¿Dónde dejaste las llaves ayer? Para una persona es una pregunta corriente, pero para un robot exige unir imágenes, lugares y tiempo. Investigadores del Instituto Tecnológico de Massachusetts han creado DAAAM, un sistema de inteligencia artificial que forma esa memoria a largo plazo mientras una máquina recorre su entorno.
El método guarda descripciones de los objetos, las sitúa en un mapa tridimensional y permite recuperarlas mediante preguntas normales. Superó a sistemas anteriores en varias pruebas, aunque «en tiempo real» necesita un matiz. Las descripciones más detalladas pueden incorporarse con unos diez segundos de retraso.
Una memoria ligada al mundo
La memoria de un chatbot se apoya en texto. DAAAM parte de observaciones físicas captadas por sensores y conserva qué apareció, dónde estaba y cuándo se vio. Es como un cuaderno de campo automático conectado a un mapa.
El primer autor es Nicolas Gorlo, investigador de posgrado del MIT. Le acompañan Lukas Schmid, antiguo investigador del centro y profesor de la Universidad Tecnológica de Núremberg, y Luca Carlone, profesor asociado y director del laboratorio SPARK del MIT.
«Está convirtiendo un mapa tradicional en un mapa basado en el lenguaje», explicó Carlone. La meta es que un robot pueda entender peticiones como buscar el destornillador rojo visto antes o localizar una pieza utilizada el día anterior.
Un mapa que también guarda el tiempo
DAAAM recibe imágenes de una cámara RGB-D, un sensor que capta color y profundidad. Con ellas crea un «grafo de escena 4D», una base organizada que representa las tres dimensiones del espacio y añade el paso del tiempo.
Cada objeto queda asociado a una descripción, una posición y un historial. El sistema también agrupa los elementos por zonas, de modo que puede relacionar una bicicleta con el aparcabicis situado fuera de un edificio, no solo con una imagen aislada.
La estructura permite buscar por palabras, ubicación o momento. Después, un modelo de lenguaje usa herramientas específicas para consultar la memoria y recuperar datos registrados, lo que reduce el riesgo de responder solo por intuición estadística.
El truco para ganar velocidad
Los modelos de visión detallados suelen ser lentos si analizan cada objeto por separado. DAAAM elige las imágenes más claras, agrupa varios elementos y los procesa por lotes. Esa estrategia aceleró la inferencia cerca de diez veces.
El sistema siguió la entrada del sensor a diez fotogramas por segundo en el conjunto de pruebas CODa. Sin embargo, el módulo de descripciones anotó una media de 5,2 fragmentos nuevos por segundo y funcionó con una potente tarjeta gráfica RTX 5090 de sobremesa.
Aquí está el matiz. La geometría del mapa se actualiza de forma continua, pero una descripción detallada puede tardar alrededor de diez segundos. Para decisiones de largo recorrido puede bastar, pero no equivale a una reacción visual instantánea.
Qué demostraron las pruebas
En la versión ampliada del banco NaVQA, DAAAM mejoró un 53,6 % la precisión de las respuestas frente al rival más competitivo. También redujo un 21,9 % los errores de posición y un 21,6 % los errores temporales, según el artículo científico oficial.
El equipo probó secuencias de más de 35 minutos y recorridos superiores a 1,5 kilómetros. En SG3D, otro banco de evaluación, el sistema mejoró un 27,8 % la capacidad de vincular instrucciones sucesivas con elementos concretos de una escena.
Eso no significa que un robot físico completara un 27,8 % más de misiones reales. La prueba medía si la IA interpretaba y situaba correctamente las órdenes. DAAAM fue comparado con trabajos como ReMEmbR y ConceptGraphs, que también organizan recuerdos visuales o mapas tridimensionales para robots.
Los límites siguen ahí
El modelo que redacta las descripciones, Describe Anything Model, fue entrenado con alrededor de 1,5 millones de muestras. Puede fallar con objetos poco habituales o añadir rasgos plausibles que no existen, como tiradores en unas puertas de ascensor.
La velocidad también restringe sus usos. Los autores consideran suficiente el ritmo actual para un robot terrestre, pero admiten que podría quedarse corto en drones rápidos o gafas de realidad virtual.
Queda otro problema menos visible. El historial puede crecer sin límite durante despliegues largos, así que habrá que resumir o descartar información sin borrar recuerdos útiles. Las pruebas semisintéticas también mostraron una pequeña pérdida de precisión frente a las escenas reales.
Qué puede cambiar a partir de ahora
Los investigadores quieren que DAAAM detecte acontecimientos importantes, no solo objetos, e indique cuánta confianza merece cada respuesta. El código y los datos se han publicado de forma abierta para que otros equipos puedan reproducir y ampliar el trabajo.
Al final del día, DAAAM no convierte a un robot en una persona ni demuestra una memoria consciente. Le da algo más concreto, un registro consultable que combina lenguaje, espacio y tiempo. Si mejora, podría ayudar en fábricas, mantenimiento y realidad aumentada sin obligar a revisar horas de vídeo.
El estudio oficial se ha publicado en las actas de la Conferencia IEEE/CVF sobre Visión por Computador y Reconocimiento de Patrones de 2026.
