General Motors muestra cómo entrena su conducción autónoma en simulaciones hasta 50.000 veces más rápidas que la realidad

General Motors ha explicado en un contenido patrocinado cómo construye una IA escalable para la conducción autónoma. La compañía apuesta por las simulaciones, el reinforcement learning y los modelos VLA. Con ellos no busca practicar trayectos rutinarios, sino situaciones poco frecuentes y peligrosas, que son las que determinan la seguridad real del sistema.

Por qué el caso extremo es tan difícil

Para un sistema de conducción autónoma, el problema no es circular por una autopista vacía con buen tiempo. El riesgo principal está en la llamada long tail: episodios raros, ambiguos y difíciles de predecir. Aparecen pocas veces, pero son precisamente los que revelan si el sistema puede salir a la carretera sin supervisión humana constante. GM señala abiertamente que el camino hacia el modo eyes-off en autopista, y después hacia la autonomía total, depende justo de ese último porcentaje de complejidad.

No se trata solo de casos exóticos, como un colchón en la calzada, una boca de incendios reventada o un apagón masivo de semáforos. Las escenas cotidianas en el tráfico urbano denso plantean tantos problemas como esas, porque exigen al conductor cortesía, sentido común y una comprensión rápida del contexto. Por ejemplo, cómo incorporarse a la cola de un aparcamiento sin bloquear la circulación o cómo atravesar una obra donde un operario dirige el tráfico con gestos y no con las señales habituales.

• obstáculos inesperados en la calzada
• desvíos temporales en zonas de obras
• gestos de un agente de tráfico que contradicen la señal del semáforo
• maniobras complejas en aparcamientos estrechos
• fallos en cascada de la infraestructura urbana

Cómo entrena GM el modelo

Uno de los componentes clave son los modelos Vision Language Action. En esencia, la compañía parte de una arquitectura vision-language base, capaz de entender imágenes a nivel de conceptos generales, y la ajusta para tareas de conducción. A partir de ahí, el modelo no se limita a «ver» la imagen: interpreta las trayectorias de los vehículos, identifica objetos 3D y ayuda a entender qué ocurre exactamente en la escena de tráfico. Esto permite que el coche reconozca, por ejemplo, que el gesto de un policía prevalece sobre un semáforo en rojo o que tiene delante una zona de bajada de pasajeros de una terminal y no un carril normal.

El problema es que una comprensión semántica profunda suele añadir latencia, y en la conducción cada fracción de segundo es crítica. Por eso GM desarrolla el esquema Dual Frequency VLA: un modelo grande funciona más despacio y se encarga de las decisiones semánticas de alto nivel, mientras que uno compacto gestiona el bucle de control rápido, es decir, la dirección, la frenada y el mantenimiento de la trayectoria. Según el planteamiento de la compañía, este híbrido debería combinar el «sentido común» de los foundation models con un tiempo de reacción suficiente para la carretera real.

Simulaciones en lugar de carreteras

La mayor parte del entrenamiento no se realiza en calles reales, sino en simuladores. GM asegura que ejecuta a diario millones de escenarios closed-loop de alta fidelidad, el equivalente a decenas de miles de días de conducción humana comprimidos en horas de cómputo. La compañía puede tomar trayectos reales, cambiar el clima y la iluminación mediante modelos de difusión, añadir nuevos vehículos o construir escenas completas desde cero a partir de una descripción de texto y spatial bounding boxes.

Para las tareas de comportamiento táctico el fotorrealismo no siempre es necesario, así que GM utiliza Boxworld, un entorno abstracto dentro de su propio simulador de RL, GM Gym. Allí solo se conservan los parámetros relevantes: posición de los objetos, velocidad, normas de circulación e interacción entre vehículos. Esto permite lanzar enormes volúmenes de experimentos en los que el modelo no aprende a copiar al humano, sino a buscar estrategias con objetivos medibles, como la seguridad y el avance.

Gracias a ello, el entrenamiento avanza a otra velocidad:

• hasta 50.000 veces más rápido que el tiempo real
• unos 1.000 km de conducción virtual por cada segundo de tiempo de GPU
• miles de conductores virtuales por segundo en un mismo entorno
• 30 minutos de distillation frente a unas 12 horas de RL «en bruto»

Después, el conocimiento adquirido en el entorno abstracto se transfiere a un modelo más realista mediante On Policy Distillation: la política de RL simplificada actúa como «profesora» del modelo que luego funcionará en el vehículo. Además, GM utiliza el pipeline SHIFT3D para generar deliberadamente objetos con los que el sistema de percepción podría equivocarse, y añade un módulo de epistemic uncertainty que marca las escenas en las que el modelo realmente «no está seguro». Según la compañía, el ajuste con estos casos difíciles ya ha reducido en más de un 30% el número de colisiones near-miss.

Qué significa esto

El enfoque de GM muestra hacia dónde se mueve la industria de la conducción autónoma: no hacia un único modelo «inteligente», sino hacia un conjunto de simuladores, world models generativos, RL y sistemas de estimación de la incertidumbre. Si este esquema escala de verdad, el activo clave en la carrera de la conducción autónoma ya no será solo la flota de vehículos en la carretera, sino también la calidad de una infraestructura capaz de idear, probar y romper escenarios poco frecuentes rápidamente, antes de que el usuario se tope con ellos.