World Model
Un modelo del mundo es un sistema de IA que aprende cómo evoluciona su entorno y cómo lo modifican las acciones, para que los agentes puedan imaginar resultados y planificar antes de actuar.
Un modelo del mundo es un modelo aprendido de cómo cambia un entorno con el tiempo y en respuesta a las acciones. A partir del estado actual o de un historial de observaciones, junto con una acción, predice lo que ocurre después: la siguiente observación, un estado interno compacto, una recompensa o una secuencia de pasos futuros. Un agente con un modelo del mundo puede imaginar los resultados de sus acciones antes de ejecutarlas, planificar comparando futuros imaginados y aprender de experiencias simuladas en lugar de hacerlo únicamente mediante ensayo y error en el mundo real. La idea procede del control basado en modelos y del aprendizaje por refuerzo, y el artículo World Models de David Ha y Jürgen Schmidhuber, publicado en 2018, popularizó el término para las redes neuronales que aprenden un simulador comprimido de un juego a partir de píxeles y entrenan una política dentro de su «sueño». Hoy, el término abarca los modelos de dinámica interna de agentes como Dreamer y MuZero, los generadores de vídeo interactivo como Genie 3, de Google DeepMind, y los modelos fundacionales del mundo que generan vídeos para entrenar la IA física.
Cómo funcionan los modelos del mundo#
Un modelo del mundo suele tener tres componentes. Un codificador comprime cada observación de alta dimensión, como un fotograma de cámara, en un pequeño estado latente. Un modelo de dinámica predice el siguiente estado latente a partir del estado actual y una acción, a menudo junto con la recompensa y si termina el episodio. Un decodificador opcional convierte los estados latentes de nuevo en imágenes, para entrenar o mostrar lo que imagina el modelo. Ha y Schmidhuber construyeron estos componentes con un autocodificador variacional, una red recurrente que predice el siguiente estado latente y un pequeño controlador lineal entrenado con los estados latentes.
Un agente utiliza el modelo de dos maneras. Para planificar, hace pasar por el modelo secuencias candidatas de acciones, puntúa los resultados imaginados y ejecuta la mejor, como en el control predictivo basado en modelos o la búsqueda en árbol de MuZero. Este código de PyTorch aprende un modelo del mundo de un carrito sencillo a partir de transiciones aleatorias y planifica en su imaginación una secuencia de impulsos de 20 pasos:
import torch
from torch import nn
torch.manual_seed(0)
# The real environment, unknown to the agent: a cart's [position, velocity] responds to a push in [-1, 1]
A, B = torch.tensor([[1.0, 0.9], [0.0, 0.9]]), torch.tensor([0.1, 0.1])
# Learn a world model that predicts how (state, action) changes the state, from 5,000 random transitions
states, actions = torch.rand(5000, 2) * 4 - 2, torch.rand(5000, 1) * 2 - 1
change = states @ A.T + actions * B - states
model = nn.Sequential(nn.Linear(3, 64), nn.ReLU(), nn.Linear(64, 2))
optimizer = torch.optim.Adam(model.parameters(), lr=1e-2)
for step in range(2000):
loss = ((model(torch.cat([states, actions], dim=1)) - change) ** 2).mean()
optimizer.zero_grad()
loss.backward()
optimizer.step()
# Plan by imagination: roll 1,000 random 20-step plans through the model; also run them for real to compare
plans = torch.rand(1000, 20, 1) * 2 - 1
imagined, real = torch.zeros(1000, 2), torch.zeros(1000, 2)
for k in range(20):
imagined = imagined + model(torch.cat([imagined, plans[:, k]], dim=1)).detach()
real = real @ A.T + plans[:, k] * B
best = (imagined[:, 0] - 3).abs().argmin() # plan whose imagined final position is closest to 3
print(f"chosen plan: imagined final position {imagined[best, 0]:.2f}, real final position {real[best, 0]:.2f}")Imprime chosen plan: imagined final position 3.00, real final position 2.93. El agente eligió su plan sin tocar el carrito real, y la diferencia de 0,07 es el error del modelo acumulado a lo largo de 20 pasos imaginados. Los errores pequeños se acumulan durante las simulaciones largas, por lo que los planificadores prácticos vuelven a planificar después de cada paso y limitan la duración de los horizontes imaginados.
