SenseNova-MARS: SenseTime abre su código para enseñar a la IA a ver y razonar a la vez

Mientras OpenAI y Google compiten por ver quién restringe más el acceso a sus modelos estrella, el gigante tecnológico chino SenseTime ha elegido otro camino. La compañía ha abierto el código de su sistema SenseNova-MARS y afirma haber superado el «techo» de la búsqueda multimodal y la inferencia lógica. No es un buscador de imágenes más, sino un intento serio de enseñar a las redes neuronales a entender el mundo de forma tan global como lo hace una persona.

Para dimensionar el lanzamiento conviene recordar el contexto. SenseTime desarrolla desde hace tiempo su familia de modelos SenseNova, pero es MARS (Multimodal Analysis and Retrieval System) el que sirve de puente entre el simple reconocimiento de objetos y el análisis complejo. Antes, una IA podía decir: «En este vídeo, una persona cruza la calle».

Ahora MARS puede explicar por qué esa acción puede ser peligrosa en una situación concreta, a partir de las normas de tráfico y la velocidad de los coches. Es el razonamiento multimodal que hoy persiguen todos los laboratorios del mundo. ¿Qué ha cambiado exactamente?

SenseTime ha incorporado una arquitectura que permite al modelo no solo asociar consultas de texto con rasgos visuales, sino también construir cadenas lógicas. Eso resuelve el principal problema de los sistemas multimodales actuales: su superficialidad. MARS trabaja con vídeo e imágenes al nivel del significado, no solo de los píxeles.

Si buscas un momento concreto en un enorme archivo de grabaciones, el sistema lo encontrará no por una palabra clave, sino por la descripción de una situación que exige entender el contexto. ¿Por qué importa ahora? El mercado chino de IA soporta una presión enorme por las sanciones y por la competencia interna con Alibaba y Baidu.

En ese contexto, el código abierto se convierte en un arma potente. Al ceder MARS a la comunidad, SenseTime recluta de facto a miles de desarrolladores de todo el mundo para probar y mejorar su tecnología gratis. Es una jugada clásica: si no puedes ganar la carrera cerrada de potencia, lidera el movimiento abierto.

Para la industria es una señal de que la era de los chatbots simples llega definitivamente a su fin. El futuro es de los sistemas que «ven» y «entienden» a la vez. Si antes crear una búsqueda de vídeo avanzada exigía millones de dólares para desarrollar algoritmos propietarios, ahora la barrera de entrada ha caído en picado.

MARS ofrece herramientas para sistemas de seguridad de nueva generación, archivos inteligentes y sistemas avanzados de monitorización que no se limitan a mirar, sino que analizan lo que ocurre en tiempo real. Será interesante ver cómo responden las empresas occidentales. El carácter cerrado de GPT-4o o Gemini 1.

5 Pro empieza a irritar a los desarrolladores que necesitan flexibilidad y poder reentrenar los modelos para tareas concretas. SenseTime les ofrece esa posibilidad. Queda, por supuesto, la duda de la calidad ante la escasez de los chips más potentes en China, pero las soluciones arquitectónicas de MARS resultan muy convincentes.

Lo esencial: SenseTime apuesta por la masividad y la apertura. ¿Podrá MARS convertirse en un estándar para los sistemas multimodales o es solo un intento de salvar la cara en medio del aislamiento tecnológico? La respuesta llegará en los próximos meses, cuando aparezcan los primeros forks y soluciones de terceros basadas en este modelo.