Revelado el Plan Maestro de IA de Google 2026

Axios le hizo a Demis Hassabis una pregunta sencilla: ¿qué cambios en la IA sentiremos dentro de un año? Él respondió con una hoja de ruta que va mucho más allá del habitual ajuste de parámetros del modelo, esbozando un mundo donde el Gemini de Google deja de ser un chat y comienza a comportarse como una infraestructura para la vida diaria.

En la Cumbre Axios AI+, Hassabis repitió un cronograma ajustado: los próximos 12 meses pertenecen a la convergencia multimodal. Gemini ya asimila texto, imágenes, video y audio; dice que el verdadero salto se producirá cuando esas modalidades dejen de ser complementos y comiencen a cruzarse, permitiendo que los modelos de lenguaje razonen directamente sobre visuales, sonido y movimiento en un sistema fusionado.

Hassabis señaló el último sistema de imágenes de Google —el video lo llama “Nano Banana Pro”— como prueba de concepto. El modelo no solo crea imágenes bonitas; también construye infografías precisas, analiza escenas complejas y itera sobre sus propias salidas, comportándose menos como un filtro y más como un analista visual conectado a un modelo de lenguaje.

Esa misma filosofía impulsa el posicionamiento más amplio de Gemini. Hassabis presenta a Gemini como un “asistente universal”, no como una sola aplicación o sitio web, sino como una capa que funciona en teléfonos, laptops, coches y, eventualmente, gafas, respondiendo preguntas, observando lo que estás haciendo y manipulando documentos, hojas de cálculo y código a través de tu cuenta de Google.

En el enfoque a corto plazo de Hassabis, delegas una tarea completa: planificar un viaje, redactar un contrato, depurar un código; y un agente impulsado por Gemini se acerca a finalizarla de principio a fin. Él sostiene que los agentes actuales fracasan porque manejan herramientas y APIs de manera laxa; un Gemini multimodal, bien integrado, podría observar, escuchar, leer y actuar en un bucle continuo.

El video de YouTube que provocó esta narrativa del “plan maestro 2026” toma la previsión de 12 meses de Axios y la extiende a un horizonte omnimodel completo. Para 2026, afirma, Gemini abarcará seis modalidades en una sola pila: - Texto - Imágenes - Video - Audio - 3D - Robótica

Esa es una línea de tiempo más agresiva de lo que Hassabis declaró en el escenario. Su apuesta pública se centra en el próximo año de fusión multimodal y comportamiento similar al de un asistente, mientras que los creadores extrapolan un punto final en 2026 donde Gemini deja de ser una familia de productos y comienza a parecerse a un único cerebro modelador del mundo para todo el ecosistema de Google.

Omnimodel es la nueva palabra de moda de Google para un único conjunto de IA que abarca seis modalidades a la vez: texto, imágenes, video, audio, 3D y robótica. En lugar de modelos especializados separados unidos con API frágiles, Hassabis describe un sistema convergente donde una familia de modelos base, Gemini, habla de manera nativa todos estos lenguajes del mundo.

Los sistemas "multimodales" de hoy en día principalmente añaden visión al lenguaje o incorporan entradas y salidas de audio sobre texto. Un omnimodelo completo va más allá, compartiendo un único espacio de representación para que las mismas neuronas internas razonen sobre una oración, un fotograma de video, un diseño de habitación o el flujo de sensores de un robot.

Ese núcleo unificado permite que las capacidades se entrelacen a través de las fronteras. Una comprensión visual más sólida de modelos como el último sistema de imágenes de Google (el video lo llama "Nano Banana Pro") retroalimenta una mejor anclaje del lenguaje, lo que a su vez afina la planificación paso a paso y el uso de herramientas.

En un stack omnimodal, cada modalidad entrena activamente a las otras. La visión de Google se ve aproximadamente así: - Texto: la base de razonamiento, codificación y planificación de Gemini - Imágenes/video: percepción a través de modelos de la línea Veo/V3 y sistemas de video interactivo como Genie - Audio: conversación de baja latencia y guía en tiempo real de Gemini Live - 3D: modelos del mundo que inferen geometría y affordances a partir de video - Robótica: Gemini Robotics 1.5 controlando brazos, bases móviles y humanoides con el mismo cerebro

El entrenamiento unificado permite que el modelo mapee “pon la fruta verde en el plato verde” a píxeles, profundidad y comandos motores sin puentes diseñados a mano. Un tutorial de reparación visto como video se convierte en una escena 3D que el robot puede navegar, narrada en lenguaje natural, con señales de audio que se alinean a acciones físicas.

