Segun MarkTechPost (AI/ML News), una nueva arquitectura de inteligencia artificial, desarrollada por Induction Labs, desafía el paradigma tradicional de cómo las máquinas aprenden a interpretar video. En lugar de asociar cada cuadro de imagen con una acción específica, como un clic de ratón, este modelo se basa en la predicción de futuras secuencias. La tecnología, llamada "imagination model", se entrena exclusivamente sobre video sin marcar acciones, utilizando una representación abstraída de los datos. Su sistema principal, Photon-1, se construyó sobre 18 años de contenido de demostraciones de computadoras, y se basa en una red de transformadores con 106 billones de parámetros, distribuidos en una estructura de expertos dispersos (MoE).
Photon-1 no genera imágenes durante su entrenamiento. En su lugar, cada cuadro es comprimido mediante una codificación de escalamiento finito (FSQ), donde cada frame se traduce a 960 tokens, cada uno representado por un vector de 8 dimensiones. Cada dimensión toma uno de cinco valores: -1, -0.5, 0, 0.5 o 1. Esto genera un conjunto de códigos posibles de 5⁸, permitiendo una representación eficiente. El tamaño resultante por cuadro es de aproximadamente 2.2 kilobytes. Este nivel de compresión supera en más de 100 veces las soluciones existentes en reconocimiento de texto y modelos multimodales, manteniendo intactos elementos como el diseño de interfaces y cambios de estado.
La clave de su eficacia radica en que el modelo aprende a predecir cómo debería ser el siguiente cuadro, sin conocer previamente las acciones humanas que generaron el video anterior. Esto permite que el sistema desarrolle una comprensión implícita del comportamiento humano, sin necesidad de etiquetas de acción. En pruebas internas, Photon-1 supera al modelo Gemini 3.1 Flash-Lite en rendimiento en tareas de uso diario, mientras consume una fracción de la potencia computacional requerida y cuesta casi tres veces menos en operaciones de servicio.
El sistema también emplea un codificador latente diferencial, que no almacena el contenido completo de cada cuadro, sino las diferencias entre secuencias consecutivas. Esta técnica reduce el rastro de datos y optimiza el uso de recursos. Los datos de entrenamiento provienen de una base interna de 2 mil millones de entradas, formando una colección extensa y variada de interacciones entre usuarios y sistemas.
Para el lector peruano, este avance ilustra cómo la IA puede operar con menos dependencia de datos etiquetados, lo cual es especialmente relevante en contextos donde la recolección de datos estructurados es costosa o difícil. En el entorno latinoamericano, donde el acceso a grandes volúmenes de datos etiquetados es limitado, este tipo de modelos puede acelerar el desarrollo de soluciones en sectores como educación, salud o logística, sin necesidad de grandes inversiones en infraestructura de etiquetado. La capacidad de entrenar con video sin intervenciones humanas puntuales abre puertas a aplicaciones más escalables y adaptables a entornos locales.