En el aprendizaje mediante la imaginación, el agente entrena su política con secuencias generadas dentro del modelo. DreamerV3, publicado en Nature en 2025, alterna entre recopilar experiencias reales, mejorar el modelo del mundo y entrenar un actor y un crítico únicamente con trayectorias imaginadas:
Con un único conjunto de hiperparámetros, DreamerV3 superó a métodos especializados en más de 150 tareas y se convirtió en el primer algoritmo en conseguir diamantes en Minecraft desde cero, sin datos humanos ni planes de aprendizaje.
Tipos de modelos del mundo#
- Modelos de dinámica de agentes: Dreamer predice estados latentes futuros, recompensas y finales de episodio. MuZero predice solo lo que necesita la planificación —la recompensa, la política y el valor— y, con búsqueda de árbol de Monte Carlo, igualó a AlphaZero en Go, ajedrez y shogi sin que se le proporcionaran las reglas.
- Modelos de vídeo interactivo: Genie, un modelo de 11 000 millones de parámetros entrenado con vídeos de juegos de plataformas 2D de Internet sin etiquetar, aprendió sus propias acciones latentes y convierte una sola imagen, foto o boceto en un mundo de juego controlable. Genie 3 genera mundos que los usuarios recorren en tiempo real a 24 fotogramas por segundo y 720p, manteniendo la coherencia durante unos minutos.
- Modelos fundacionales del mundo: Cosmos, de NVIDIA, ofrece modelos de pesos abiertos que predicen vídeos futuros a partir de texto, imágenes o fotogramas anteriores, concebidos para el posentrenamiento con robots y vehículos específicos.
- Modelos de incrustación predictiva: Una arquitectura predictiva de incrustaciones conjuntas (JEPA) predice la representación del contenido futuro o ausente en lugar de sus píxeles, por lo que el modelo no dedica capacidad a detalles impredecibles, como el patrón exacto de las hojas en movimiento.
Los modelos del mundo centrados en objetos representan una escena como un conjunto de objetos y predicen cómo se mueve cada uno. Ultralytics YOLO26, en modo de seguimiento, convierte el vídeo en este tipo de estado: cajas para cada objeto, vinculadas entre fotogramas mediante ID persistentes.
Modelos del mundo frente a conceptos relacionados#
- Generación de vídeo: Un generador de vídeo crea un clip plausible a partir de una instrucción. Un modelo del mundo predice las consecuencias de las acciones, por lo que debe responder correctamente cuando cambia la acción. OpenAI describió los generadores de vídeo como posibles simuladores del mundo, y modelos como Genie 3, que aceptan los controles del usuario fotograma a fotograma, se sitúan entre ambos.
- Aprendizaje por refuerzo sin modelo: Los agentes sin modelo aprenden directamente una política o una función de valor a partir de la experiencia real, sin predecir cómo cambia el entorno. Los agentes basados en modelos aprenden un modelo del mundo y lo reutilizan para planificar o generar experiencias de entrenamiento, lo que suele requerir muchas menos interacciones reales.
- Simuladores y gemelos digitales: Los ingenieros construyen motores de física y gemelos digitales a partir de ecuaciones, modelos CAD y parámetros medidos. Un modelo del mundo aprende de los datos, por lo que puede captar efectos difíciles de expresar mediante ecuaciones, como el modo en que se pliega la tela o cómo reaccionan los peatones al tráfico.
- Modelos de lenguaje grandes: Un modelo de lenguaje predice el siguiente token de texto. Un modelo del mundo predice el siguiente estado de un entorno, normalmente a partir de vídeo, datos de sensores y acciones.
Aplicaciones en el mundo real#
- Conducción autónoma: GAIA-1 de Wayve genera vídeos de conducción condicionados por vídeos anteriores, texto y acciones del vehículo propio. El modelo del mundo de Waymo, basado en Genie 3 y anunciado en febrero de 2026, genera datos tanto de cámara como de lidar para simular situaciones que la flota nunca ha registrado, como un tornado o un elefante en la carretera.
- Videojuegos y medios interactivos: Los modelos de vídeo interactivo convierten una instrucción de texto o una imagen en un mundo explorable que responde a las entradas del teclado.
- Robótica: El V-JEPA 2 de Meta se preentrenó con más de 1 millón de horas de vídeo de Internet. Su versión condicionada por acciones, V-JEPA 2-AC, se sometió a un entrenamiento posterior con menos de 62 horas de vídeo de robots sin etiquetar y, después, recogió y colocó objetos con brazos Franka en dos laboratorios nuevos, planificando para alcanzar imágenes objetivo, sin que se recopilaran datos de esos robots ni de esos entornos.










