Modelos del mundo: ¿serán la clave del piloto automático?

En los últimos dos años, al hablar de conducción inteligente, los fabricantes de automóviles han mencionado siempre algún nuevo término técnico. Tras el entrenamiento de extremo a extremo y los VLA, el «modelo del mundo» es la palabra más de moda en el ámbito de la conducción inteligente. Varias compañías incluso le han dado formas propias: Xiaopeng presentó el «Modelo base del mundo», NIO lo llamó «Modelo del mundo de extremo a extremo» y Huawei, «Modelo del mundo del comportamiento» (WA). Además de ellas, Horizon Robotics, Li Auto, Yuanrong Qixing y Momenta también trabajan en modelos del mundo.

Sin embargo, a juzgar por sus ruedas de prensa, es difícil saber si el modelo del mundo del que hablan es el mismo en todos los casos. ¿Qué problema resuelve y en qué parte de la arquitectura de conducción inteligente se sitúa? Si se mira el contexto más amplio, el «modelo del mundo» es, en esencia, la recreación del mundo real en un mundo virtual: una tecnología que permite a la inteligencia artificial comprender el mundo real, conocer las leyes físicas, las relaciones de causa y efecto entre las cosas y la dinámica del entorno, de forma similar a un ser humano.

La mayoría de los científicos y las empresas tecnológicas consideran los modelos del mundo un elemento clave en la «IA del mundo físico». Fei-Fei Li, profesora de la Universidad de Stanford, señaló en una ocasión que la inteligencia espacial es la próxima década de la IA y que el modelo del mundo es la tecnología clave para construirla. Los científicos y las empresas tecnológicas que están en la vanguardia del sector todavía se encuentran en fase de investigación, pero la industria automovilística china ya ha tomado posiciones con ayuda de diversos conceptos nuevos.

De hecho, el «modelo del mundo» del que hoy se habla en la industria de la conducción inteligente es solo una diferencia de nombres, y en lo tecnológico no hay una gran diferencia. Se trata de una actualización del paradigma tecnológico de las herramientas de simulación que ya existían en el sector: resuelve los problemas de prueba y verificación de los modelos de extremo a extremo en un mundo virtual con mayor fidelidad de reconstrucción, mayor detalle, escenas más ricas y mayor grado de libertad. Todo ello para entrenar un modelo de conducción inteligente de extremo a extremo más eficaz y más parecido al humano.

En otras palabras, los proveedores de conducción inteligente y los fabricantes de automóviles en realidad no están creando una realidad física digital completa, sino que simplemente usan la idea del modelo del mundo para construir un simulador. Es posible que cada compañía tenga expectativas distintas sobre el modelo del mundo, pero, hasta donde sabemos, en la actualidad el modelo del mundo en la industria de la conducción inteligente se aplica solo en la nube y no se utiliza en los vehículos.

La difusión generalizada del entrenamiento de extremo a extremo ha puesto de manifiesto las carencias de los simuladores. En los últimos dos o tres años, las soluciones líderes de conducción inteligente han pasado de una pila basada en reglas a un control basado en IA y han completado la unificación «formal». La percepción, la predicción y la planificación se integraron al máximo en una sola red, con modelos más grandes y mayor potencia de cálculo. Como suelen decir los fabricantes en sus ruedas de prensa, «la conducción inteligente tras el entrenamiento de extremo a extremo se parece más a la conducción humana».

Pero en la aplicación real apareció un fenómeno contraintuitivo: las nuevas versiones OTA posteriores al entrenamiento de extremo a extremo no siempre mejoran e incluso pueden «degradarse». El problema de fondo no es que el modelo haya empeorado, sino que el control basado en IA dificulta la evaluación y la regresión. En aquel momento, muchos especialistas en conducción inteligente pensaban que, mientras el front-end estuviera suficientemente bien entrenado, el coche conduciría como una persona.

