Spatial Intelligence

La inteligencia espacial en IA es la capacidad de un sistema para percibir la estructura tridimensional del mundo, razonar sobre la ubicación de las cosas y sus relaciones, y utilizar esa comprensión para actuar, responder preguntas o generar escenas nuevas. Un modelo con inteligencia espacial sabe que una taza está sobre una mesa y al alcance de la mano, que un pasillo continúa tras una esquina y cómo se verá una escena desde otro punto de vista. El término procede de la psicología, donde la inteligencia espacial es una de las capacidades de la teoría de las inteligencias múltiples de Howard Gardner (1983). En IA, Fei-Fei Li lo popularizó en su ensayo de 2025 From Words to Worlds, que la presentó como la próxima frontera después del lenguaje; además, constituye la base de la robótica, la realidad aumentada y la conducción autónoma.

Componentes fundamentales de la inteligencia espacial#

La comprensión espacial combina varias capacidades:

• Geometría 3D y profundidad: La estimación de profundidad, la visión estereoscópica y la detección de objetos 3D recuperan distancias y dimensiones de los objetos a partir de imágenes. Los modelos de reconstrucción de pasada directa, como VGGT de Meta y Oxford, elegido mejor artículo de CVPR 2025, predicen poses de cámara, mapas de profundidad y mapas de puntos 3D a partir de entre una y cientos de imágenes en segundos.
• Localización y cartografía: La localización y cartografía simultáneas visuales sigue una cámara en movimiento mientras construye un mapa de su entorno.
• Orientación y articulación: La estimación de pose recupera la pose de personas y objetos, y las cajas delimitadoras orientadas capturan la rotación de los objetos vistos desde arriba, como en las imágenes aéreas.
• Representaciones 3D: Las nubes de puntos, las mallas, los campos de radiancia neuronal y el splatting gaussiano almacenan la escena reconstruida para renderizado, simulación y planificación.
• Razonamiento espacial: Relaciones como encima de, detrás de y más cerca que, además de distancias, tamaños y rutas, expresadas en lenguaje o utilizadas directamente para tomar decisiones.

Distintas tareas utilizan el mismo modelo de escena de distintas maneras:

De las detecciones 2D a las posiciones 3D#

Un detector indica dónde aparecen los objetos en una imagen; añadir profundidad permite a un sistema saber a qué distancia están. Ultralytics YOLO26 incluye una tarea de estimación monocular de profundidad cuyos modelos predicen un mapa de profundidad por píxel en metros, por lo que combinar un detector YOLO26 con un modelo de profundidad YOLO26 sitúa cada objeto detectado a una distancia de la cámara:

from ultralytics import YOLO

detector = YOLO("yolo26n.pt")
depth_model = YOLO("yolo26n-depth.pt")
image = "https://ultralytics.com/images/bus.jpg"

boxes = detector(image)[0].boxes
depth = depth_model(image)[0].depth.data  # per-pixel depth in meters, shape (H, W)

# Read the depth at each box center to place the objects in 3D
for cls, (x, y, w, h) in zip(boxes.cls.tolist(), boxes.xywh.tolist()):
    print(f"{detector.names[int(cls)]}: {depth[int(y), int(x)]:.1f} m")

Con los parámetros intrínsecos de la cámara, el centro de cada cuadro y su profundidad se convierten en coordenadas x, y, z en metros, que es el tipo de disposición 3D que necesita un planificador de agarre o un sistema de respuesta a preguntas espaciales.

Inteligencia espacial frente a términos relacionados#

• Visión artificial: El campo más amplio dedicado a extraer información de imágenes. Gran parte de este campo trabaja en el plano de imagen 2D, clasificando imágenes y delimitando objetos; la inteligencia espacial se basa en él al añadir estructura métrica 3D y relaciones.
• Computación espacial: Paradigma de interacción entre las personas y los ordenadores en el que el contenido digital se sitúa en el espacio físico y responde a él, como ocurre con los cascos de realidad mixta. Es una aplicación que depende de la inteligencia espacial.
• IA corporeizada: Agentes que perciben y actúan mediante un cuerpo físico o simulado. La inteligencia espacial es una de las capacidades que necesita un agente de este tipo.
• Modelos del mundo: Modelos que predicen cómo cambiará un entorno. Los modelos del mundo con fundamento espacial generan o simulan escenas 3D coherentes.

Razonamiento espacial en modelos multimodales#

Los modelos de lenguaje y visión describen imágenes con fluidez, pero se han quedado atrás en razonamiento espacial. VSI-Bench, un benchmark con más de 5.000 preguntas sobre vídeos de escenas interiores, descubrió en 2024 que los LLM multimodales mostraban una inteligencia visoespacial competitiva, pero inferior a la humana, y que el razonamiento espacial era el principal cuello de botella. Pedir a los modelos que dibujaran un mapa cognitivo explícito de la habitación antes de responder mejoró sus estimaciones de distancia. La clasificación de VLM de Ultralytics mide una habilidad espacial más acotada: la precisión con la que los modelos de lenguaje y visión colocan cuadros alrededor de objetos en imágenes del mundo real. Los modelos generativos abordan el problema desde la otra dirección. World Labs, la empresa cofundada por Fei-Fei Li, publicó Marble en noviembre de 2025, un modelo del mundo que transforma texto, imágenes o vídeo en entornos 3D persistentes y navegables, exportables como Gaussian splats o mallas.