Entender el mundo exige mirarlo.

CAMBIÓ LA PREGUNTA

A comienzos de los años 2000, la visión computacional disponía de colecciones valiosas y problemas bien delimitados, pero sus conjuntos de datos eran pequeños frente a la variedad de aquello que pretendían representar. Una bicicleta fotografiada de costado, bajo buena luz, podía parecerse muy poco a otra vista desde arriba, parcialmente oculta o perdida entre el tránsito. El objeto seguía siendo el mismo; la información visual disponible, en cambio, podía cambiar casi por completo.

Li comprendió que esa diversidad no se resolvía únicamente refinando algoritmos. Hacía falta exponerlos a muchas más situaciones. ImageNet adoptó los conjuntos de sinónimos, o synsets, de WordNet como punto de partida para organizar categorías visuales. El artículo presentado en CVPR en 2009 describía 3,2 millones de imágenes distribuidas en 5.247 categorías. Con el crecimiento posterior, el proyecto llegó a superar los catorce millones de imágenes y las veintiún mil categorías. La dimensión de aquellas cifras importa, aunque por sí sola no explica la apuesta.

También hubo que inventar una manera de trabajar. Los buscadores proporcionaban imágenes candidatas y personas contratadas mediante Amazon Mechanical Turk verificaban su correspondencia con las categorías propuestas. El equipo diseñaba controles de calidad e intentaba asegurar cierta variedad dentro de cada conjunto. Reunir datos pasó a exigir decisiones metodológicas, infraestructura y una organización del trabajo que merecían tanta atención como el algoritmo que después usaría esas imágenes.

La base funcionó además como referencia compartida. Investigadores con métodos distintos podían trabajar sobre problemas comparables y medir resultados bajo criterios comunes. El ImageNet Large Scale Visual Recognition Challenge convirtió esa posibilidad en una competencia científica especialmente influyente. En 2012, AlexNet redujo de manera drástica el error de clasificación y aceleró la adopción del aprendizaje profundo en visión computacional. Aquel resultado se recuerda como una irrupción; había sido preparado, en parte, por varios años de trabajo acumulado en el conjunto de datos.

Detrás de un resultado que parece repentino suele haber meses de ordenar información, establecer convenciones y descubrir qué conviene medir. En programación lo veo seguido: la solución aparece de golpe cuando alguien ya hizo ese trabajo invisible. Tengo cierta debilidad por las tareas que casi nunca salen en la fotografía del triunfo. ImageNet recuerda que a veces una revolución empieza con gente clasificando archivos, y que esa gente también está haciendo ciencia.

IMPLICA CLASIFICAR

El éxito de ImageNet dejó al descubierto una incomodidad que estaba presente desde su origen. Una colección de imágenes organizada por categorías presupone que sabemos cuáles son esas categorías, dónde terminan y qué diferencias vale la pena conservar. WordNet ofrecía una estructura útil, desarrollada previamente, pero traía consigo decisiones lingüísticas e históricas. Clasificar una taza o una bicicleta suele resultar manejable; aplicar la misma lógica a personas y grupos humanos plantea problemas de otro orden.

En 2019, el equipo de ImageNet publicó una revisión del llamado person subtree, la parte de la jerarquía dedicada a personas. Allí aparecían categorías heredadas con asociaciones ofensivas o inadecuadas y problemas de representación dentro de las fotografías. La respuesta incluyó eliminar categorías, revisar imágenes y documentar las dificultades. Esa corrección afectaba el modo en que una infraestructura científica había organizado una zona particularmente sensible del mundo; era más que un ajuste de limpieza.

Los conjuntos de datos suelen presentarse como si hubieran sido recogidos de una realidad disponible, lista para entrar en una computadora. En realidad, entre la imagen y el modelo ocurren muchas operaciones. Alguien decide qué buscar, a qué colección pertenece una fotografía, cuándo una etiqueta resulta dudosa y qué hacer con los casos que no encajan. La distribución de ejemplos también interviene: un objeto o una situación representados de manera estrecha pueden convertirse en una idea estrecha de ese objeto o esa situación dentro del sistema.

