Google lanzó SpeciesNet — un modelo de AI de código abierto para proteger la vida silvestre

Cada día, miles de cámaras trampa colocadas en bosques, sabanas y regiones montañosas alrededor del mundo capturan millones de imágenes. En la mayoría de ellas — vacío, hierba ondeante o una sombra aleatoria. Pero escondidos dentro de este flujo de datos están los fotogramas que pueden determinar el destino de especies enteras: un raro leopardo de las nieves en un paso de montaña, los últimos ejemplares del rinoceronte de Sumatra, una población previamente desconocida de elefante de bosque. El problema es que los ecólogos simplemente no tienen suficientes manos para revisar todo manualmente. Esta es exactamente la tarea que asume SpeciesNet — un modelo de inteligencia artificial de Google que la empresa lanzó en acceso abierto.

SpeciesNet es un sistema de visión por computadora entrenado para reconocer especies de animales en imágenes de cámaras trampa. Suena simple, pero detrás de esta formulación hay un trabajo de ingeniería masivo. Las cámaras trampa disparan en el rango infrarrojo, con iluminación deficiente, en ángulos arbitrarios.

Un animal puede estar parcialmente oculto por la vegetación, en movimiento o incluso en el borde del fotograma. Los algoritmos clásicos de clasificación de imágenes tienen un desempeño deficiente bajo estas condiciones. Según Google, SpeciesNet fue entrenada en un enorme conjunto de imágenes etiquetadas de diferentes ecosistemas alrededor del mundo, lo que le permite funcionar no solo en condiciones ideales de laboratorio sino en configuraciones de campo reales — desde los bosques tropicales de Borneo hasta la tundra de Alaska.

Es importante entender el contexto en el que surgió este modelo. La crisis de biodiversidad hace mucho que dejó de ser una amenaza abstracta. Según la Plataforma Intergubernamental Científico-Normativa sobre Diversidad Biológica y Servicios de los Ecosistemas (IPBES), aproximadamente un millón de especies de animales y plantas están en riesgo de extinción.

El monitoreo de poblaciones es el primer y necesario paso hacia su protección, pero requiere recursos que la mayoría de las organizaciones de conservación simplemente no tienen. Un proyecto de investigación puede generar decenas de millones de imágenes por año. La clasificación manual de este volumen requiere meses de trabajo de equipos enteros de voluntarios.

Los modelos de IA como SpeciesNet comprimen este proceso a horas, liberando tiempo de los científicos para el análisis y la toma de decisiones.

La decisión de Google de hacer el modelo abierto no es solo un gesto de buena voluntad sino un paso estratégicamente importante. Los ecosistemas en diferentes continentes son radicalmente diferentes entre sí, y un modelo universal inevitablemente cometerá errores en regiones específicas. El código abierto permite que grupos de investigación locales ajusten SpeciesNet con sus propios datos — por ejemplo, adaptarlo para reconocer especies endémicas de Madagascar o depredadores raros de Asia Central.

Esto es fundamentalmente diferente de un enfoque en el que las organizaciones dependen de una API comercial cerrada que puede ser restringida o descontinuada en cualquier momento. Para estaciones de campo en áreas remotas donde la conectividad a Internet es inestable o inexistente, la capacidad de ejecutar el modelo localmente se convierte no en una ventaja sino en una necesidad.

SpeciesNet está lejos de ser el primer intento de aplicar aprendizaje automático a tareas ecológicas. El proyecto Wildlife Insights, también respaldado por Google, ha estado proporcionando una plataforma en la nube para analizar datos de cámaras trampa durante varios años. Microsoft, con su AI for Earth, financia docenas de proyectos en la intersección de IA y conservación de la naturaleza.

La startup Conservation Metrics utiliza análisis acústico para monitorear aves y mamíferos marinos. Pero es precisamente la apertura de SpeciesNet lo que podría convertirse en el catalizador para unir esfuerzos fragmentados. Cuando una comunidad tiene un modelo fundamental común, se vuelve más fácil compartir datos, comparar resultados y construir sobre él — desde sistemas de alerta temprana para la caza furtiva hasta la cartografía automática de rutas migratorias.

Sin embargo, hay preguntas que aún no tienen respuestas claras. ¿Qué tan precisamente funciona el modelo con especies que están subrepresentadas en la muestra de entrenamiento? ¿Cómo maneja las fotografías nocturnas de baja resolución, que constituyen una parte significativa de los datos de cámaras trampa? ¿No crea la dependencia de la clasificación de IA una falsa sensación de integridad de datos, cuando las especies raras se pierden sistemáticamente por el algoritmo? Estas preguntas no disminuyen el valor del proyecto sino que nos recuerdan que la tecnología es una herramienta, no un sustituto de la experiencia.

En una perspectiva más amplia, SpeciesNet es un ejemplo de cómo las grandes empresas tecnológicas pueden crear un valor público real a través de proyectos de IA abiertos. No toda aplicación de inteligencia artificial debe reducirse a optimizar métricas de publicidad o generar contenido. A veces, una red neuronal que puede distinguir un leopardo nublado de un gato de Bengala en una imagen nocturna granulada importa al mundo más que el siguiente chatbot. Y el hecho de que Google decidiera no monetizar este modelo sino entregarlo a la comunidad científica merece atención — independientemente de qué motivaciones corporativas hayan impulsado esta decisión.