Enséñame tus píxeles: lo que los LLMs no ven
Los Large Language Models han revolucionado la IA y se han convertido en una de las tecnologías más utilizadas actualmente. Sin embargo, su capacidad para interactuar con el mundo es limitada: generan respuestas coherentes, pero no necesariamente entienden lo que producen ni el entorno que describen. En esta charla exploraremos la evolución de computer vision, desde enfoques clásicos hasta métodos que aprenden directamente de grandes volúmenes de datos, para entender cómo pasamos de los píxeles a representaciones cada vez más ricas del mundo visual. Veremos ejemplos reales de cómo los modelos actuales empiezan a reconstruir y razonar sobre entornos en 3D, acercándose a una comprensión más profunda de la información. Finalmente, exploraremos nuevas arquitecturas como las Joint Embedding Predictive Architectures, que apuntan hacia sistemas capaces de aprender representaciones más profundas y predictivas del mundo que nos rodea.