Por eso la curaduría forma parte del diseño y continúa actuando después del entrenamiento. El problema se extiende hoy a corpus de texto y colecciones de audio, video o comportamiento: importa su procedencia, pero también qué cubren, qué omiten, bajo qué licencias circulan y qué supuestos quedan escondidos en sus etiquetas. ImageNet ayudó a mostrar lo que podía ganarse ampliando la escala y, con el tiempo, obligó a mirar más de cerca las decisiones que esa escala multiplicaba.

Una estructura de datos impecable desde el punto de vista técnico puede responder a una pregunta mal formulada. Lo he visto en archivos de imágenes donde la carpeta en que alguien guardó una foto termina decidiendo qué es esa foto. La corrección del person subtree me interesa por eso: reconoce que el modelo puede necesitar cambios aunque el programa funcione. Y que clasificar personas exige una modestia distinta de la que alcanza para clasificar objetos.

TERMINÓ ENTRANDO AL HOSPITAL

Reconocer objetos en una fotografía es una tarea bien definida. Llevar esa capacidad a un espacio donde hay personas trabajando, enfermos que necesitan cuidados y decisiones que tienen consecuencias clínicas cambia bastante las cosas. Fei-Fei Li dedicó parte de su investigación a la llamada inteligencia ambiental, que utiliza sensores y modelos para interpretar actividades dentro de entornos físicos.

En un hospital suceden continuamente acciones relevantes que no siempre quedan registradas: un profesional se lava las manos, alguien cambia la posición de un paciente, se produce una caída o se desarrolla una rutina de cuidado alrededor de una cama. La observación automatizada podría ayudar a reconocer patrones, advertir situaciones y aliviar tareas de documentación. En 2020, Li publicó junto con Albert Haque y Arnold Milstein una revisión en Nature sobre las posibilidades de esa tecnología en hospitales y hogares, con especial atención a seguridad, eficiencia y cuidado.

El hospital introduce, eso sí, una clase de exigencia que una competencia de clasificación apenas puede anticipar. En un benchmark, equivocarse modifica una estadística. En una sala de internación, lo que el sistema interpreta puede influir sobre la conducta de profesionales, la intimidad de un paciente o la confianza entre quienes comparten ese espacio. Incluso una observación acertada necesita contexto para convertirse en una decisión útil. Detectar un movimiento describe qué ocurrió; comprender exige reconstruir por qué y decidir qué hacer después.

Los trabajos sobre inteligencia ambiental incorporan por eso cuestiones de consentimiento, privacidad, sesgos, transparencia, gestión de los datos y validación clínica. Que una cámara vea algo que una persona podría pasar por alto abre la discusión sobre quién tiene acceso al registro, cuánto tiempo se conserva, cómo se controla el uso de la información y qué responsabilidad le corresponde a la institución que instala el sistema. Una mejora posible en el cuidado puede traer consigo una vigilancia difícil de justificar si no se establecen límites.

Mi entusiasmo por la tecnología se vuelve más prudente en este punto. Puedo imaginar situaciones en las que un sistema así evitaría daños reales, y sería necio desconocerlo. También me cuesta aceptar que un hospital, precisamente porque concentra vulnerabilidad, se convierta sin demasiada discusión en un espacio de observación permanente. La pregunta que me queda es quién puede decidir cuándo corresponde mirar y quién tiene derecho a pedir que se deje de hacerlo, ahora que las cámaras aprendieron a reconocer la escena.

NECESITA MÁS VOCES

Mientras dirigía el Stanford AI Lab, Li empezó a intervenir en otro aspecto de la disciplina: la composición de la comunidad que investiga y construye sistemas de inteligencia artificial. En 2015 impulsó junto con Olga Russakovsky y Rick Sommer SAILORS, un programa de verano orientado inicialmente a estudiantes mujeres de secundaria. La iniciativa evolucionaría hacia AI4ALL, que amplió su alcance mediante programas y alianzas dirigidos a jóvenes de grupos históricamente subrepresentados, entre ellos estudiantes negros, latinos, indígenas y con dificultades económicas.