Este camino no es estéril, y los primeros resultados del entrenamiento de extremo a extremo sorprendieron a muchos especialistas, pero la «caja negra» del entrenamiento de extremo a extremo también tiene efectos secundarios. Cuando el modelo se equivoca, a los desarrolladores les resulta difícil saber por qué ocurrió el error. ¿Cómo demostrar que no volverá a ocurrir la próxima vez?

Que un modelo sea bueno o no depende no solo de si «es lo bastante grande y tiene datos suficientes», sino también de cómo se detectan, se definen y se verifican los problemas. Los fabricantes fueron comprendiendo poco a poco que necesitaban un simulador mejor para evaluar el rendimiento del modelo en la fase de verificación.

La mayoría de los principales actores crean modelos del mundo para usarlos como simuladores. Para que un VLA ideal pueda realizar aprendizaje por refuerzo en un entorno de simulación, Li Auto presentó en 2025 un modelo de conducción del mundo que incluye las trayectorias de los vehículos propios y ajenos y actúa como maestro de evaluación. Xiaopeng, aunque solo ha anunciado un «Modelo base del mundo» que, en esencia, no está relacionado con el modelo del mundo, según 36Kr Auto también utiliza un modelo del mundo para la simulación. Lo emplea en pruebas para evaluar las capacidades del algoritmo de la nueva versión del modelo.

La difusión generalizada del entrenamiento de extremo a extremo ha puesto de manifiesto las carencias de los simuladores tradicionales. «Cuando el entrenamiento de extremo a extremo no era tan popular, el coste de verificación no era tan alto para nadie y todavía se podía verificar el sistema por partes. Ahora, con el entrenamiento de extremo a extremo, no hay forma de verificar el sistema por partes, y en ese momento el problema del simulador se hace evidente», dijo un desarrollador del sector.

En la era de las reglas, las simulaciones de los fabricantes solían cumplir dos objetivos. Uno era reproducir los problemas de intervención a mitad de trayecto, volver atrás y reproducir los fragmentos ocurridos durante las pruebas en carretera. El otro era usar simuladores para aumentar la riqueza de los datos de casos límite: crear en el simulador varios cruces típicos, peatones que cruzan la calzada y escenarios de incorporación de vehículos para que el sistema los superara.

Entonces el simulador desempeñaba el papel de «lupa». Pero tras el entrenamiento de extremo a extremo, el modelo es difícil de dividir en partes, resulta difícil generar sistemáticamente casos límite más pequeños y controlables, y es aún más difícil sostener la verificación de bucle cerrado a gran escala que exige el entrenamiento de extremo a extremo. Esa es precisamente la razón por la que se introdujo el modelo del mundo.

En la era del entrenamiento de extremo a extremo, el modelo del mundo es el «entrenador» del modelo de conducción inteligente. «Actualmente, el nivel de los modelos del mundo de los fabricantes nacionales se encuentra a cierta distancia de Tesla, pero la diferencia es de menos de un año», dijo una fuente del sector.

Tesla no ha usado el concepto de «modelo del mundo», sino el término «simulador del mundo» (Ashok Elluswamy, vicepresidente de conducción automática de Tesla, lo mencionó por primera vez en el ICCV del año pasado). El simulador se basa en un enorme conjunto de datos creado por la propia Tesla y genera el estado futuro a partir del estado actual y de las acciones siguientes. De este modo, se cierra el bucle con el modelo base de extremo a extremo del lado del vehículo para evaluar el efecto real.

Una fuente del sector señaló que Tesla se parece más a usar redes neuronales para «ajustar» el mundo. El proceso de renderizado se genera mediante cálculo para minimizar la imposición explícita de reglas físicas. La biblioteca de materiales no está totalmente predefinida de antemano por personas, sino que conserva cierto peso de probabilidad y un espacio de combinaciones. La ventaja de este enfoque es que el modelo tiene una capacidad de generalización mayor.

Los fabricantes nacionales siguen otro camino, más «controlado». Según un proveedor que habló con 36Kr Auto, Li Auto utiliza la reconstrucción 3D de Gauss, que también es uno de los métodos que emplean actualmente la mayoría de los fabricantes.

