Resuélvelo de una vez: Convierte el trabajo repetitivo de expertos en una habilidad que tu agente pueda ejecutar.

Frente Aplicado #2: Modelos del Mundo Dejar de predecir tokens, comenzar a simular mundos Frente Aplicado es una reunión técnica íntima para creadores, investigadores, fundadores e ingenieros que trabajan en la frontera de los sistemas de IA. La segunda edición profundiza en los Modelos del Mundo, el cambio de los sistemas de IA que predicen el siguiente token a los sistemas de IA que aprenden un modelo interno de la realidad, que luego utilizan ese modelo para predecir, planificar y actuar. Durante los últimos tres años, la frontera ha estado dominada por el lenguaje. Los modelos aprendieron sobre el mundo a través de texto, imágenes, videos y descripciones humanas. Podían describir un vaso que se cae, pero no entendían realmente qué sucede cuando se inclina más allá de su centro de masa. Podían generar una habitación, pero no podían simular de manera confiable qué cambios ocurren cuando un agente se mueve a través de ella. Ese vacío se está convirtiendo en el evento principal. Fei-Fei Li ha llamado a la inteligencia espacial una de las próximas fronteras de la IA. Yann LeCun ha argumentado que la predicción del siguiente token por sí sola no es suficiente, y que la pieza que falta es un modelo del mundo que pueda ejecutarse hacia adelante para apoyar la planificación. En todo el campo, la pregunta se está volviendo más aguda: ¿Podemos construir modelos que no solo describan la realidad, sino que la simulen? Un modelo del mundo es un simulador aprendido. Dale un estado y una acción, y predice qué sucede a continuación. Algunos modelos del mundo crean entornos interactivos por los que puedes caminar. Algunos ayudan a los robots a razonar sobre las consecuencias físicas. Algunos generan mundos sintéticos para entrenamiento y evaluación. Algunos predicen estados futuros abstractos en lugar de renderizar cada pixel. La pregunta central no es si estos sistemas se ven impresionantes. La pregunta es si son útiles cuando un agente tiene que actuar. Lo que discutiremos Las cuatro apuestas en una frontera Compararemos las principales direcciones emergentes en modelos del mundo: simulación interactiva, inteligencia espacial, aprendizaje de representación predictiva e infraestructura de IA física. Esto incluye sistemas como Genie 3 de DeepMind, modelos del mundo en tiempo real de Decart, Marble de World Labs, V-JEPA de Meta y NVIDIA Cosmos. Cada uno está haciendo una apuesta diferente sobre lo que significa modelar el mundo, qué debe generarse, qué debe preverse y qué es realmente útil para los agentes. Modelos del mundo generativos vs. predictivos Un campo genera el futuro en pixeles y apuesta que el realismo llevará a la comprensión. Otro predice estados latentes abstractos, argumentando que la mayoría de los detalles de los pixeles son irrelevantes para la planificación y el control. Ese elección cambia todo río abajo: datos de entrenamiento, evaluación, computación, memoria, condicionamiento de acciones, coherencia, y si el modelo puede realmente apoyar la toma de decisiones. De observar a actuar Un modelo del mundo gana su nombre cuando un agente puede planear en función de él. Discutiremos lo que se necesita para pasar de la generación de video pasiva a la simulación condicionada por acciones, de rollouts bellos a contrafactuales útiles, y de “esto se ve real” a “esto ayuda a un agente a elegir la acción correcta”. Mundos como infraestructura Los modelos del mundo se están convirtiendo en infraestructura para robótica, vehículos autónomos, agentes incorporados, juegos, datos sintéticos y pruebas en bucle cerrado. Hablaremos sobre generación de escenarios, cobertura, eventos de larga cola, gemelos digitales, entrenamiento de robots, evaluación basada en simulaciones y la persistente brecha sim-real que aún rompe las mejores demostraciones. Donde los modelos del mundo fallan Los modelos del mundo a menudo fallan de maneras sutiles. La física puede verse bien mientras está equivocada. La permanencia del objeto puede desviarse. La coherencia a largo plazo puede colapsar. Los agentes pueden explotar errores del simulador. El realismo visual puede ocultar tonterías causales. La pregunta más profunda sigue abierta: ¿Están estos sistemas aprendiendo la estructura del mundo, o están prediciendo pixeles lo suficientemente bien como para engañarnos? Para quién es esto Esto es para un grupo limitado de personas profundamente técnicas que están activamente construyendo, investigando o explorando seriamente modelos del mundo y IA física. Deberías venir si estás trabajando en ingeniería de IA, generación de video, robótica, aprendizaje por refuerzo, simulación, 3D, gráficos, agentes incorporados, datos sintéticos, sistemas autónomos o infraestructura para evaluar la IA en entornos de bucle cerrado. Ven con algo real: un modelo que estás construyendo, un fallo sim-real, un problema de evaluación, una historia de robótica, una tubería de datos sintéticos, una pregunta de investigación difícil o una opinión sólida sobre dónde el campo está equivocado. CÓMO FUNCIONA Esto no es un encuentro de networking. Frente Aplicado está diseñado como una discusión técnica de alta señal con un pequeño grupo de creadores serios. El objetivo es razonarse juntos, desafiar suposiciones, comparar arquitecturas y sacar a la luz los problemas que no aparecen en demostraciones pulidas. Espera una sala enfocada, conversación técnica y discusión directa sobre lo que está funcionando, lo que está rompiendo y lo que necesita existir a continuación. Por qué importa Los modelos de lenguaje aprendieron el mundo de segunda mano, a través de lo que los humanos escribieron, etiquetaron, grabaron y subieron. Los modelos del mundo intentan aprenderlo de manera más directa, a través de la observación, interacción, predicción y simulación. Ese cambio importa porque la próxima generación de sistemas de IA no solo responderán preguntas. Se moverán a través de entornos, operarán máquinas, controlarán software, conducirán robots, probarán decisiones y planificarán bajo incertidumbre. Dos modelos pueden entrenarse con las mismas imágenes y parecer igualmente impresionantes en una demostración. Uno puede aprender suficiente estructura para apoyar la planificación. El otro puede solo aprender a renderizar cuadros plausibles. La demostración puede no saber la diferencia. El ingeniero sí. Detalles del evento Fecha: Jueves, 30 de julio de 2026 Hora: 6 PM a 9 PM Ubicación: 111 Maiden Ln #540, San Francisco, CA 94108 Formato: Discusión técnica e intercambio en grupo pequeño Capacidad: Limitada Acceso: Registro anticipado requerido. Los asistentes deben traer una identificación física válida con foto para el registro.