Aditya Ramabadran, Simon Mahns y Tobias Gessler, tres ingenieros de inteligencia artificial de la startup Axiom, se encontraron recientemente con un antojo por In-N-Out Burger. Sin embargo, en lugar de manejar ellos mismos, decidieron experimentar con la tecnología. Estacionados en un Toyota Corolla 2024, se acercaron al drive-thru del popular restaurante en la Bahía de San Francisco, abrieron una laptop y solicitaron a GPT-6 Astra, un modelo de OpenAI, que asumiera el control del vehículo. Para ello, conectaron una interfaz de chat a un servidor que se comunicaba con cámaras instaladas en el parabrisas y el sistema de dirección asistida del automóvil. Un conductor de seguridad, por precaución, mantenía un pie sobre el freno.
El modelo de inteligencia artificial, que normalmente se utiliza para generar texto, código e imágenes, logró conducir el vehículo de manera lenta pero segura hasta la ventanilla, permitiendo a los ingenieros recoger su comida. Uno de ellos comentó: «Quizá la inteligencia artificial general (IAG) ya esté aquí, después de todo», refiriéndose a la idea de que las máquinas puedan igualar la inteligencia humana.
Un enfoque innovador en la conducción autónoma
Los vehículos autónomos no son un concepto nuevo en el ámbito de la tecnología, pero generalmente están controlados por algoritmos diseñados específicamente para esa tarea. En este caso, el equipo utilizó un modelo originalmente creado para generar texto, llevando a cabo la operación en tiempo real y sin un entrenamiento explícito para la conducción. Esta experiencia en un restaurante de comida rápida, junto con otros experimentos similares, sugiere que los modelos de IA basados en el lenguaje están comenzando a desarrollar una comprensión básica, aunque útil, del entorno físico.
A pesar de que el trayecto no presentó situaciones alarmantes, los ingenieros reconocen que confiar en un modelo de propósito general para manejar un vehículo de dos toneladas a altas velocidades conlleva riesgos significativos. Con el avance en la comprensión de la física y el comportamiento del mundo real, es probable que pronto veamos cómo los modelos de IA se integran en la vida cotidiana de maneras sorprendentes y, potencialmente, peligrosas.
Desafíos en el razonamiento físico de la IA
Aunque los modelos de IA actuales demuestran habilidades avanzadas en la resolución de preguntas complejas y la ejecución de tareas virtuales, su desempeño a menudo se limita al ámbito digital. Cuando se enfrentan al mundo real, estos modelos pueden parecer confundidos. A pesar de las afirmaciones sobre la existencia de IAG, la comunidad de IA reconoce que el razonamiento físico sigue siendo un reto por superar.
Investigadores como Andrew Dai, CEO de Elorian AI, han dejado grandes corporaciones para centrarse en este tipo de razonamiento. Dai, quien anteriormente trabajó en Google DeepMind, sostiene que la mejora en el razonamiento visual puede abrir múltiples nuevas aplicaciones para la inteligencia artificial, tales como sistemas que evalúen la satisfacción de los comensales en un restaurante o robots que operen en entornos domésticos. Según él, la robótica es esencial para el avance del razonamiento físico, afirmando: «No se puede imaginar la robótica doméstica sin esto».
Avances en la comprensión de escenas físicas
Elorian y Scale AI, una compañía que proporciona datos de entrenamiento a laboratorios de IA, han desarrollado un nuevo punto de referencia llamado «Humanity’s Sixth Sense», que evalúa la capacidad de los modelos para entender escenas físicas. Xingang Guo, investigador de Scale AI, explica que la mayor parte de la investigación en IA visual se centra en la percepción, y su objetivo es determinar qué se necesita realmente para que un modelo entienda intuitivamente una escena, similar a como lo haría un ser humano sin pensarlo demasiado.
Para Ramabadran, Mahns y Gessler, el propósito de su proyecto, realizado en paralelo a su trabajo en Axiom, era evaluar cómo los modelos pueden interactuar con el mundo real. La idea surgió un fin de semana mientras compartían tiempo juntos; se dieron cuenta de que modelos como Astra podían crear simulaciones 3D complejas y se preguntaron si eso podría traducirse en habilidades de navegación en el mundo físico.
La evolución de los modelos de IA en la conducción
Los ingenieros comenzaron sus pruebas utilizando el modelo Grok de SpaceXAI antes de experimentar con los últimos desarrollos de OpenAI y Anthropic. Inicialmente, los modelos mostraron reticencia a asumir el control, respondiendo con frases como: «Puedo ayudar a interpretar imágenes de la carretera, pero no puedo dar órdenes de movimiento a un auto físico». Sin embargo, tras algunas indicaciones, lograron convencer a los modelos para que asumieran la conducción, quedando impresionados cuando estos comenzaron a manejar.
A pesar de la promesa que muestran, los ingenieros advierten que las grandes empresas de IA parecen enfocarse más en mejorar las capacidades de razonamiento espacial de sus modelos que en entrenarlos específicamente para la conducción. Según ellos, es posible que las habilidades de manejo de los modelos hayan surgido como una capacidad emergente derivada de entrenamientos centrados en el razonamiento 3D. Mahns menciona que esto podría ser resultado de la ampliación de la multimodalidad del modelo, que ahora integra diversos tipos de datos, como imágenes y videos.
Evaluaciones de conducción y el camino por recorrer
A pesar de los avances, una nueva evaluación de conducción desarrollada por el trío, denominada DrivingBench, indica que los modelos aún tienen un largo camino por recorrer antes de poder obtener una licencia de conducir. Esta prueba evalúa la habilidad de un modelo para navegar un circuito sencillo, simulado en un estacionamiento. De los modelos probados, solo Astra pudo completar el recorrido, aunque de manera muy lenta. Por su parte, Claude Fable 5.1 logró recorrer el 45% del trayecto, mientras que Grok únicamente alcanzó el 11%.
Ramabadran señala que los modelos más recientes parecen ser capaces de adaptarse a sus errores, ajustándose a los controles del vehículo y mejorando su conducción en tiempo real. «Los modelos realmente parecían estar ajustándose o aprendiendo en contexto a partir de sus errores y aprendiendo a manejar mejor los mandos», concluye, dejando entrever el potencial de la inteligencia artificial en la conducción futura.
