WeRide presenta WITT, su modelo de IA física que aprende de 'hechos atómicos'
La compañía de conducción autónoma WeRide lanza WITT, un modelo fundacional de IA física que extrae 'hechos atómicos' verificables de datos reales para entrenar sistemas más fiables y baratos.
WeRide, compañía especializada en tecnología de conducción autónoma que cotiza en el Nasdaq y en la bolsa de Hong Kong, ha anunciado el lanzamiento de WITT (World Intelligence Toward Truth, o 'Inteligencia Mundial hacia la Verdad'). Se trata de un modelo fundacional de IA física diseñado para construir una comprensión del mundo real a partir de 'hechos atómicos físicos' (APFs, por sus siglas en inglés), que son las unidades de información más pequeñas y verificables sobre el entorno físico.
El nombre del modelo está inspirado en el filósofo Ludwig Wittgenstein, conocido por su afirmación de que 'el mundo es la totalidad de los hechos'. Según WeRide, esta idea encaja perfectamente con la lógica de la IA física: para que un sistema entienda el mundo real, primero debe identificar hechos fiables sobre entornos, comportamientos, reglas y riesgos. WITT utiliza capacidades de modelos de lenguaje visual (VLM) para conectar información multimodal de vídeo, imágenes y texto, y descompone entornos complejos en esos hechos verificables.
El modelo se apoya en cuatro capacidades principales: extracción de hechos, razonamiento sobre hechos, verificación de hechos y curación de hechos. Con ellas, WITT transforma continuamente los datos del mundo real en señales de aprendizaje confiables para el entrenamiento, la evaluación y la iteración de sistemas de IA. La idea es que cada kilómetro de conducción real se convierta en una señal útil para mejorar los modelos, en lugar de tratar los datos como simples entradas brutas.
WeRide destaca que WITT reduce los costes de tokens hasta en un 98% en comparación con modelos de IA de propósito general mucho más grandes, y ofrece una eficiencia de procesamiento de datos hasta 200 veces mayor. Esto es relevante porque, en el sector de la conducción autónoma, los datos del mundo real crecen de forma exponencial, pero identificar los que realmente tienen valor para el entrenamiento sigue siendo un reto. Los escenarios 'long-tail' (situaciones poco frecuentes pero críticas) son escasos, y los conjuntos de datos suelen contener ruido, como intervenciones humanas o segmentos inactivos.
Con WITT, WeRide busca abordar uno de los grandes desafíos de la IA física: construir sistemas que entiendan el mundo real de forma fiable y consistente, evitando alucinaciones y errores de interpretación. La compañía, que ya opera flotas de vehículos autónomos a gran escala, quiere aprovechar esa experiencia operativa para alimentar su nuevo modelo y acelerar la evolución de sus sistemas de conducción autónoma.
El análisis de Salseo
- El anuncio no es solo un avance técnico: es una apuesta estratégica por reducir el coste y aumentar la fiabilidad del entrenamiento de IA física. Si WITT cumple lo prometido (98% menos tokens, 200x eficiencia), WeRide podría entrenar modelos más rápido y barato que sus competidores, algo clave en un sector donde los datos son el nuevo petróleo.
- El concepto de 'hechos atómicos físicos' es una respuesta directa al problema de las alucinaciones en modelos de lenguaje visual. Al descomponer escenas complejas en unidades verificables, WeRide intenta construir una base de conocimiento más sólida que los enfoques basados en cajas negras, lo que podría traducirse en menos errores en situaciones reales de tráfico.
- Conviene vigilar si WITT se integra de verdad en la flota operativa de WeRide y si los resultados de eficiencia se validan con métricas independientes. Muchas compañías anuncian modelos fundacionales, pero la prueba está en si mejoran la seguridad y el rendimiento de los vehículos autónomos en el mundo real, no solo en benchmarks.
- El hecho de que WeRide ya cotice en bolsa y tenga operaciones a gran escala le da una ventaja: acceso a datos reales y continuos. Si WITT logra convertir esa ventaja en un foso competitivo, podría presionar a otros actores del sector de la movilidad autónoma que dependen más de simulaciones o datos sintéticos.