Un modelo de mundo es un sistema de IA entrenado para construir una simulación interna y predictiva de un entorno: cómo se ve una escena, cómo se mueven los objetos y las personas a través de ella, y qué sucede después de una acción. En lugar de predecir la siguiente palabra como lo hace un modelo de lenguaje, un modelo de mundo predice el siguiente estado de un mundo.

Esa distinción suena pequeña. No lo es. Es la diferencia entre una IA que habla sobre el mundo físico y una IA que lo comprende lo suficientemente bien como para actuar en él, o para construir una versión de él que se pueda recorrer, en la que se pueda probar un robot, o a partir de la cual se pueda generar un nivel de juego completo.

Cómo Aprenden los Modelos de Mundo una Simulación Interna

Un modelo de mundo no memoriza datos sobre el mundo como lo hace una enciclopedia. Aprende física y causa y efecto observando enormes cantidades de video, datos de interacción y (cada vez más) registros de sensores de robots, para luego comprimir lo que ve en una representación interna compacta del "estado": dónde están los objetos, cómo se mueven, qué es probable que suceda dentro de un momento.

Cómo aprenden los modelos de mundo, representado como un carrete de observación que alimenta una simulación interna interactiva

El entrenamiento generalmente sigue tres etapas:

Ingerir secuencias sin procesar. El modelo observa millones de horas de video, imágenes de videojuegos o demostraciones de robots, cada fotograma emparejado con la acción (un movimiento de cámara, el movimiento de un brazo robótico, una pulsación de tecla) que causó que ocurriera el siguiente fotograma.
Aprender a predecir el siguiente estado. Dado el estado actual y una acción, el modelo aprende a predecir qué viene después, una y otra vez, hasta que su simulación interna deja de alejarse de cómo se comporta realmente el mundo real.
Avanzar la simulación. Una vez entrenado, el modelo puede generar nuevos estados indefinidamente, "imaginando" en efecto qué sucedería si una persona, un robot o una cámara realizara una acción determinada, sin que esa acción llegue a ocurrir jamás en la realidad.

Genie 3 de Google DeepMind es un ejemplo concreto útil. Es un transformador autorregresivo de 11 mil millones de parámetros que toma un prompt de texto y genera un mundo navegable en tiempo real a 720p y 24 fotogramas por segundo, con una memoria visual que se remonta a aproximadamente un minuto para que el entorno permanezca coherente a medida que uno se desplaza por él (Google DeepMind, 2026). Ese es el bucle central: describir un mundo, obtener a cambio un lugar que se puede recorrer, donde el modelo predice continuamente qué debería aparecer a continuación según hacia dónde acaba de moverse el usuario.

Esto es también lo que distingue a los modelos de mundo de los generadores de video comunes. Un generador de video produce un clip fijo. Un modelo de mundo mantiene un estado interno persistente y responde a la interacción, más cerca de una simulación que de una película.

Por Qué Importan los Modelos de Mundo

Robótica. El entrenamiento de robots en el mundo real es lento y costoso: cada agarre fallido o colisión cuesta tiempo, hardware y, a veces, seguridad. Los modelos de mundo permiten a los ingenieros generar grandes volúmenes de escenarios de entrenamiento realistas y físicamente plausibles primero en simulación, para luego transferir lo que aprendió el robot a la máquina real. Nvidia llama a esto "IA física", y es la premisa completa detrás de Cosmos: entrenar la política en un mundo simulado antes de que toque siquiera uno real.

Generación de video y contenido. Las herramientas tradicionales de video con IA generan un clip y se detienen. Un modelo de mundo puede dirigirse, revisitarse y extenderse, razón por la cual empresas de generación de video como Runway se están reposicionando explícitamente en torno a los modelos de mundo en lugar de clips de una sola toma. Una generación más larga, controlable y físicamente coherente es el siguiente paso más allá de "escribir un prompt, obtener 5 segundos de video".

Planificación e IA agéntica. Un agente de IA que puede simular el resultado probable de una acción antes de realizarla puede planificar varios pasos por adelantado en lugar de reaccionar paso a paso. Esta es una mejora significativa respecto a los agentes que solo razonan en texto: un modelo de mundo le da a un agente algo más cercano a la imaginación, una forma de probar un plan mentalmente antes de comprometer recursos en él.

Un posible camino hacia una IA más general. Los grandes modelos de lenguaje son extraordinariamente buenos manipulando texto, pero el texto es una descripción del mundo, no el mundo en sí. Investigadores como Fei-Fei Li han argumentado que la inteligencia espacial, una comprensión de cómo se comportan realmente los objetos, el espacio y el tiempo, es una capacidad separada que el lenguaje por sí solo no le enseña a un modelo. Los modelos de mundo son una de las apuestas más concretas de la industria para cerrar esa brecha.

