En el ámbito académico y en la industria existen dos perspectivas divergentes sobre la próxima generación de IA.
Una postura sostiene que los modelos de lenguaje seguirán siendo el núcleo de la IA futura. Diversas modalidades —como imágenes, audio y vídeo— pueden convertirse en representaciones unificadas que los modelos sean capaces de procesar, dejando que los modelos de lenguaje se encarguen, en última instancia, de las tareas de comprensión, razonamiento y generación.
La otra postura plantea que, a medida que la IA trasciende los espacios digitales para adentrarse en el mundo físico —en escenarios como la robótica y los modelos del mundo—, la multimodalidad dejará de ser una mera extensión de los modelos de lenguaje para convertirse en una parte intrínseca de los sistemas inteligentes.
Ante estas dos vías, Qiu Xipeng —profesor de la Universidad de Fudan, responsable del proyecto OpenMOSS y científico jefe de Mosi AI— considera que la inteligencia sigue dependiendo del lenguaje; este constituye un canal crucial para la cognición humana y la comprensión del mundo. El verdadero desafío de la multimodalidad reside en alinear eficazmente la información procedente de diversas fuentes con el lenguaje, permitiendo a los modelos no solo reconocer elementos de información aislados, sino también comprender las relaciones existentes entre ellos.
Durante la Conferencia Mundial de Inteligencia Artificial (WAIC) de 2026, Qiu Xipeng compartió sus reflexiones sobre la IA, centrándose en la multimodalidad, la comprensión del mundo real y el paradigma de la IA de próxima generación.
El contexto que la IA necesita comprender va más allá de la ventana de chat.
Qiu Xipeng considera que la cognición humana, así como la descripción y organización del conocimiento sobre el mundo, dependen en gran medida del lenguaje. El lenguaje no es solo una herramienta de comunicación; es un medio vital para que los seres humanos construyan conceptos abstractos y expresen relaciones complejas. Sin embargo, esto no significa que la simple conversión de imágenes, audio y vídeo a lenguaje resuelva el problema. El verdadero desafío de la multimodalidad reside en alinear eficazmente la información procedente de diversas fuentes con el lenguaje, permitiendo a los modelos no solo reconocer elementos de información aislados, sino también comprender las relaciones existentes entre ellos. Identificar qué aparece en una imagen, qué se dice en un clip de audio o qué sucede en un vídeo es tan solo el primer paso para comprender el mundo. Los modelos deben ir más allá para determinar:
¿Por qué ocurrieron estos sucesos?.
¿Qué conexiones existen entre los distintos fragmentos de información?.
¿Qué estado de la realidad conforman en conjunto?.
El valor de la multimodalidad no reside en dotar a los modelos de más canales de entrada, sino en permitirles desarrollar una comprensión más completa del mundo.
En los últimos años, los grandes modelos han ampliado continuamente los límites de la longitud de las ventanas de contexto. Cada vez son más capaces de leer y procesar enormes cantidades de información en una sola pasada, escalando desde unos pocos miles de tokens hasta cientos de miles o incluso millones. Sin embargo, el «contexto» al que se refiere Qiu Xipeng va más allá de la longitud de una secuencia de texto o del tamaño de una ventana de procesamiento; alude a las «situaciones» mucho más complejas que se encuentran en el mundo real.
Por ejemplo, cuando un robot entra en un espacio del mundo real para interactuar con personas, no se encuentra ante un fragmento de texto perfectamente organizado. En su lugar, debe procesar simultáneamente:
- Lo que el interlocutor está expresando.
- El tono de voz empleado.
- El entorno en el que se desarrolla la conversación.
- Las personas y objetos presentes en las cercanías.
- Las relaciones entre los individuos implicados.
- Los acontecimientos pasados.
- Los posibles desarrollos futuros.
La frase «Está bien» puede indicar un intento de consolar a alguien o una forma de ocultar una decepción. Del mismo modo, «Deberías volver ahora» puede tener significados muy distintos según se diga en el trabajo, en un contexto familiar o en una relación íntima. Si bien los seres humanos captan rápidamente estos matices basándose en el tono, las expresiones faciales, el entorno y las relaciones, lograrlo sigue siendo un desafío para los modelos actuales.
Qiu Xipeng señala que los modelos actuales aún carecen de una comprensión suficiente del mundo. Un modelo puede ser capaz de reconocer a una persona, un objeto o una frase, pero no lograr comprender la verdadera intención detrás de las palabras de alguien en una situación concreta, ni captar plenamente cómo el complejo entorno circundante influye en la interacción.