Sea cual sea la ruta elegida, el modelo del mundo apunta en última instancia a la misma posición en términos de ingeniería: los fabricantes lo usan como «sistema de verificación y refutación» en la era del entrenamiento de extremo a extremo. En la nube, sirve para reproducir, reescribir y ampliar situaciones que pueden darse en la conducción real, comprobar si la salida del modelo grande del lado del vehículo es estable y reproducible, y convertir «dónde falla y por qué falla» en una cadena de evidencias rastreable.

El papel del modelo del mundo se parece al de un entrenador, y un gran entrenador puede formar a grandes deportistas. «A medida que el modelo del mundo en la nube se vuelve cada vez más potente, en teoría la capacidad del modelo de extremo a extremo entrenado en el lado del vehículo debería ser cada vez mayor», dijo un desarrollador.

Las capacidades principales del modelo del mundo incluyen básicamente dos aspectos. Uno es el modelado digital y la abstracción del mundo físico. El otro es la imaginación razonada y la predicción del mundo físico a partir de ese modelado, por ejemplo, predecir cómo cambiará el mundo futuro a partir de imágenes dadas. Que un modelo del mundo sea bueno o no depende de si puede generar en la nube datos suficientemente reales y diversos. «Si el fabricante utiliza únicamente datos reales recopilados para la simulación, es evidente que no está creando un modelo del mundo, sino solo un conjunto de procesos de reproducción de datos», dijo un jefe de producto de un proveedor.

El modelo del mundo necesita aprender el modo de funcionamiento del mundo a partir de datos del mundo físico, por lo que la calidad de los datos de entrenamiento influirá de forma sustancial en la calidad de lo que el modelo genere. Mao Zimin, responsable de la línea de productos de JIJIA Vision, comentó: «En un modelo generativo como el modelo del mundo, los resultados de generación acabarán ajustándose a las pautas de distribución de las características de los datos de entrada. En el proceso de comercialización de un modelo del mundo real hemos comprobado que, si la calidad de los datos es de solo 60 puntos, la calidad de los datos generados con ese modelo del mundo puede ser de solo 55 puntos».

Con un modelo del mundo como base, los fabricantes pueden generar sin límite los escenarios necesarios desde distintas dimensiones al simular en la nube, y pueden generar vídeos como datos de entrenamiento según instrucciones. «La eficiencia no es solo un poco mayor que la de recopilar datos reales y luego entrenar: la velocidad de iteración del modelo marcará una época», dijo un desarrollador de un proveedor.

Pero todos estos son resultados idealizados. «El modelo del mundo supone una gran mejora respecto al simulador usado para la conducción inteligente, o, dicho de otro modo, a la ausencia de información de modelado, y solo puede verificarse con datos sin conexión, pero aún está lejos de ser un simulador ideal».

El algoritmo del modelo del mundo aún no ha madurado y todavía hay muchas «alucinaciones». Actualmente el sector se encuentra, en general, en la etapa de «apenas empezar».

Un desarrollador de un fabricante dijo a 36Kr Auto que los fabricantes nacionales pueden generar videoclips de 30-60 segundos con un modelo del mundo, pero la coherencia de los objetos dinámicos no es muy buena y hay grandes problemas tanto de coherencia espaciotemporal como de coherencia multivista.

El núcleo del modelo del mundo es un modelo generativo, y un modelo generativo conlleva por naturaleza el riesgo de «alucinaciones». «Lo más difícil del modelo del mundo en este momento es cómo garantizar que lo que se genera sea real. Si se genera una persona, cómo garantizar que su comportamiento y su trayectoria puedan darse en el mundo real», dijo el jefe de producto del proveedor. «Si el modelo del mundo genera confusión, el modelo aprenderá cosas incorrectas, lo que dará lugar a un rendimiento muy malo del modelo desplegado en el lado del vehículo».

