Este nuevo modelo de IA piensa en imágenes, no solo en palabras

Durante casi una década, los investigadores de IA se han obsesionado con un tipo de inteligencia artificial: los modelos de lenguaje grande (LLM), que entrenan para escribir, hablar y razonar usando palabras. La industria tecnológica apuesta fuertemente a que hacer que estos modelos sean más grandes e inteligentes es el camino hacia la superinteligencia.

Pero en 2026, algunos investigadores de IA de gran renombre dudan de que este enfoque centrado en las palabras sea la solución completa. Entre ellos se encuentra Andrew Dai, un veterano investigador de IA que dejó Google DeepMind para crear modelos diseñados desde cero para comprender, razonar y generar imágenes. Su startup, Elorian AI, salió del anonimato en abril.

Dai cree que la imagen visual es tan fundamental para modelar la inteligencia como el lenguaje —si no más— y que los modelos de lenguaje de vanguardia han llegado a un límite porque aún no pueden razonar eficazmente sobre el mundo físico, además de ser “increíblemente inestables”, como él mismo lo describe. Un modelo que no puede contar tazas sobre una mesa ni juzgar relaciones espaciales carece de inteligencia general, por muy bien que escriba o programe, afirma Dai.

Elorian, empresa que Dai cofundó con Yinfei Yang, antiguo investigador de aprendizaje automático de Apple, está desarrollando modelos que dan la misma importancia a los datos visuales que a los tokens lingüísticos dentro de su arquitectura. “Apostamos por estas representaciones visuales para problemas espaciales, navegación y mucho más”, explica.

Cuando los modelos de lenguaje multimodales recientes, como Gemini de Google, procesan imágenes, lo que hacen en realidad es crear una descripción detallada de una imagen mediante palabras, que organizan en un enorme mapa interno de palabras según sus significados. A continuación, razonan sobre las palabras para hacer observaciones, juicios e incluso sugerencias sobre la imagen.

Por ejemplo, si se le muestra el esquema del diseño de un motor de motocicleta, un modelo de lenguaje multimodal podría observar que, al calentarse el motor, la cabeza del pistón, de aleación de aluminio, puede expandirse, lo que podría disminuir la holgura entre esta y la pared del cilindro.

En cambio, Elorian está desarrollando modelos de razonamiento visual que “pensarán” directamente sobre las imágenes. En lugar de crear un mapa de palabras, formarán un mapa interno tridimensional detallado de una imagen, de la misma manera que los humanos imaginamos las cosas. Gracias a su comprensión de la física, el modelo puede realizar observaciones mucho más detalladas y precisas.

En el ejemplo del motor de motocicleta, el modelo podría mostrar cómo las dimensiones de la cabeza del pistón y la pared del cilindro, así como la holgura entre ambas, cambiarían con el tiempo a medida que el motor acelera. Luego, podría sugerir cambios en el diseño para que el motor sea más duradero a altas revoluciones. Los modelos de Elorian razonan y simulan, mientras que un LLM solo puede describir y referenciar.

Por lo tanto, los modelos de razonamiento visual de Elorian podrían encontrar aplicaciones naturales en industrias que requieren una profunda comprensión física de las imágenes. Elorian apunta a lo que Dai denomina la economía física, un sector de 80 billones de dólares que incluye la comprensión de video y la ingeniería mecánica. En este último caso, Dai afirmó que los ingenieros actualmente dedican cientos de horas a dibujar manualmente componentes en software CAD. Los modelos de Elorian pueden ejecutar lo que Dai denomina un ciclo de edición, simulación y corrección: generan un diseño, lo prueban mediante una simulación física, identifican fallos de diseño y, finalmente, lo revisan automáticamente.

Dai trabajó 14 años en Google Brain y DeepMind. Allí fue coautor de una investigación que sentó las bases técnicas para los modelos de la serie GPT y dirigió el trabajo de datos en Gemini. Dejó la empresa con un equipo de investigadores para fundar Elorian, con sede en Palo Alto. Dai afirma que una de las razones por las que dejó Google fue que la compañía ahora concentra sus recursos computacionales en unas pocas áreas específicas, como la generación de código, y destina menos recursos a la investigación sobre razonamiento visual.

Los modelos especializados de Elorian ya superan a Gemini 3 Pro en ciertas pruebas de rendimiento de razonamiento visual, según Dai, aunque prefirió no revelarlas, alegando que divulgarlas permitiría a la competencia optimizar sus modelos en función de ellas. (Gemini sigue siendo fundamentalmente un modelo transformador que proyecta la visión en un espacio latente compartido, pero DeepMind también está invirtiendo en investigación sobre modelos que razonan sobre imágenes visuales en sí mismas, en lugar de palabras).

Elorian ha recaudado 55 millones de dólares (mdd) en financiación inicial con una valoración de 300 mdd. Entre los inversionistas se encuentran Nvidia y Menlo Ventures, así como el antiguo jefe de Dai, el legendario científico jefe de Google, Jeff Dean. PitchBook también incluye a 49 Palms Ventures, 500 Global y Altimeter Capital Management, entre otros, como inversionistas.

La valoración inicial de 300 mdd de Elorian es modesta en comparación con otras startups que desarrollan IA para el mundo físico. Physical Intelligence, una empresa de modelos de robótica fundada en 2024 por el exinvestigador de Google DeepMind, Karol Hausman, y el profesor de Stanford, Sergey Levine, fue valorada en 5,600 mdd en una ronda de financiación de 600 mdd en noviembre.

World Labs, una startup de inteligencia espacial fundada por la profesora de Stanford e investigadora de IA Fei-Fei Li, trabaja en un problema relacionado: sistemas de IA que razonan sobre el espacio tridimensional en lugar de imágenes 2D. El producto de la compañía, Marble, genera entornos 3D navegables a partir de texto, imágenes o video. World Labs recaudó 1,000 mdd en una ronda de financiación en febrero liderada por Autodesk junto con Nvidia, AMD y Andreessen Horowitz.

Moonvalley, adquirida por Reka este año, creó el modelo de video con licencia Marey y posteriormente se dedicó a los modelos de mundo. Reka afirmó que el equipo combinado desarrollará una IA capaz de simular el movimiento y la física para ayudar a los robots a razonar sobre las consecuencias de sus acciones.

Sin embargo, la empresa de Dai es joven y aún está desarrollando sus modelos y adaptándolos a sus primeros mercados objetivo. Elorian planea lanzar una interfaz de programación de aplicaciones (API) general para finales de año, que permitirá a los desarrolladores crear aplicaciones basadas en sus modelos de razonamiento visual.