Por tanto, la próxima generación de IA requiere algo más que una memoria de texto ampliada: necesita la capacidad de modelar de forma integral situaciones del mundo real. Los debates sobre el «contexto» deben trascender la longitud de las ventanas de texto y abarcar la comprensión de escenarios complejos propios del mundo real.
Los sistemas multimodales requieren una infraestructura que trascienda el modelo en sí.
La información en situaciones del mundo real es continua, dinámica y sumamente compleja. Los sonidos, las imágenes, los movimientos humanos y los cambios ambientales se producen constantemente, y la información verdaderamente valiosa puede aparecer solo por un instante fugaz. En consecuencia, es poco probable que depender únicamente de un modelo aislado a gran escala permita lograr una comprensión continua del mundo real.
Qiu Xipeng considera que el desarrollo futuro de los modelos multimodales requiere una infraestructura de apoyo capaz de traducir situaciones complejas del mundo real en información que los modelos puedan procesar. Este enfoque guarda paralelismo con la evolución de los modelos de generación de código y los agentes de IA. Los modelos de código han logrado gestionar tareas de desarrollo de software cada vez más complejas no solo porque los modelos en sí han mejorado, sino porque pueden interactuar con repositorios de código, editores, entornos de ejecución, herramientas de prueba y flujos de trabajo.
Del mismo modo, los sistemas multimodales del mundo real requieren una infraestructura de apoyo para traducir escenarios complejos en información que los modelos puedan asimilar y procesar. El profesor Qiu Xipeng establece una analogía con el «entorno de soporte para programación» (*coding harness*) en el desarrollo de software; es probable que la evolución futura de las capacidades multimodales esté impulsada por una combinación de modelos e infraestructura similar a un «entorno de soporte multimodal».
La IA de próxima generación podría diseñarse con la participación de la propia IA.
En opinión del profesor Qiu, predecir el futuro de la tecnología es una tarea increíblemente difícil.
Al analizar los últimos años, observamos que muchos cambios tecnológicos que hoy parecen naturales no se previeron con exactitud en su momento. Algunas tendencias pudieron haber sido sobrevaloradas, mientras que cambios que finalmente tuvieron un impacto profundo a menudo fueron subestimados durante largos periodos. Los avances tecnológicos no siguen necesariamente caminos predeterminados. A veces, objetivos perseguidos deliberadamente no llegan a materializarse como se esperaba, mientras que tecnologías que inicialmente atrajeron poca atención pueden —tras un periodo de acumulación constante— abrir nuevas oportunidades de crecimiento.
Sin embargo, el profesor Qiu destaca una dirección notable:
«IA para la IA»: nuestra próxima generación de IA bien podría ser diseñada por la propia IA.
A medida que avanzan los modelos de código y los modelos de agentes, el profesor Qiu sugiere que podríamos desarrollar aún más estas capacidades e involucrar a la IA en el diseño de futuros modelos multimodales, explorando si existen arquitecturas de modelos y paradigmas técnicos superiores. Esto no implica que la próxima generación de modelos será desarrollada de forma totalmente autónoma por la IA; más bien, plantea una nueva posibilidad: la IA no solo puede aplicarse a otras tareas, sino que también puede participar gradualmente en la investigación y el diseño de la propia inteligencia artificial.
Los verdaderos cambios de paradigma rara vez ocurren de la noche a la mañana.
El profesor Qiu señala: «En 2023, GPT parecía representar un cambio de paradigma masivo, pero fue el resultado de una evolución gradual e incremental».
Mucho antes de ChatGPT, conceptos como el aprendizaje de secuencia a secuencia, la generación de secuencias y la unificación de tareas de procesamiento del lenguaje natural ya habían sido objeto de una amplia investigación. Los investigadores identificaron primero el potencial de un enfoque técnico específico y, posteriormente, perfeccionaron las arquitecturas de los modelos, los métodos de entrenamiento, las estrategias de datos y los sistemas de ingeniería. Solo cuando las capacidades de los modelos superaron un umbral crítico surgieron realmente nuevas modalidades de interacción y formatos de producto.
Por lo tanto, el futuro de la inteligencia multimodal no requiere necesariamente trastocar el actual ecosistema de modelos a gran escala. Es probable que evolucione de forma incremental —impulsado por las necesidades de uso en el mundo real— basándose en los modelos de lenguaje, de programación y de agentes ya existentes, en lugar de exigir una renovación completa de los sistemas consolidados. Rara vez se diseña un nuevo paradigma de una sola vez; lo más probable es que surja gradualmente mediante el uso continuo, la retroalimentación constante y la iteración a largo plazo.
