El mundo no es plano
La IA aprendió el mundo con fotografías planas. Un robot que busca un cajón necesita profundidad, y un niño la obtiene de dos ojos y una mano.

Sesenta y tres milímetros. Esa es, más o menos, la distancia entre las pupilas de un adulto. Por esa separación, cada ojo recibe una imagen ligeramente distinta, y el cerebro convierte la diferencia en percepción de la profundidad. Una fotografía se queda con una de las dos imágenes y tira la otra.
La inteligencia artificial aprendió a ver con fotografías. LAION-5B, un conjunto de datos abierto publicado en 2022 para entrenar modelos de imagen, reúne 5.850 millones de imágenes con su descripción, y todas son planas. Desde entonces la industria ha pasado a los modelos del mundo, sistemas pensados para comprender el espacio físico lo bastante bien como para actuar en él, y los alimenta con la misma dieta. Está enseñando a las máquinas un mundo que solo han visto con un ojo cerrado. Luego se pregunta por qué a un robot se le resiste un cajón.
Una cámara es una máquina de sumar. Cada píxel suma la luz que le llega a través de la lente y guarda un brillo. La dirección de la que vino cada rayo se pierde en ese momento, y con ella la geometría de la escena. Un automóvil de juguete pegado a la lente y uno de verdad al otro lado de la calle pueden caer en los mismos píxeles.
Un campo de luz conserva también la dirección. En 1996, Marc Levoy y Pat Hanrahan, de Stanford, lo definieron como «la radiancia en un punto en una dirección dada». Si se registra cuánta luz hay y de dónde viene, la imagen conserva su profundidad.
Llegué a los campos de luz desde la investigación sobre cómo construyen la profundidad dos ojos. Quería imágenes que la conservaran. El mercado de consumo tenía otros planes. Lytro, fundada en 2006, vendía una cámara de campo de luz cuyo truco de feria era reenfocar una foto después de tomarla, y cerró en 2018. La tecnología funcionaba. Tenía el cliente equivocado. Las personas, con dos ojos, no necesitan una cámara que les diga dónde están las cosas. Una máquina, sí.

La percepción de la profundidad necesita una mano
Google DeepMind presentó Genie 3 en agosto de 2025 como un modelo del mundo de uso general y dijo que podía dar a los robots un espacio enorme donde entrenarse. Genera sus mundos a 720p y 24 fotogramas por segundo. Sepa lo que sepa el modelo por dentro, lo que muestra es una imagen plana que se mueve. El vídeo sí contiene un segundo punto de vista cada vez que la cámara se desplaza, pero nadie anotó adónde fue la cámara, así que eso también hay que adivinarlo.
La psicología hizo el experimento decisivo en 1963. Richard Held y Alan Hein metieron diez parejas de gatitos en un carrusel. Un gatito de cada pareja caminaba, y el otro iba en una góndola de la que tiraba el primero, así que los dos veían las mismas paredes a rayas durante las mismas tres horas al día. Los que caminaban aprendieron a colocar las patas guiándose por la vista y eligieron siempre el lado poco profundo de un abismo visual. Los que iban en la góndola vieron exactamente lo mismo que los que caminaban, y les sirvió de poco.
Ver, a la luz de esas pruebas, es algo que hace un animal, y mirar es un pobre sustituto. Un niño recibe gratis el equipo completo: dos puntos de vista y una mano. Los ojos le dicen a la mano adónde ir, y la mano les dice a los ojos si acertaron. Los fabricantes de robots lo saben y atornillan sensores de profundidad a sus máquinas. Pero los modelos que en teoría aportan la comprensión se criaron con imágenes planas.
Profundidad a partir de una imagen
El software puede recuperar con cálculo parte de la dimensión que falta. La estimación de profundidad monocular ha mejorado mucho. Depth Anything V2, publicado en 2024, traza un mapa de profundidad convincente a partir de una sola imagen, y Depth Pro, de Apple, devuelve uno con distancias absolutas en 0,3 segundos. Si a un modelo le bastara con un ojo, el archivo plano no sería ninguna desventaja.

Basta con ver cómo se enseñó a esos modelos. Depth Anything V2 aprendió de 595.000 imágenes sintéticas, generadas a partir de escenas tridimensionales en las que se conoce la profundidad de cada píxel, y después su modelo maestro etiquetó 62 millones de fotografías reales para los modelos alumnos. La tercera dimensión estuvo en la sala todo el tiempo. Alguien tuvo que aportarla.
Lo que el modelo añade por su cuenta es memoria. Una sola imagen es ambigua por pura geometría, así que el modelo rellena el hueco con lo que suelen medir las puertas y las sillas. Eso funciona con cosas que ya conoce y con imágenes hechas para mirarlas. Una fotografía de un pasillo colgada en una pared le manda a un ojo inmóvil la misma imagen que el pasillo. Una persona con un solo ojo resuelve la duda moviendo la cabeza y alargando la mano.
El trabajo de un robot ocurre en los últimos centímetros, donde un tirador sobresale del frente de un cajón y los dedos tienen que cerrarse sobre él. Ahí, una suposición que produce un mapa de profundidad vistoso es una mala guía. Los gatitos de la góndola de Held y Hein vieron cada raya que vieron los que caminaban. En el abismo visual no sabían distinguir el lado profundo del poco profundo.
Rea Stark es diseñador industrial y fundador de empresas en Zúrich. Ha diseñado para Sony y Nespresso, es cofundador de Piëch Automotive y de Archaí Physics, y trabaja en cómo las máquinas perciben y manipulan el mundo físico. Sobre Rea Stark
Las imágenes de este ensayo están generadas con IA.