Un ejemplo extremo: si los coches generados en la nube se mueven de lado, el modelo creerá que un coche situado en la parte delantera izquierda puede pasar instantáneamente a la parte delantera derecha. En la conducción real, el modelo podría frenar.

Si el simulador no logra aproximarse a las relaciones causales clave del mundo real, como el efecto de una carretera resbaladiza en la distancia de frenado, la probabilidad de falsas detecciones de objetos estáticos a contraluz o la estrategia de negociación del vehículo que viene de frente en un cambio de carril, entre otras, el «caso límite» que genere puede resultar falso. Optimizar a partir de problemas falsos equivale a gastar recursos de desarrollo en fantasmas.

Muchos creen que el cuello de botella del modelo del mundo son los datos y la potencia de cálculo, pero Xia Zhongpu, antiguo responsable del modelo de conducción autónoma «de extremo a extremo» de Li Auto, coincide más con el punto de vista de LeCun: «En el algoritmo del modelo del mundo no hay grandes avances, y el aprendizaje autosupervisado de modelos de imagen todavía no ha encontrado un paradigma relativamente fluido como el del lenguaje».

La razón por la que los modelos de lenguaje pueden escalar con rapidez es que el propio lenguaje tiene una alta densidad de información y cada palabra aporta restricciones semánticas claras. La densidad de información de la imagen, en cambio, es baja, y para la «decisión de conducción» la información útil es solo una pequeña parte.

Por ejemplo, el modelo no necesita predecir la trayectoria de un coche que va muy atrás ni los cambios en edificios lejanos: todo eso son datos de ruido. Pero sí debe predecir si el coche que va delante en ese carril frenará bruscamente de repente, si el coche del carril contiguo va a cambiar de carril o si un peatón va a cruzar la calzada de pronto. El modelo debe saber primero «a qué prestar atención».

«Actualmente, el algoritmo de conducción inteligente no puede extraer de la imagen suficiente información útil para conducir», dijo Xia Zhongpu. Una imagen puede contener millones de píxeles, pero solo 20 o más están relacionados con la toma de decisiones; el resto es ruido. El modelo debe aprender primero a extraer del ruido el 1‰ o incluso el 1‱ de señal efectiva, y solo después se podrá hablar de cómo organizar la señal en una estructura utilizable para el razonamiento y la predicción.

Según Xia Zhongpu, el algoritmo del modelo del mundo aún no ha logrado un avance, y menos aún está claro si los datos son suficientes y cuánta potencia de cálculo se necesita. Precisamente porque la tecnología de base del modelo del mundo todavía no ha mostrado un avance claro, la inversión de los fabricantes tiene un carácter más bien exploratorio, e incluso algunos directivos de fabricantes están desconcertados.

Si el modelo del mundo está lo bastante bien hecho, podría desplegarse en el lado del vehículo, siempre que la potencia de cálculo pueda soportarlo. «Actualmente en China se utiliza sobre todo el modelo del mundo como sistema de simulación, y el grado de comprensión de la tecnología de toma de decisiones para la conducción inteligente aún no es suficientemente alto», dijo Xia Zhongpu.

Esto también explica una contradicción aparente: por qué todos hablan de modelos del mundo, pero la diferencia en la experiencia de usuario no es evidente. La razón es que el modelo del mundo de la mayoría sigue en la primera etapa, la de «se usa para entrenamiento y verificación», y no en la segunda, la de «puede respaldar la planificación de decisiones».

«Desplegar el modelo del mundo en el lado del vehículo es lo más difícil», dijo Xia Zhongpu. Actualmente, ninguna empresa aplica el modelo del mundo en el lado del vehículo. También señaló: «Utilizar el método de los modelos grandes para modelar el mundo físico, predecir los cambios en la evolución del mundo mediante la interacción con el mundo físico y, por tanto, influir en el mundo con decisiones para que evolucione en una dirección favorable para uno mismo. Si el modelo del mundo alcanza ese nivel, se podrán resolver los problemas relacionados con la conducción automática y los robots».