Encuesta sobre Modelos de Acción de Mundo en IA | Análisis exhaustivo de world models para agentes autónomos | Cómo los agentes predicen el futuro de su entorno para actuar mejor

Abstract

PROBLEMA: La fragmentación en la investigación sobre modelos de mundo (World Models) y modelos de acción dificulta la creación de sistemas que entiendan verdaderamente las consecuencias de sus acciones en entornos dinámicos. SOLUCIÓN: Este estudio integral (survey) unifica los conceptos bajo el término 'World Action Models' (WAMs), analizando cómo la integración de la predicción espacial y temporal mejora la toma de decisiones. METODOLOGÍA: Los autores revisan arquitecturas desde GAIA-1 hasta modelos recientes de 2026, categorizando técnicas de aprendizaje autosupervisado y representaciones de estado latente. RESULTADOS: Identifican una tendencia hacia modelos que no solo predicen píxeles, sino dinámicas físicas y semánticas, cruciales para la seguridad en conducción autónoma y robótica. RELEVANCIA: Proporciona una hoja de ruta crítica para investigadores que buscan desarrollar agentes con razonamiento espacial y predictivo avanzado.