La iniciativa puede leerse como una política de acceso a oportunidades educativas, pero su argumento es también intelectual. Un campo de investigación decide qué problemas le parecen interesantes, cuáles merecen financiamiento, qué casos utiliza como ejemplo y cómo evalúa un resultado. Esas decisiones están condicionadas por las experiencias y los intereses de quienes ocupan los laboratorios. Si una comunidad se parece demasiado a sí misma, puede pasar años perfeccionando respuestas para preguntas que nunca discutió.

Li vincula así la diversidad con la construcción misma del conocimiento. Personas con trayectorias diferentes pueden advertir necesidades que otros equipos apenas habían considerado. Esa ampliación de perspectivas adquiere más importancia a medida que la IA interviene en salud, educación, empleo, justicia, crédito o producción cultural. Las comunidades afectadas por sus resultados no deberían aparecer recién cuando el sistema ya está construido y la única posibilidad que se les ofrece es aceptarlo o quejarse.

AI4ALL interviene antes, en la formación y en la posibilidad concreta de entrar a los espacios donde se toman decisiones. Naturalmente, un programa educativo abre oportunidades, crea vínculos y modifica algunas condiciones de acceso; las desigualdades institucionales más profundas dependen también de quién contrate, financie, escuche y permita investigar asuntos que no siempre coinciden con las prioridades dominantes.

La palabra diversidad corre el riesgo de quedar reducida a una consigna cómoda. En el trabajo técnico, una mirada que viene de afuera puede resultar incómoda: cuestiona un requisito aceptado, encuentra un caso omitido o pregunta para quién estamos resolviendo el problema. Cuando eso sucede, la inclusión deja de ser una fotografía de grupo. A veces mejora el conocimiento precisamente porque complica una reunión que ya parecía resuelta, y esa es la parte que me importa.

EN EL CENTRO

En 2019, Fei-Fei Li y John Etchemendy impulsaron en Stanford el Institute for Human-Centered Artificial Intelligence, conocido como HAI. El nombre expresaba una orientación: la investigación en inteligencia artificial debía ocuparse de las capacidades técnicas y de sus consecuencias para las personas, las instituciones y la vida pública. Para eso hacía falta reunir disciplinas que rara vez compartían una misma mesa de trabajo: informática y medicina, pero también derecho, economía, educación, humanidades y ciencias sociales.

La expresión human-centered puede sonar demasiado amplia. Después de todo, pocas instituciones tecnológicas se declararían abiertamente contrarias al bienestar humano. Su contenido aparece cuando la intención se convierte en una exigencia de investigación. Un sistema puede alcanzar excelentes resultados en una prueba y producir efectos sociales indeseables; una herramienta puede facilitar una tarea y reducir la autonomía de quien la realiza; el acceso a una capacidad puede ampliarse mientras la infraestructura necesaria para ofrecerla queda concentrada en unas pocas manos. Medir rendimiento sigue siendo indispensable, aunque deja sin responder preguntas que también forman parte del diseño.

HAI otorgó por eso un lugar relevante a la política pública, la evaluación y los marcos de gobernanza. La universidad podía formar investigadores y producir evidencia para gobiernos, discutir seguridad y privacidad, estudiar competencia y proponer condiciones de acceso al cómputo. Ninguna de esas tareas reemplaza la decisión democrática, pero puede aportar conocimiento donde abundan las promesas de empresas y los temores expresados con la misma seguridad.

En mayo de 2026, Stanford reorganizó HAI y su iniciativa de ciencia de datos dentro de un instituto único. Li pasó a ocupar una función universitaria más amplia como asesora especial en inteligencia artificial y copresidenta de un consejo asesor. El cambio institucional acompañaba la transformación del área: lo que alguna vez había sido una especialidad de laboratorio empezaba a atravesar disciplinas, presupuestos y decisiones de toda la universidad.