Esa es la evolución más allá de los chatbots multimodales actuales que en su mayoría permanecen atrapados en el navegador. Un omnimodel puede observar tu entorno a través de una cámara, razonar sobre él utilizando el mismo conjunto que escribe código y resúmenes, y luego actuar en consecuencia a través de un robot o agentes de nivel telefónico.

Para Google, este es el camino estratégico hacia la IA de propósito general: una familia de modelos que puede leer, ver, escuchar, simular y manipular el mundo real. Quien logre lanzar primero un omnimodel confiable no solo ganará la búsqueda; será el dueño de la interfaz tanto de la realidad digital como de la física.

Gemini Robotics 1.5 es la apuesta de Google para convertir grandes modelos de lenguaje en trabajadores físicos, no solo en copilotos conversadores. En la demostración de Google, un brazo robótico Aloha utiliza Gemini para analizar visualmente una mesa de frutas, razonar a través de reglas de coincidencia de colores paso a paso y luego ejecutar una tarea de clasificación en múltiples pasos con explicaciones verbales para cada movimiento. El sistema no solo ejecuta un guion predefinido; "piensa en voz alta", exponiendo una cadena interna de razonamiento entre la percepción y la acción.

Otra demostración lleva el mismo modelo a un humanoide Apollo que clasifica la ropa. De repente, un humano intercambia los contenedores a mitad de la tarea, y Apollo actualiza su plan sobre la marcha, mostrando la capacidad de Gemini para redefinir su comprensión de la escena y adaptarse. Gemini Robotics 1.5 también utiliza la web: el brazo Aloha utiliza las pautas de residuos de San Francisco que acaba de obtener de Internet para clasificar basura, reciclaje y compost.

El verdadero avance se oculta bajo las teatralidades: un modelo único que controla cuerpos de robots muy diferentes sin la necesidad de ajustes finos por robot. Google afirma que Gemini Robotics 1.5 funciona en todas sus plataformas—brazos Aloha, bases móviles, humanoides—utilizando los mismos pesos y la misma interfaz de acción de alto nivel. Esto sugiere un auténtico "omnimodelo" para la incorporación, donde un cerebro generaliza a través de factores de forma, tareas y entornos.

El hardware sigue siendo el punto débil de Google. Boston Dynamics, Figure, Tesla y Agility Robotics envían o prueban plataformas físicas a escalas mayores, mientras que Google principalmente muestra prototipos confinados a laboratorios. Incluso Apollo, construido por Apptronik, subraya que Google lidera en pilas de control de IA, no en actuadores, baterías o cadenas de suministro robustas.

Para 2026, un plausible Gemini Robotics 2.x empezará a parecerse menos a un demo y más a una plataforma. Espera: - Manipulación fiable de escenas domésticas desordenadas, no solo mesas preparadas. - Flujos de trabajo de varias horas y varias habitaciones, como “limpiar la cocina y cargar el lavavajillas”. - Recogida y empaquetado industrial, kitting y inspección básica en almacenes reales.

Los propios plazos y comentarios públicos de Google sobre la AGI, incluido Demis Hassabis sobre el futuro de la IA – Google DeepMind (foro global de Fortune), sugieren avances rápidos en planificación y razonamiento multimodal en los próximos 2 a 5 años. Si esos avances se incorporan a los robots, Gemini Robotics 2.x podría convertir los trucos de fiesta para clasificar frutas de hoy en mano de obra doméstica y de fábrica silenciosamente competente.

Olvida los chatbots. Para Demis Hassabis, la verdadera onda de choque en los próximos 12 a 24 meses llegará a la pantalla: videos e imágenes que no solo lucen reales, sino que realmente entienden lo que están mostrando. Veo de Google (a menudo llamado "V3" en demostraciones) se encuentra en el centro de ese avance, convirtiéndose silenciosamente en uno de los sistemas de video generativo más capaces en el campo.

Veo genera clips de alta fidelidad a partir de texto o una sola imagen, con personajes consistentes, movimiento de cámara coherente y escenas físicamente plausibles. En demostraciones internas y con socios, ya ha igualado o superado los primeros clips de OpenAI Sora en coherencia temporal y adherencia a los indicios, a pesar de que Google lo ha lanzado con más cautela.

