Escribe una frase y adéntrate en un mundo vivo

De una línea de texto a un mundo vivo

Imagina que escribes "un puerto lluvioso al anochecer con muelles de pesca crujientes" y, en cuestión de segundos, te encuentras en medio de ese entorno, libre para moverte, activar eventos y ver cómo el sistema reacciona en tiempo real. Eso es precisamente lo que ofrece Odyssey-3, y resulta difícil no emocionarse un poco con ello.

Según The Decoder, Odyssey ha abierto ahora su modelo de mundo al público como una vista previa de investigación abierta. Los fundadores Oliver Cameron y Jeff Hawke presentaron el modelo en septiembre del año pasado con miras a la robótica, los vehículos autónomos y los videojuegos, pero ahora la puerta está abierta para que cualquiera explore lo que la tecnología puede hacer realmente.

La tecnología por dentro

Odyssey-3 se basa en una arquitectura llamada transformador de difusión autorregresivo. Suena complicado, pero el principio es elegante: el modelo crea de forma continua nuevos fotogramas de vídeo a partir de lo que ha ocurrido antes en la secuencia, combinado con las acciones del usuario. En esencia, es la misma idea que subyace a los grandes modelos de lenguaje —predecir el siguiente paso a partir del contexto—, pero aquí se trata de píxeles y movimiento en lugar de palabras.

Los datos de entrenamiento están cuidadosamente mezclados: vídeos de internet con descripciones de los acontecimientos, material de películas de ficción vinculado a las entradas de teclado y ratón, y interacciones físicas simuladas. Esto proporciona al modelo una amplia comprensión de cómo se comporta el mundo, y no solo de cómo se ve.

El modelo base tiene 14 mil millones de parámetros y genera vídeo con una resolución de 832 × 480 píxeles. La variante más avanzada, Odyssey-3 Pro, alcanza 1 280 × 720 píxeles, es decir, una calidad cercana a HD.

La física a prueba

Una de las afirmaciones más interesantes de la empresa se refiere al rendimiento en el benchmark Physics-IQ Verified, que mide qué tan bien un modelo maneja fenómenos físicos reales como la dinámica de fluidos, la óptica y la termodinámica. Según se informa, Odyssey-3 Pro alcanza 66,1 puntos en esa prueba, un resultado notable si se confirma.

Sin embargo, conviene mantener la cabeza fría. Según The Decoder, el mejor resultado se basa en una única ejecución de prueba, lo que dificulta valorar qué tan robusto es realmente el rendimiento. La reproducibilidad es la base de la investigación creíble, y queda por ver cómo se comporta el modelo cuando se realicen más evaluaciones independientes. No es motivo para descartar los resultados, pero sí para esperar más datos.

¿Qué abre esto?

Lo que hace que Odyssey-3 sea genuinamente emocionante no es solo la tecnología en sí, sino lo que sugiere sobre la dirección futura. La IA generativa lleva mucho tiempo centrada en producir: una imagen, un texto, un fragmento de audio. Los modelos de mundo como Odyssey-3, en cambio, se centran en simular: crear entornos que reaccionan, que tienen una lógica interna y con los que se puede interactuar.

Esto abre tres ámbitos de aplicación evidentes:

El desarrollo de videojuegos es el más inmediato. Prototipar mundos de juego a partir de descripciones de texto puede reducir de forma radical el umbral de entrada para los desarrolladores independientes y acortar el tiempo que transcurre desde la idea hasta una demo jugable.

La educación y el entrenamiento es quizá aún más prometedor a largo plazo. Los entornos simulados que reaccionan de forma realista a las leyes físicas pueden utilizarse para todo, desde experimentos de ciencias naturales en el aula hasta el entrenamiento de sistemas robóticos y vehículos autónomos, sin necesidad de construir costosos prototipos físicos.

La arquitectura y el diseño son un tercer ámbito en el que la capacidad de recorrer e interactuar con un entorno generado —en lugar de simplemente observar una representación estática— puede cambiar la forma en que exploramos alternativas de diseño en las fases iniciales de un proceso.

Además, que el modelo sea gratuito para probarlo reduce aún más las barreras. La apertura impulsa la iteración, y la iteración impulsa el progreso.