Veo cierta continuidad entre este trabajo y ImageNet, aunque conviene no exagerarla. Allí Li había contribuido a crear una infraestructura de datos para permitir que otros investigaran. En este caso el desafío incluye construir espacios capaces de discutir los usos de aquello que la investigación vuelve posible. Me interesa que una figura ligada a un avance técnico tan importante vuelva sobre instituciones y criterios de evaluación. También me obliga a desconfiar de una tentación propia de quienes programamos: creer que, porque conseguimos que algo funcione, ya terminamos de definir el problema.

A LA ESCENA

Una taza puede estar sobre una mesa y un automóvil detenido frente a una intersección. Reconocer la taza o el automóvil sirve de poco si lo que necesitamos saber es qué pasará cuando alguien mueva la mesa o cuando el vehículo empiece a avanzar. Hay relaciones espaciales, trayectorias y consecuencias que no quedan contenidas en la identificación de cada objeto por separado.

Fei-Fei Li lleva años trabajando sobre esa diferencia. En su charla TED de 2024 describió la inteligencia espacial como una capacidad para percibir, razonar y actuar en el espacio. Supone incorporar profundidad, geometría y permanencia de los objetos, pero también alguna comprensión de cómo las acciones modifican una escena. Un robot que se mueve entre personas necesita algo más que una lista de cosas reconocidas. Lo mismo ocurre con sistemas que intentan simular infraestructura, explorar respuestas ante emergencias o crear entornos virtuales transitables.

En 2024, Li fundó World Labs junto con Justin Johnson, Ben Mildenhall y Christoph Lassner. La empresa se concentró en los llamados world models, modelos de mundo capaces de producir representaciones espaciales coherentes. Su producto público Marble permite generar entornos tridimensionales persistentes y navegables a partir de imágenes, video, texto o estructuras 3D. Es un tipo de resultado distinto del que ofrece un clasificador visual: el sistema debe mantener relaciones entre elementos mientras cambia el punto de vista o se recorre el espacio.

La expresión modelo de mundo merece cautela. Una representación puede reproducir geometrías de manera convincente sin capturar todo lo que hace significativo a un lugar. Una habitación no es únicamente el volumen que ocupan sus muebles; hay usos, hábitos, personas y reglas que pueden resultar decisivos según la tarea. Esa distancia entre construir una escena y comprenderla se vuelve importante cuando las simulaciones empiezan a utilizarse para anticipar consecuencias.

En julio de 2026, Li participó en un informe de Stanford HAI sobre modelos de mundo e inteligencia espacial que examinaba posibilidades en planificación, respuesta a crisis, simulación y entrenamiento de agentes físicos. El documento también advertía acerca de la falta de criterios y pruebas adecuados para evaluar usos críticos. La ambición de representar espacios completos estaba alcanzando una velocidad mayor que algunas de las herramientas disponibles para juzgar si esas representaciones eran confiables.

Vuelve una duda que conozco de la construcción de software. Una simulación muy detallada puede dar una impresión de completitud que no merece. Cuanto más convincente es la interfaz, más fácil resulta olvidar que siempre hay reglas, excepciones y comportamientos ausentes. Me fascina poder recorrer un espacio producido por una máquina; me interesa todavía más saber qué ocurriría si intentáramos utilizar ese espacio para tomar una decisión que afecta a alguien. La diferencia entre lo verosímil y lo fiable no siempre se ve a simple vista.

AL MUNDO FÍSICO

Cuando la inteligencia artificial trabaja con lenguaje o imágenes, muchos de sus errores permanecen dentro de una pantalla, aunque puedan causar daños fuera de ella. En cambio, un agente que controla un dispositivo, orienta un robot o interviene en una operación física introduce otra clase de consecuencias. Puede desplazar un objeto, cambiar una trayectoria o recomendar una acción que alguien ejecutará sobre un entorno real. La percepción empieza a relacionarse directamente con el movimiento y la responsabilidad se vuelve menos abstracta.

