Joera teknologiko handiek ez dute izaten jaiotza-data argirik, baina, behinik behin, iragarpen zehatz batek markatu egiten du ideia bat laborategiko promesa izateari uzten dion une hori. Mundu-eredu deritzenen kasuan, une hori 2025eko urtarrila izan zen, NVIDIAk Las Vegasko (AEB) CES azokan (Consumer Electronics Show) Cosmos ereduen familia aurkeztu zuenean. Eredu horiek, baina, ez zeuden testuarekin entrenatuta, baizik eta gidaritza, robotika eta ingurune industrialen hogei milioi bideo-ordurekin. Horien helburua ez zen irudiak sortzea; xedea zen makinari irakastea nolako portaera duen mundu fisikoak—nola erortzen diren objektuak, nola mugitzen diren eskuak, zer gertatzen den eszena baten jarraian—.Horren erantzule nagusiak, Jensen Huangek, apustu hori laburbiltzeko, adierazi zuen «Robotikako ChatGPTaren unea» hurbil zegoela. Urte eta zertxobait gehiago igaro den honetan, bertsio berriak daude eta beste laborategi batzuek ere ekin diote bide horri; mugimendua argia da: arreta publikoak lengoaia-eredu handietan zentratuta jarraitzen duen bitartean, ikerketak ez du jada errealitatea hobeto deskribatzen duen AA bat lortu nahi, baizik eta errealitatearen bilakaera ikasten duen bat.
Deskribatutako mundurik modelatutakora
Lengoaia-eredu handiekiko aldea hobeto ulertzen da kontrastearen bidez. Lengoaia-eredu batek mundua ikasten du deskribatzen den moduan: gizakiok errealitateari buruz eginiko testuen kopuru erraldoiekin entrenatzen da. Mundu-ereduak, aldiz, errealitate horrek nolako portaera duen ikasten du. Datu sentsorialak hartzen ditu hainbat kanaletatik aldi berean —bideoa, sakonera, mugimendua—, eta inguruaren hurrengo egoera aurreikusteko entrenatzen da, eta ez hitzak errepikatzeko. Horiek horrela, dinamikak, erlazio fisikoak eta kausa eta ondorioaren nozioak barneratzen ditu, eta, horrekin, zer gertatuko den aurreikus dezake edo aurretik bizi ez dituen egoeren aurrean moldatu.
Gakoa da zer aurreikusi behar duen. Etorkizuneko irudi baten pixel bakoitza berreraiki ordez, sistema horiek ikasten dute alegiazko espazio abstraktu batean aurreikusten: gertatzen denaren egitura atzitzen dute —nola mugitu eta elkar eragiten duten objektuek— eta azaleko itxura baztertzen dute. Yann LeCunek 2022an formalizatu zuen intuizioa da, JEPA (Joint-Embedding Predictive Architecture) gisa ezagun den arkitekturaren bidez: sistemak inguruaren esperientziatik ikasten du, eta ez deskribapenetik.
Lehenengo probagunea, industria?
Joera horiek espekulazioen eremutik ekoizpen-eremura jaitsi behar dira. Mundu-ereduen lehenengo ondoreak datu jarraituak jada sortzen dituzten sektoreetan hautemango dira —manufaktura eta logistika—, Munduko Ekonomia Foroaren Top 10 Emerging Technologies of 2026 txostenaren arabera. Ez da ezustekoa: fabrikek, flotek eta biltegiek etengabe sortzen dute informazio mota hori —mugimendua, sekuentziak, emaitza fisikoak—, eta sistemek informazio horrekin ikasten dute. Gainera, «jarraian zer gertatzen den» aurreikusteak berehalako balioa du horrelako lekuetan. Cosmosen lehenengo erabiltzaileen zerrendak, robotikako eta ibilgailu autonomoen enpresez beteta dagoenak, agerian jartzen du hori.
EAEko ekonomiak oinarri industrial sendoa du, eta, beraz, xehetasun horrek ikuspegia eraldatzen du. Lengoaia-eredu handiengatiko lasterketa oso esku gutxik duten eta gure abantailengandik bestelakoa den zelai batean jokatzen da —konputazioa eta eskala handiko datuak—; AA fisikoa, aldiz, Euskadik ezagutzen duen zelai batean jokatzen da: fabrikazio aurreratua, makina-erreminta, automatizazioa, logistika. Erronka ez da, beraz, testuaren esparruan lehiatzea, baizik eta, irizpidez, gure lekua hartzea mundu fisikotik ikasten duten sistemetan.
Teknologia industriala eta, aldi berean, iraupen-apustua
Esparru berehalakoenean, mundu-ereduak beste teknologia industrial bat dira egun hazten ari direnen artean: erabilgarria, kotatua, robotikan aplikazio zehatzak dituena, simulaziozkoa edo prozesuak kontrolatzekoa. Baina, mugen “ikerketan” rol handiagoa dute. Gero eta aditu gehiagok uste dute mundua modelatzen ikastea ez dela gaitasun osagarria, baizik eta adimen artifizial orokorrago baten behar-beharrezko osagaia: Google DeepMindeko ikertzaileen duela gutxiko lan baten bidez formalki frogatu da eginkizun konplexu eta kateatuak ebazteko gai den edozein agentek bere ingurunearen eredu prediktibo bat ikasi behar izan duela, eta helburu handinahiagoek eredu zehatzagoak exijitzen dituztela.
Ez da komeni ebidentziak ahalbidetzen duena baino haratago joatea. Apustu irekia da bideak batzuek aurreikusten dituzten helmuga handinahiagoetara eramango gaituela —DeepMind bezalako laborategietan jada etorkizuneko superadimen bati buruzko eztabaida piztu da—, ez ezarritako egitatea. Hala ere, helmuga ziurgabea bada ere, norabideak berebiziko garrantzia du, bai eta inplikazio praktikoa ere egun erabakiak hartzen dituenarentzat. Ekosistema industrial baterako, kontua ez da hainbeste mugarengatiko lasterketan jokatzea, baizik eta ulertzea adimen artifizialaren hurrengo geruza, neurri handi batean, Euskadiko industriak egunero produzitzen duen horrekin entrenatuko dela: prozesuak, mugimendua, mundu fisikoaren portaera. Abantaila ez dago bermatuta, baina joko-zelaia, oraingoan, ezagunagoa da.