Actores Clave y Proyectos en 2026

Google DeepMind, Genie 3. El modelo de mundo de DeepMind genera entornos jugables en tiempo real a partir de prompts de texto. Se lanzó a los suscriptores de Google AI Ultra el 29 de enero de 2026, tras su debut en 2025, y representa la demostración pública más clara hasta la fecha de generación de mundos interactivos en tiempo real (Google DeepMind, 2026; 9to5Google, 2026).

World Labs, fundada por Fei-Fei Li. World Labs construye Marble, un modelo de mundo que convierte prompts de texto, fotos, clips de video o diseños 3D toscos en entornos 3D persistentes, editables y navegables, dirigido directamente a industrias espaciales como la arquitectura, los videojuegos y el diseño (World Labs, vía TechCrunch, 2026).

Nvidia Cosmos. Cosmos es la plataforma de modelo de mundo fundacional de Nvidia para lo que la empresa llama "IA física", que genera datos de entrenamiento sintéticos y trayectorias de acción para acelerar el desarrollo de robótica y vehículos autónomos. Cosmos 3, lanzado en 2026, fue entrenado con aproximadamente 20 billones de tokens de datos multimodales, incluyendo cerca de mil millones de imágenes y 400 millones de videos reales y sintéticos (Nvidia Newsroom, 2026).

Runway. Conocida principalmente por la generación de video con IA, Runway ha reorientado su hoja de ruta hacia los modelos de mundo, recaudando 315 millones de dólares en una ronda Serie E en febrero de 2026 destinada explícitamente a "preentrenar la próxima generación de modelos de mundo", además de un primer modelo de mundo que lanzó en diciembre de 2025 (TechCrunch, 2026).

Estas cuatro organizaciones no compiten con productos idénticos. DeepMind y Runway se inclinan hacia modelos de mundo generativos, de estilo video, que se exploran en tiempo real. World Labs se inclina hacia escenas 3D persistentes y editables. Nvidia se inclina hacia la precisión física para robots y vehículos. Juntas definen la forma actual de la categoría.

Modelos de Mundo frente a los LLM

	Modelos de Mundo	Grandes Modelos de Lenguaje
Aprende de	Video, simulación, datos de interacción de robots, emparejados con acciones	Texto, código y otro lenguaje escrito
Predice	El siguiente estado de un entorno (visual, espacial, físico)	El siguiente token en una secuencia de texto
Salida	Entornos navegables, video o trayectorias de acción	Texto, código, datos estructurados
Fortaleza principal	Razonamiento espacial y físico, simulación de "qué pasa si"	Razonamiento del lenguaje, síntesis de conocimiento, conversación
Interactividad	Responde a acciones en tiempo real (en los modelos líderes)	Responde a prompts, no a acciones físicas
Uso típico hoy	Entrenamiento de robótica, generación de juegos/mundos, diseño espacial	Chatbots, asistentes de codificación, análisis de documentos, búsqueda
Madurez en 2026	Temprana: minutos de coherencia, implementación limitada	Madura: ampliamente implementada en productos de producción

Limitaciones de los Modelos de Mundo

Los modelos de mundo avanzan rápido, pero están lejos de ser una tecnología terminada.

Limitaciones de los modelos de mundo, representadas como un mundo simulado frágil que se aparta de la física del mundo real

Ventanas de coherencia cortas. Genie 3 mantiene un mundo coherente durante unos minutos, no horas. Las simulaciones de larga duración todavía se desvían o pierden coherencia.
Alto costo computacional. Entrenar con decenas de billones de tokens de datos de video y simulación, y ejecutar la generación en tiempo real a velocidades de fotogramas utilizables, requiere sustancialmente más cómputo que entrenar un modelo de texto de ambición comparable.
Física imperfecta. Estos modelos aprenden física de manera estadística, a partir de ejemplos, no a partir de primeros principios. Todavía pueden generar escenas donde los objetos se comportan de formas que no coinciden con la mecánica del mundo real.
Escasez de datos de interacción del mundo real. El texto es abundante en línea. El video de alta calidad emparejado con datos de acción precisos (especialmente de robots reales) es comparativamente escaso y costoso de recopilar.
Aún no existe un estándar de referencia compartido. A diferencia de los modelos de lenguaje, que cuentan con decenas de evaluaciones estandarizadas, los modelos de mundo todavía no tienen una forma acordada de medir "qué tan buena" es una simulación, lo que dificulta las comparaciones entre proveedores para los compradores.
Brecha entre simulación y realidad. Una política de robot que funciona perfectamente en un mundo simulado aún puede fallar en la planta de producción si la simulación pasó por alto alguna variable del mundo real, por lo que el entrenamiento por simulación todavía necesita validación en el mundo real.