Los modelos de mundo ofrecen una promesa importante para ese pasaje: ensayar situaciones mediante simulación antes de enfrentar a un sistema con el entorno donde deberá actuar. Sin embargo, la utilidad de ese aprendizaje depende de lo que la simulación represente y de sus omisiones. Importa la física de los objetos, la diversidad de escenarios y la presencia de comportamientos humanos inesperados. Un agente puede desempeñarse admirablemente dentro de un mundo construido para entrenarlo y fallar cuando aparece algo que allí nunca tuvo lugar.

El informe de Stanford de 2026 puso estas dificultades en el terreno de la gobernanza. Propuso prestar atención a medición, estándares y evaluación antes de extender el uso de modelos espaciales a ámbitos sensibles. Tiene sentido: un resultado convincente en una demostración creativa no constituye, por sí mismo, evidencia suficiente para confiarle una tarea física o una decisión crítica.

Al mismo tiempo, la investigación dejó de moverse solamente entre laboratorios académicos y pequeñas empresas. World Labs consiguió financiamiento y desarrolló productos orientados a mundos tridimensionales. En septiembre de 2026 anunció un acuerdo para integrarse a AMD. Según ese anuncio, una vez completada la operación Li asumiría como vicepresidenta ejecutiva y Chief Scientist de la compañía, mientras World Labs continuaría como organización de investigación dentro de su ecosistema. El carácter condicionado de ese paso importa: se trataba de una integración anunciada, no de una operación que el ensayo necesite presentar como consumada.

La cercanía entre hardware, capital y modelos espaciales tiene una lógica industrial evidente. Entrenar y ejecutar estos sistemas demanda recursos, y contar con infraestructura puede acelerar la experimentación. A la vez, esa asociación instala nuevas dependencias y traslada preguntas sobre acceso, prioridades y control al interior de una gran empresa tecnológica. La investigadora que ayudó a demostrar el poder de la escala vuelve a encontrarse con ella, ahora bajo condiciones económicas muy distintas de las que rodearon al comienzo de ImageNet.

En este tramo me cuesta adoptar el entusiasmo de una demostración tecnológica sin mirar lo que viene detrás. Entiendo el atractivo de una IA que pueda moverse por el mundo y ayudar a realizar tareas difíciles. Cuando un modelo pasa de sugerir a intervenir, en cambio, quiero saber quién probó sus límites, quién responde por un error y quién puede detenerlo. Me parece significativo que estas preguntas lleguen junto con los acuerdos industriales, y no cuando todo ya esté instalado. El mundo físico suele ser bastante menos indulgente que una pantalla de pruebas.

Hay una tensión que atraviesa la trayectoria de Fei-Fei Li y que no conviene resolver con el elogio fácil a una científica influyente. ImageNet ayudó a demostrar cuánto podía cambiar una disciplina cuando disponía de datos a gran escala. Ese avance contribuyó al prestigio de una forma de investigación para la cual acumular ejemplos, aumentar el cómputo y comparar rendimientos se volvió fundamental. Li, al mismo tiempo, ha defendido una inteligencia artificial atenta a las personas, la diversidad, los usos institucionales y los daños posibles. Ambas posiciones pueden convivir, aunque su convivencia exige algo más que una declaración de principios.

La escala siempre necesita una organización material. Detrás de ImageNet hubo trabajo humano de clasificación y revisión; detrás de los modelos espaciales hay infraestructura computacional costosa; detrás de una empresa que intenta desarrollarlos aparece capital capaz de financiar años de investigación. Esos recursos permiten hacer cosas que de otro modo serían imposibles, pero también definen quién tiene condiciones reales para participar. ImageNet nació como infraestructura de investigación compartida. El escenario actual de modelos fundacionales tiende a exigir inversiones que pocos actores pueden sostener, con consecuencias sobre acceso, auditoría y autonomía científica.

