Los modelos del mundo representan un cambio fundamental en cómo la inteligencia artificial aborda la comprensión de sistemas complejos. Mientras que los grandes modelos de lenguaje predicen qué palabra viene después en un texto, los modelos del mundo aprenden dinámicas a partir de la observación y luego simulan hacia adelante para probar qué sucede después, modelando el mundo mismo en lugar de solo descripciones del mundo, según reporta Time.

La arquitectura está ganando tracción en los principales centros de investigación global. Yann LeCun, quien dejó Meta en finales de 2025 para lanzar Advanced Machine Intelligence Labs, ha construido su programa de investigación alrededor de esta tecnología. Demis Hassabis, quien dirige Google DeepMind, ha hecho de los modelos del mundo un elemento central en su impulso hacia una inteligencia artificial más general. Sam Altman ha llamado a Sora de OpenAI un simulador del mundo, aunque esta afirmación es controvertida. Fei-Fei Li recaudó mil millones de dólares para su empresa World Labs para perseguir lo que ella denomina "inteligencia espacial". Jensen Huang, por su parte, está construyendo las plataformas de simulación y la capacidad computacional detrás de la próxima ola de inteligencia artificial, como NVIDIA hizo para los grandes modelos de lenguaje.

Sin embargo, el término se utiliza de manera amplia y no todo lo comercializado como un "modelo del mundo" califica en el sentido arquitectónico estricto. La apuesta fundamental de investigadores como LeCun es que un modelo entrenado en cómo se comporta un sistema, en lugar de cómo se ve, una arquitectura que él denomina JEPA, generalizará mejor al mundo físico. No se trata de una categoría de producto sino de una arquitectura que podría llevar la inteligencia artificial desde ser fluida en lenguaje pero sin un modelo real del mundo físico, hacia una comprensión fundamentada de cómo se comporta ese mundo.

Si estos investigadores tienen razón, esto es más que otro ciclo comercial de inteligencia artificial. Es el período en el que se construye el sustrato de la próxima generación de inteligencia artificial, y lo que se construya ahora, por quién y con qué datos, moldeará lo que la inteligencia artificial puede hacer durante años. El potencial para resolver problemas en clima, océanos, la biósfera y la biología de enfermedades es vasto.

Los logros ya alcanzados en sistemas terrestres

La inteligencia artificial ya ha logrado avances significativos en la comprensión de sistemas terrestres. Actualmente detecta incendios forestales y fugas de metano desde órbita. Los pronósticos meteorológicos actuales son irreconociblemente mejores que hace una década. El pronóstico de inundaciones de Google funciona en más de 150 países. Los modelos meteorológicos neurales, desde GraphCast de DeepMind hasta sistemas ahora ejecutados por las propias agencias de pronóstico público, han igualado o superado los mejores pronósticos basados en física con una fracción del costo computacional, aunque aún se quedan cortos en extremos y riesgos de cola.

Estos son ganancias reales. Pero los problemas más difíciles apenas se han movido: qué hará un huracán al llegar a tierra, cuándo se romperá la próxima sequía, cómo se comporta la circulación oceánica mientras se derrite el hielo. Los pronósticos meteorológicos subseasionales, la ventana que impulsa la planificación del agua, energía y agricultura, siguen siendo débiles. Los bosques, suelos y vegetación que absorben aproximadamente un tercio de nuestras emisiones llevan la mayor incertidumbre en todo el presupuesto de carbono. A diferencia de las emisiones de combustibles fósiles o el dióxido de carbono atmosférico, este sumidero de carbono terrestre no puede medirse directamente a escala global; tiene que inferirse. Y la convección tropical, los sistemas de tormentas que entregan lluvia para miles de millones de personas, se desarrolla en escalas demasiado pequeñas para que los modelos globales las capturen, por lo que recurren a aproximaciones aproximadas que los científicos han intentado mejorar durante décadas.

¿Por qué no se han cerrado estas brechas? No por falta de potencia computacional, ahora billones de veces más poderosa. No por falta de datos, ahora a escala planetaria. No por falta de física, bien establecida para las partes que entendemos. El cuello de botella es la representación: encontrar una manera de modelar sistemas que no podemos describir exactamente porque la física solo se entiende parcialmente y las mediciones son escasas. Simplemente escalar los modelos de lenguaje actuales no resuelve eso.

El sistema terrestre se modela en piezas (atmósfera, océano, hielo, tierra), lo que simplifica las señales que viven en el acoplamiento entre ellas. Las variables que más importan son en gran medida no observadas: humedad del suelo en la zona de raíces, el océano profundo, las cavidades bajo las plataformas de hielo. Una resolución más alta ayuda—los modelos más nuevos capturan tormentas directamente—pero una cuadrícula más fina ejecutando las mismas aproximaciones sigue siendo aproximaciones.