Hassabis argumenta que la verdadera ventaja de Veo no serán los trucos cinematográficos, sino el razonamiento. Debido a que Gemini es nativamente multimodal, Veo puede, en principio, incorporar: - Un guion o esquema - Imágenes de referencia o storyboards - Restricciones sobre continuidad y estilo

y luego producir un video que respete la lógica narrativa en lugar de solo un estilo superficial. Esa es la brecha entre "demostración atractiva" y "herramienta útil" para el cine, la publicidad y la simulación.

En el lado de la imagen, el último modelo de Google – llamado en broma “Nano Banana Pro” en el escenario – sugiere hacia dónde se dirige esto. En lugar de ser un único paso hacia adelante desde el aviso hasta los píxeles, se comporta más como un agente: genera, inspecciona su propia salida, detecta errores y luego regenerará con correcciones.

Pida una infografía compleja y Nano Banana Pro puede diseñar ejes, leyendas y etiquetas que realmente coincidan con los datos subyacentes. Puede, por ejemplo, crear un gráfico de barras de la cuota de mercado de teléfonos inteligentes, darse cuenta de que una etiqueta se superpone a una barra, moverla y ajustar los colores para mejorar la accesibilidad, todo sin la intervención de un humano.

Hassabis cree que la verdadera clave se encuentra cuando estos sistemas visuales se fusionan estrechamente con modelos de lenguaje grandes. Un futuro Gemini podría leer un informe de 20 páginas, verificar los datos, diseñar una infografía y luego convertirlo en un video explicativo de 30 segundos, todo manteniendo la coherencia interna.

Estrategicamente, eso importa más que el fotorrealismo. Para Google, ganar esta carrera significa modelos que generen visuales que no solo sean de alta resolución, sino también precisos, conscientes del contexto y lo suficientemente fundamentados como para que los usuarios y reguladores puedan confiar realmente en ellos.

Gemini Live finalmente hace que la propuesta del "co-piloto de IA" se sienta concreta. En el clip viral del cambio de aceite, un usuario apunta su teléfono a un compartimiento de motor, habla de forma natural y recibe una guía paso a paso sobre qué desenroscar, qué drenar y qué no tocar. Sin pausas para escribir consultas, sin rebuscar en YouTube, solo un asistente conversacional persistente de copiloto.

Bajo el capó, Gemini Live fusiona tres problemas complejos en una única experiencia. Primero está la conversión de voz a voz con baja latencia, donde el modelo escucha, razona y responde en casi tiempo real, en lugar del retraso de 2 a 5 segundos típico de los asistentes en la nube. El segundo es el razonamiento visual en tiempo real: el sistema analiza la transmisión de la cámara en vivo, rastrea objetos como tapas y filtros de aceite, y actualiza las instrucciones a medida que cambia el cuadro.

El tercer pilar es el acceso al gigantesco grafo de conocimiento e índice web de Google. Gemini Live no solo ve un tornillo; lo asocia con manuales de reparación, publicaciones en foros y guías de seguridad, y luego lo condensa en un solo paso accionable. Esa síntesis hace que se sienta menos como una búsqueda por voz y más como un experto dedicado que te observa en silencio.

Como resultado, Gemini Live es el avance más claro hasta ahora hacia el "asistente universal" que Hassabis sigue insinando. En lugar de limitar la IA a documentos y código, comienza a manejar flujos de trabajo desordenados del mundo real: mantenimiento de automóviles, reparaciones en el hogar, cocina e incluso diagnósticos básicos de electrónica de consumo. La demostración del cambio de aceite funciona como un prototipo para cualquier tarea en la que normalmente tendrías que combinar un video instructivo, un PDF y un hilo de Reddit.

Para 2026, se espera que este conjunto luzca muy diferente bajo la superficie. La latencia probablemente caerá por debajo de 300 ms de extremo a extremo, haciendo que los intercambios de voz se sientan efectivamente instantáneos y permitiendo interrupciones y entradas más naturales. La comprensión visual debería extenderse de partes estáticas a sistemas dinámicos, desde detectar una fuga hasta modelar cómo debería moverse el fluido a través de un motor o un electrodoméstico.

Un razonamiento más profundo será aún más importante que la velocidad. Un Gemini Live de 2026 podría descomponer trabajos de varias horas en subtareas, rastrear el progreso a lo largo de días y adaptar planes cuando cambian herramientas, partes o entornos. En ese momento, “co-piloto” deja de ser una metáfora y comienza a sonar como una descripción laboral precisa.