Datos Clave: Los Modelos de Mundo en Cifras

Genie 3 de Google DeepMind genera mundos navegables en tiempo real a 720p y 24 fotogramas por segundo, con aproximadamente un minuto de memoria visual para mantener el mundo coherente a medida que uno se desplaza por él. Fuente: Google DeepMind
El modelo de mundo fundacional Cosmos 3 de Nvidia fue entrenado con aproximadamente 20 billones de tokens de datos multimodales, incluyendo casi mil millones de imágenes y 400 millones de videos reales y sintéticos. Fuente: Nvidia Newsroom
World Labs, fundada por Fei-Fei Li, recaudó aproximadamente 1,000 millones de dólares en febrero de 2026, incluidos 200 millones de dólares de Autodesk, lo que eleva su financiamiento total a unos 1,230 millones de dólares. Fuente: TechCrunch
Según informes, la valoración de World Labs pasó de 1,000 millones de dólares en su lanzamiento en 2024 a aproximadamente 5,000 millones de dólares en enero de 2026, en unos dieciséis meses. Fuente: Bloomberg
Runway recaudó 315 millones de dólares en una ronda Serie E en febrero de 2026 con una valoración de 5,300 millones de dólares, destinados en parte a preentrenar su próxima generación de modelos de mundo. Fuente: TechCrunch
La IA generativa, la categoría más amplia dentro de la cual se ubican los modelos de mundo, creció más del 200% en inversión privada en 2025 y captó casi la mitad de toda la financiación privada de IA a nivel global. Fuente: Stanford HAI, 2026 AI Index Report

Implicaciones para los Negocios y la Industria

Para la mayoría de las empresas, los modelos de mundo no son una partida presupuestaria a corto plazo, pero vale la pena seguirles la pista por varias razones.

Usos empresariales de los modelos de mundo, mostrados a través de una lente de planificación que anticipa la robótica, el diseño espacial y los resultados de los agentes

La robótica y la manufactura son los primeros beneficiarios más claros. Si su negocio depende de la automatización física, la robótica de almacén o los vehículos autónomos, los modelos de mundo se están convirtiendo silenciosamente en la forma estándar en que los proveedores generan los datos de entrenamiento sintéticos que esos sistemas necesitan, lo que debería traducirse en ciclos de implementación más rápidos y menos fallos costosos de entrenamiento en el mundo real durante los próximos años.

Las industrias espaciales y creativas (arquitectura, bienes raíces, videojuegos, diseño industrial, cine) obtienen una herramienta más inmediata: convertir una foto, un boceto o un prompt de texto en un espacio 3D explorable, que es exactamente la propuesta detrás de Marble de World Labs. Esto acorta el ciclo entre la "idea" y el recorrido que realmente se puede evaluar.

Todos los que construyen o compran IA agéntica deberían vigilar este espacio, incluso si nunca tocan un robot. Si los agentes eventualmente obtienen acceso a una "imaginación" interna, la capacidad de simular el resultado de un plan antes de ejecutarlo, eso cambia lo que las empresas pueden delegar razonablemente a un agente frente a lo que todavía necesita una verificación humana primero.

En cuanto al presupuesto, trate a los modelos de mundo como trataría cualquier tecnología de preproducción: prometedora, bien financiada y aún no algo sobre lo cual construir un flujo de trabajo crítico. Los requisitos de cómputo y datos son considerables, las ventanas de coherencia todavía se miden en minutos, y aún no existe una forma estandarizada de evaluar el modelo de mundo de un proveedor frente al de otro. Vigile el espacio, pilotee de forma acotada si es directamente relevante para su industria, y no apueste un proceso central a ello en 2026.

Preguntas Frecuentes sobre World Models in AI

¿Qué es un modelo de mundo en la IA?

Un modelo de mundo es un sistema de IA entrenado para construir una simulación interna de un entorno, aprendiendo cómo se comportan los objetos, los agentes y el espacio para poder predecir qué sucede después de una acción determinada. Es la tecnología detrás de herramientas como Genie 3 de Google DeepMind y Marble de World Labs.

¿En qué se diferencia un modelo de mundo de un gran modelo de lenguaje?

Un gran modelo de lenguaje predice la siguiente palabra en un texto. Un modelo de mundo predice el siguiente estado de un entorno, visual, espacial o físico, a partir del estado actual y una acción. Los LLM razonan sobre el lenguaje; los modelos de mundo razonan sobre el espacio y el tiempo.

¿Es Sora un modelo de mundo?

Sora y herramientas similares de texto a video comparten algunas técnicas subyacentes con los modelos de mundo, ya que ambos aprenden a predecir fotogramas futuros coherentes. La distinción que trazan la mayoría de los investigadores es la interactividad: un modelo de mundo responde a las acciones continuas del usuario en algo cercano al tiempo real, mientras que un generador de video estándar produce un clip fijo a partir de un solo prompt.