Los problemas más difíciles en la ciencia se encuentran en la brecha: demasiado mal entendidos para escribir en ecuaciones, demasiado escasamente observados para aprender solo de datos.

Aquí es donde los modelos del mundo podrían importar, no reemplazando la física, sino aprendiendo la dinámica del registro conjunto del sistema terrestre, con la física en la que confiamos aplicada como restricciones duras. Para sistemas caóticos, un modelo del mundo puede aprender la dinámica no escrita mientras respeta las escritas.

Algo de esto ya es visible. AlphaFold, Earth-2 de NVIDIA y GraphCast están en uso operativo en toda la biología y pronóstico meteorológico. Funcionan donde la física se entiende parcialmente y las observaciones son ricas. Lo que ninguno hace aún es aprender la dinámica de los sistemas abiertos cuya incertidumbre apenas se ha reducido: nivel del mar, el ciclo del carbono, el comportamiento acoplado de un planeta que se calienta.

Los modelos del mundo no entregarán certeza. No colapsarán el rango del nivel del mar a una estimación puntual. Su valor es más estrecho pero real: rangos más ajustados y más honestos de futuros plausibles: la banda que los planificadores costeros y los bancos realmente necesitan. Para decisiones de adaptación de billones de dólares, eso importa.

También hay un límite difícil. Un modelo del mundo no puede pronosticar un régimen que la Tierra nunca ha entrado, como el mundo después de un colapso de la circulación atlántica, porque no hay datos del otro lado para aprender. Ningún método puede. Pero la pregunta relevante es qué tan cerca estamos de ello, lo que estos sistemas pueden comenzar a ayudar a responder.

La oportunidad convergente

Tres fuerzas han convergido. La arquitectura ha madurado: estos sistemas ahora pueden entrenarse a escala. La Tierra ahora está instrumentada a un nivel que hace posible aprender dinámicas en toda la atmósfera, océano, tierra e hielo. Y el capital que construyó la era del modelo de lenguaje grande ha comenzado a reasignarse.

Las aplicaciones empresariales tienen clientes, contratos y resultados trimestrales. En 2026, la inversión que sigue a los modelos del mundo está abrumadoramente impulsada por estas métricas. Pero donde el resultado es un bien público, como un rango de nivel del mar más estrecho, un mejor modelo del ciclo del carbono o una advertencia más temprana de cómo se propagará el próximo patógeno resistente a los medicamentos, el modelo comercial se desmorona.

Y lo que estos modelos entrenan moldea lo que se convierten. Un modelo del mundo entrenado predominantemente en logística de almacenes, metraje de conducción y datos de ingeniería—el territorio de empresas de inteligencia artificial física como Prometheus, la startup de Jeff Bezos que construye un "ingeniero general artificial", ahora valorada en 41 mil millones de dólares—aprende un tipo particular de física. Uno entrenado también en observación planetaria, biología celular y dinámicas de red aprende algo diferente.

Las mismas arquitecturas pueden funcionar para los sistemas en los que vivimos, dados datos diferentes y opciones diferentes. La pregunta es si los laboratorios se comprometen con estos problemas tan ambiciosamente como con la empresa, y si las instituciones que poseen los datos científicos más valiosos del mundo los ponen a disposición.

Más allá de la empresa

La era del lenguaje enseñó a la inteligencia artificial a describir el mundo. Los modelos del mundo apuntan a aprender cómo se comporta. Si los defensores más fuertes tienen razón, se convertirán en el sustrato sobre el cual se construye la próxima generación de inteligencia artificial: una herramienta científica para entender sistemas que no podemos especificar completamente, y la capacidad que la inteligencia artificial necesita para razonar y actuar en el mundo físico.

Pero mejorar en los problemas fáciles no es lo mismo que llegar a los difíciles. Si los modelos del mundo llegan a los sistemas abiertos depende de qué datos se cosen juntos, qué preguntas asumen los laboratorios líderes, y a cuyos problemas se les presta atención.

El despliegue de inteligencia artificial apenas está comenzando, y la aceptación pública ayudará a determinar su ritmo. Cuanto más fuerte sea el caso de que estos sistemas ayuden a resolver los problemas más difíciles de la humanidad, más fuerte será el caso para construir la infraestructura que requieren.

El trabajo técnico continuará independientemente. La pregunta ya no es si podemos construir modelos del mundo. Es qué elegimos modelar—y si los problemas más difíciles moldean estos sistemas desde el principio, o los heredan.