Los modelos del mundo convierten la IA generativa de contenido pasivo en una realidad jugable. En lugar de generar un clip fijo de 10 segundos, un modelo del mundo aprende la dinámica subyacente de un entorno: cómo se mueven, colisionan y responden los objetos, para que los usuarios o agentes puedan adentrarse e interactuar en tiempo real. Piensa menos en un “filtro de video de IA” y más en un “nivel generado por IA en un motor de juego” que se actualiza a medida que lo exploras.

Genie 3, la última línea de modelo mundial de Google DeepMind, enfatiza esta idea de manera contundente. A partir de un solo aviso de texto—"callejón ciberpunk resbaloso por la lluvia", "cañón marciano al anochecer", "estación de metro inundada"—Genie 3 puede sintetizar un mundo explorable en 2D o pseudo-3D con físicas y navegación coherentes. En lugar de trayectorias de cámara preestablecidas, obtienes un avatar controlable, movimiento continuo y objetos que se comportan de manera consistente a lo largo de los fotogramas.

Crucialmente, Genie 3 no se reinicia cada vez que presionas un botón. El sistema mantiene memoria del mundo, rastreando los estados de los objetos, sus posiciones y las interacciones previas, de modo que derribar una caja o abrir una puerta persiste mientras continúas explorando. Además, Google añade “eventos programables”: puedes inyectar nuevas instrucciones en medio de la simulación—“provocar un terremoto,” “iniciar un corte de energía,” “generar un dron de rescate”—y el mundo se actualiza sobre la marcha mientras se mantiene físicamente y visualmente consistente.

Los videojuegos son la primera parada obvia. Modelos al estilo de un genio podrían generar automáticamente niveles jugables, misiones secundarias o micro-mundos enteros adaptados a las habilidades o elecciones narrativas de un jugador. Los diseñadores podrían esbozar una atmósfera en texto y luego iterar sobre un prototipo en vivo en lugar de crear manualmente cada baldosa y caja de colisión.

El juego más profundo se sitúa fuera del entretenimiento. Los roboticistas necesitan miles de millones de interacciones seguras de prueba y error antes de confiar un robot alrededor de humanos. Modelos del mundo como Genie 3 pueden crear terrenos de entrenamiento sintéticos donde los agentes virtuales aprenden a agarrar, navegar y recuperarse de casos límite mucho antes de tocar un almacén o un hospital real. Los planificadores de desastres podrían crear simulaciones controlables de incendios forestales, derrames químicos o inundaciones urbanas y poner a prueba repetidamente los planes de evacuación.

Hassabis ha argumentado que enseñar a la IA sentido común y física requiere este tipo de simulación fundamentada, no solo más texto de la web. Los modelos del mundo proporcionan a los sistemas de la clase Gemini un espacio de aprendizaje para comprender causa y efecto, permanencia de los objetos y restricciones como la fricción o la gravedad. Esa misma filosofía atraviesa el impulso multimodal más amplio de Google, detallado en Introduciendo Gemini: el modelo de IA multimodal más capaz de Google, donde el texto, la visión y la acción se fusionan en un solo conjunto listo para habitar tanto mundos virtuales como físicos.

Los agentes de IA confiables siguen siendo la pieza que falta en el plan maestro de Google para 2026. Demis Hassabis dijo a Axios que los sistemas actuales todavía fallan demasiado a menudo en trabajos largos y de múltiples pasos como para confiar en ellos con una verdadera delegación de "configurar y olvidar". Inventan herramientas, omiten subtareas o se detienen cuando cambian las API.

Hassabis también trazó una línea en la arena a corto plazo: dentro de unos 12 meses, espera que los agentes que estén “cerca” de aceptar y ejecutar de manera confiable tareas complejas de principio a fin. Esto significa pasar de “ayúdame a escribir este correo” a “planifica y reserva todo mi viaje, maneja los cambios y manténme actualizado” con una supervisión mínima. La fiabilidad, no el IQ bruto, se convierte en el factor limitante.

