Tarde o temprano tenía que llegar: científicos del MIT logran que un robot posea «memoria en tiempo real» gracias a la IA

• Naiara Philpotts @NaiiPhilpotts
• Editora formada en la Universidad de Buenos Aires, con posgrado en lectura crítica. Escribo sobre ciencia, tecnología y actualidad. Soy escritora de novelas y gran aficionada a la ciencia ficción.
• • 11/07/2026 11:00
  • Actualizado: 11/07/2026 11:00

Un equipo de investigadores del Instituto Tecnológico de Massachusetts (MIT) ha desarrollado un sistema de inteligencia artificial que dota a los robots de una forma de memoria a largo plazo. La herramienta no solo registra qué observa una máquina, sino también dónde y cuándo lo ve.

El sistema se llama DAAAM («Describe cualquier cosa, en cualquier lugar, en cualquier momento», por sus siglas en inglés Describe Anything, Anywhere, at Any Moment). Fue creado por un equipo dirigido por Luca Carlone y Nicolas Gorlo, junto con Lukas Schmid, de la Universidad Tecnológica de Núremberg.

El trabajo, según recoge la revista especializada StudyFinds, se presentó en la Conferencia sobre Visión por Computadora y Reconocimiento de Patrones y busca resolver un problema de memoria a largo plazo que hasta ahora obligaba a elegir entre dos opciones incompatibles.

¿Cómo funciona la memoria en tiempo real de los robots del MIT?

DAAAM procesa el vídeo que capturan cámaras con sensor de profundidad para construir lo que los investigadores llaman un «grafo de escena 4D». Se trata de una base de datos que se actualiza de forma continua, donde cada objeto observado recibe tres componentes:

1. Una descripción escrita.
2. Una ubicación en tres dimensiones.
3. Una marca temporal.

El sistema identifica los objetos visibles al ritmo de diez fotogramas por segundo de la cámara. Cuando una imagen resulta confusa, agrupa varias de esas escenas y las procesa juntas en lugar de analizarlas una por una. Es la técnica de procesamiento por lotes.

Esa técnica de procesamiento por lotes es la clave del avance. Según el MIT, el método consigue «un aumento de velocidad de aproximadamente diez veces» frente al enfoque estándar, lo que permite trabajar en tiempo real, algo que antes se consideraba imposible.

¿Qué diferencia a este sistema de inteligencia artificial de sus competidores?

Hasta ahora, los métodos existentes enfrentaban un dilema. Generar descripciones ricas y detalladas del entorno tenía un coste alto en rendimiento cuando esas descripciones debían anclarse en un espacio tridimensional. DAAAM combina ambas capacidades sin sacrificar la respuesta inmediata.

Las pruebas mostraron ventajas claras sobre los métodos rivales. El sistema respondió con mayor precisión a preguntas sobre los objetos y localizó su posición con más exactitud. En tareas de navegación, donde el robot debía identificar y alcanzar lugares descritos en lenguaje corriente, completó las asignaciones «correctamente alrededor de un 28 % más a menudo que el segundo mejor método», según recoge StudyFinds.

El equipo evaluó la herramienta sobre varios bancos de prueba. Según el estudio publicado en arXiv, y frente a las alternativas más competitivas, DAAAM mejoró la precisión en las respuestas un 53,6 %, redujo los errores de posición un 21,9 % y los errores temporales un 21,6 %. Los investigadores publicaron los datos y el código de forma abierta.

¿Qué limitaciones reconoce el equipo de investigadores del MIT?

Los propios autores señalaron varias restricciones del sistema. El modelo que genera las descripciones falla a veces con objetos poco habituales o produce errores basados en suposiciones sobre lo que observa.

Además, DAAAM procesa unas cinco descripciones de objetos por segundo. Ese ritmo resulta adecuado para robots terrestres, pero podría quedarse corto para drones o para aplicaciones de realidad virtual, que exigen una reacción más rápida.

El equipo, dirigido por Luca Carlone, profesor asociado del Departamento de Aeronáutica y Astronáutica del MIT y director del laboratorio SPARK, también advirtió de otros dos límites. Los periodos de funcionamiento prolongados pueden generar problemas de escalado de la memoria, y la precisión disminuyó cuando el sistema se aplicó a entornos simulados de manera digital.