¿Por qué Google, Nvidia y Runway están invirtiendo todos en modelos de mundo en este momento?

Cada una apunta a una aplicación diferente. Google DeepMind está construyendo mundos interactivos de propósito general con Genie 3. La plataforma Cosmos de Nvidia se dirige a datos de entrenamiento sintéticos para robots y vehículos autónomos. Runway está extendiendo su negocio de generación de video hacia entornos simulados persistentes y controlables. Las tres ven a los modelos de mundo como la próxima gran capa de capacidad después de la generación de lenguaje e imágenes.

¿Para qué se utilizan los modelos de mundo en la robótica?

Los modelos de mundo generan grandes volúmenes de escenarios de entrenamiento realistas y físicamente plausibles en simulación, lo que permite a los ingenieros entrenar y probar el comportamiento de los robots sin el costo, el tiempo y el riesgo de miles de intentos de prueba y error en el mundo real. La plataforma Cosmos de Nvidia está construida específicamente en torno a este caso de uso.

¿Durante cuánto tiempo puede un modelo de mundo mantener un entorno coherente?

A partir de 2026, los modelos líderes como Genie 3 mantienen un mundo coherente y navegable durante unos minutos a la vez, no horas. Extender esa ventana de coherencia es uno de los principales desafíos técnicos abiertos en este campo.

¿Están los modelos de mundo relacionados con la AGI?

Algunos investigadores, incluida Fei-Fei Li, argumentan que la comprensión espacial y física fundamentada es una pieza faltante en el camino hacia una IA más general, ya que el lenguaje por sí solo no le enseña a un modelo cómo se comporta realmente el mundo físico. Los modelos de mundo son una de las apuestas más concretas de la industria para cerrar esa brecha, aunque siguen siendo un paso incipiente y no comprobado hacia ese objetivo, y no una respuesta definitiva.

¿Qué es Marble de World Labs?

Marble es el modelo de mundo de World Labs, fundada por Fei-Fei Li, que convierte prompts de texto, fotos, clips de video o diseños 3D toscos en entornos 3D persistentes, editables y navegables, dirigido a industrias como la arquitectura, los videojuegos y el diseño.

¿Debería mi empresa invertir ahora en tecnología de modelos de mundo?

Para la mayoría de las empresas, los modelos de mundo merecen ser monitoreados en lugar de adoptados hoy. Actualmente son relevantes sobre todo para la robótica, los vehículos autónomos y el trabajo de diseño espacial. Para la mayoría de las demás funciones, la tecnología todavía es incipiente: las ventanas de coherencia cortas, los altos costos computacionales y la ausencia de estándares de referencia hacen que sea una categoría para "vigilar de cerca" y no para "construir sobre ella ahora".

Recursos Relacionados

Explore estos conceptos relacionados para profundizar su comprensión de los modelos de mundo:

Grandes Modelos de Lenguaje (LLM) - En qué se diferencia la IA basada en texto de los modelos de mundo
Agentes de IA - Cómo podrían los sistemas agénticos usar los modelos de mundo para planificar con anticipación
IA Multimodal - IA que procesa múltiples tipos de datos, una base sobre la que se construyen muchos modelos de mundo
Modelos de Difusión - La técnica de generación de imágenes y video que sustenta muchas arquitecturas de modelos de mundo
Aprendizaje por Refuerzo - Cómo aprenden los agentes a partir de entornos simulados, estrechamente vinculado al entrenamiento de modelos de mundo
IA Generativa - La categoría más amplia de IA que crea contenido nuevo, incluyendo mundos simulados
Arquitectura Transformer - La columna vertebral técnica detrás de modelos como Genie 3
Modelos Fundacionales - Los grandes modelos de propósito general sobre los que se construyen tanto los modelos de mundo como los LLM
Visión por Computadora - Cómo interpreta la IA los datos visuales con los que se entrenan los modelos de mundo

Recursos Externos

Google DeepMind - Genie 3: A New Frontier for World Models - Anuncio oficial y detalles técnicos
Nvidia Newsroom - Nvidia Launches Cosmos 3 - El modelo de mundo fundacional de Nvidia para la IA física
TechCrunch - World Labs Lands $200M From Autodesk - Financiamiento de World Labs y detalles del producto Marble
Stanford HAI - 2026 AI Index Report, Economy Chapter - Datos de inversión en IA generativa citados anteriormente

Parte de la Colección de Términos de IA. Última actualización: 2026-07-16

About the author

Victor Hoang

Co-Founder, Rework.com

Victor Hoang is Co-Founder and CMO of Rework. He spent 12+ years scaling B2B SaaS growth, building a lead engine that generated over 1 million leads and $10M+ in annual recurring revenue. Today he builds AI agents and MCP servers into Rework's products to empower customers across growth and operations. He writes about what actually works.

View full profile LinkedIn