital de las PyMEs.
En Infinitix diseñamos agentes de IA y automatizaciones que se prueban con datos reales y mantienen supervisión humana. Conoce nuestros servicios de agentes de IA o cómo automatizar procesos con IA.
Lo que la nota no dice
La nota no nombra los videojuegos ni los estudios cuyos datos dice tener Worldmodeldata, tampoco presenta resultados de modelos entrenados con ellos ni fija plazos para comprobar la hipótesis. Las cifras de horas de datos provienen de la propia empresa y no hay una verificación independiente. Conviene tratar la propuesta como una apuesta en desarrollo y no como una solución probada.
Preguntas frecuentes
¿Qué son los modelos del mundo en inteligencia artificial?
Son modelos de IA que aprenden cómo funciona el mundo físico a partir de datos visuales y de acción, y no solo de texto como los grandes modelos de lenguaje. Se les considera una vía para que la IA pueda pilotar vehículos, manejar brazos robóticos o realizar tareas que requieren precisión.
¿Por qué se quieren usar videojuegos para entrenar IA?
Porque los videojuegos combinan una representación visual de un espacio 3D con las acciones del jugador, justo el tipo de datos de causa y consecuencia que casi no existe en internet, y los estudios los generan en cantidades masivas.
¿Qué es Worldmodeldata?
Es una startup británica, asesorada por Yann LeCun, que agrupa y organiza datos de entrada de videojuegos para convertirlos en conjuntos de entrenamiento para modelos del mundo. Dice haber obtenido la licencia de casi 1,000,000 de horas de datos de estudios, sin nombrarlos.
¿Funciona esta idea?
Todavía no se sabe. La nota aclara que la hipótesis aún no se ha comprobado por completo. Especialistas de Nvidia y de la Universidad de Surrey dudan de que la física de los videojuegos sea suficiente para tareas de manipulación precisa.
¿Qué opina Nvidia?
Ming-Yu Liu, responsable de modelos del mundo en Nvidia, considera poco probable que los modelos entrenados con datos de videojuegos rindan bien en control motor muy preciso, y los ve más adecuados para generar video hiperrealista o entornos 3D. Nvidia prefiere un motor propio que replique la física real.
¿Qué debe aprender una empresa de este debate?
Que la calidad y la variedad de los datos pesan tanto como su cantidad, que un resultado en simulación no garantiza el mismo desempeño en la operación real y que conviene saber de dónde vienen los datos con los que se entrena una herramienta. Es una recomendación nuestra, no una conclusión de la nota.
Conclusión
Los modelos del mundo buscan que la IA no solo hable, sino que entienda y actúe en el mundo físico, y su principal obstáculo es la falta de datos de causa y consecuencia. Los videojuegos son una candidata interesante, pero los propios especialistas dudan de que su física alcance para tareas de precisión. Para tu empresa, la lección es validar con datos reales, preguntar por el origen de los datos y automatizar hoy lo que la IA ya hace bien. Fuente: WIRED en Español.