La integración anunciada de World Labs con AMD vuelve concreta esta cuestión. Puede fortalecer una línea de investigación al acercarla a recursos de hardware y desarrollo industrial, pero también sitúa sus prioridades dentro de una compañía que participa de los mercados beneficiados por la expansión de la IA. La pertenencia empresarial ubica sus ideas dentro de incentivos comerciales y vuelve imposible suponer que la investigación se despliega en un espacio separado de la concentración económica y de las decisiones sobre qué productos vale la pena construir.

La otra tensión viene de más atrás. ImageNet clasificó imágenes con categorías explícitas y hubo que revisar parte de esas categorías cuando mostraron su carga histórica y sus límites. Los modelos de mundo aspiran a representar escenas enteras, con movimientos y relaciones que se sostienen a través del tiempo. La ambición crece y la selección persiste. Un espacio simulado puede capturar luz, profundidad y geometría mientras deja afuera costumbres, conflictos, relaciones sociales o comportamientos excepcionales. La fidelidad visual no garantiza comprensión del contexto, del mismo modo que disponer de millones de imágenes nunca garantizó que sus categorías fueran adecuadas.

Quisiera conservar ambas tensiones porque obligan a leer a Li sin convertirla en emblema. Reconozco la importancia de ImageNet y la seriedad de su esfuerzo por llevar preguntas humanas e institucionales al centro de la disciplina. Al mismo tiempo, cuando una tecnología necesita cantidades enormes de dinero y pretende representar el mundo con creciente detalle, la pregunta por quién organiza esa representación se vuelve inevitable. La precisión o el espectáculo de un modelo dejan abierta la pregunta por quién puede discutir sus supuestos y qué sucede cuando la parte del mundo que quedó afuera golpea la puerta.

Fei-Fei Li empezó por una dificultad que hoy parece casi modesta: enseñar a una computadora a reconocer lo que aparece en una imagen. La respuesta fue construir ImageNet, una base de datos que exigió años de clasificación, coordinación y decisiones sobre cómo ordenar lo visible. Cuando las redes profundas encontraron allí una escala propicia para aprender, buena parte de la historia de la inteligencia artificial tomó otro rumbo.

Después vinieron preguntas que el éxito inicial no podía contestar. ¿Qué ocurre cuando las categorías contienen prejuicios? ¿Qué significa llevar la percepción automática a un hospital? ¿Quiénes tienen la posibilidad de investigar y decidir qué problemas debe resolver una tecnología? Li trabajó sobre esos frentes mediante investigación, programas educativos e instituciones dedicadas a pensar la IA en relación con sus consecuencias humanas.

La inteligencia espacial vuelve a ensanchar el problema. Los modelos de mundo intentan pasar de reconocer objetos a conservar escenas, relacionar posiciones y anticipar qué podría suceder al actuar sobre ellas. La promesa alcanza a la robótica, la planificación, la creación de entornos digitales y la respuesta ante emergencias. Cambia además el tipo de error que habrá que aprender a reconocer. Un modelo de mundo puede estar equivocado de una manera más persuasiva que un clasificador: ofrecer una escena coherente, convincente, y dejar sin representar justo aquello que importaba para una decisión.

Hay algo que permanece desde los primeros años de ImageNet. Las máquinas no reciben el mundo entero. Trabajan con recortes, ejemplos, categorías, modelos y pruebas elaborados por personas e instituciones. Cuanto mayor es su capacidad de producir representaciones, más importante se vuelve discutir esa selección inicial y las condiciones en que se la corrige.

El título de esta historia conserva su sentido: entender el mundo exige mirarlo. Lo que queda abierto es quién prepara esa mirada y cómo se hace lugar, dentro de ella, a lo que todavía no sabemos representar. Li ayudó a convertir imágenes en conocimiento operativo y ahora participa de una investigación que quiere darles continuidad espacial. La distancia entre un mundo simulado y uno habitado sigue ahí, incluso cuando resulta cada vez más difícil distinguirlos a primera vista.