Google ya lleva a cabo experimentos controlados con sistemas agentes en su investigación. Hassabis ha descrito un “co-científico” que puede: - Generar hipótesis a partir de la literatura - Diseñar y ejecutar simulaciones o flujos de trabajo en laboratorio - Interpretar resultados y proponer experimentos de seguimiento

Esos mismos patrones aparecen en el emergente conjunto de herramientas de Gemini. Gemini ya puede llamar a Calendar, Gmail, Docs y APIs externas, encadenar acciones y revisar planes cuando cambian las limitaciones. Los primeros agentes internos manejan cosas como flujos de trabajo de soporte al cliente de varios pasos o la optimización de campañas publicitarias, pero Google los mantiene bajo control, ya que el fracaso aún conlleva un costo real.

Para superar el umbral de fiabilidad de Hassabis, los agentes necesitan tres cosas: razonamiento más fuerte, orquestación de herramientas robusta y retroalimentación continua del entorno. Google está atacando cada capa con el impulso del omnimodelo. Un agente útil no puede limitarse a leer texto; debe ver, escuchar y actuar.

Conéctate Gemini Robotics 1.5, Veo, Nano Banana Pro y Genie 3, y obtendrás un plano para ese agente. Una futura instancia de Gemini podría observar un suelo de fábrica a través de video, interpretar instrucciones orales de los trabajadores, consultar modelos CAD en 3D y enviar robots para reconfigurar una línea. La misma estructura podría residir en un navegador, negociando silenciosamente tus suscripciones mientras también guía a un robot humanoide para arreglar un grifo que gotea.

La apuesta de Google: una vez que un solo modelo abarca de manera confiable texto, imágenes, video, audio, 3D y robótica, los “agentes de IA” dejan de ser una capa de experiencia de usuario y comienzan a convertirse en infraestructura.

La apuesta de Google por la inteligencia artificial comienza en sus centros de datos, no en sus demostraciones. Mientras que los rivales alquilan GPU de proveedores de la nube, Google opera con una pila verticalmente integrada construida en torno a sus aceleradores personalizados TPU v5p y TPU v6 Trillium de próxima generación. Ese control permite a DeepMind y al equipo de Gemini ajustar desde el compilador hasta el circuito de refrigeración, extrayendo más rondas de entrenamiento de cada megavatio.

TPU v5p está diseñado para entrenamiento a gran escala con configuraciones de pod que escalan a decenas de miles de chips, mientras que v6 Trillium lleva el rendimiento por vatio aún más lejos para modelos multimodales de frontera. Google afirma que v6 Trillium ofrece importantes mejoras en eficiencia en comparación con v5e, que ya respaldaba las generaciones anteriores de Gemini. Poseer la hoja de ruta del silicio reduce la exposición a los problemas de la cadena de suministro de Nvidia y le da a Google una economía de unidades predecible para experimentos de múltiples miles de millones de parámetros.

El hardware por sí solo no gana la carrera; Google también posee el corpus de entrenamiento multimodal más valioso del mundo. Los miles de millones de videos de YouTube, íntimamente relacionados con audio, comentarios y datos de participación, forman un sustrato inigualable para modelos de video y audio como Veo y la pila perceptual de Gemini. Google Imágenes y décadas de rastreo a gran escala en la web añaden fotos etiquetadas, diagramas y capturas de pantalla en prácticamente todos los dominios.

Esa profundidad de datos es especialmente importante para la visión de "omnimodelo" de la que habla Demis Hassabis. Entrenar un único modelo para razonar sobre texto, imágenes, video, audio, 3D y robótica requiere señales sincronizadas a través de modalidades: fotogramas alineados con transcripciones, acciones alineadas con resultados, escenas alineadas con el lenguaje. Solo YouTube le proporciona a Google petabytes de exactamente ese tipo de datos emparejados, a escala global y en docenas de idiomas.

Luego está el banco de investigación de Google DeepMind, posiblemente el más fuerte en el campo. AlphaFold no solo predijo estructuras de proteínas; redefinió las expectativas sobre lo que el aprendizaje profundo puede hacer en dominios científicos, con más de 200 millones de estructuras predichas liberadas a la comunidad. Trabajos anteriores como AlphaGo, AlphaZero y MuZero establecieron una cultura de apuestas a largo plazo que combina teoría, ingeniería de sistemas y un cómputo masivo.

Esa cultura ahora fluye directamente hacia Gemini, modelos del mundo de Genie y la nueva ola de sistemas agénticos. Los investigadores de DeepMind no solo ajustan modelos; inventan nuevas arquitecturas, esquemas de entrenamiento y métodos de evaluación, y luego los implementan en pilas a escala de producción. Pocos competidores pueden igualar ese proceso desde la idea fundamental hasta el despliegue global.

Combina esos tres pilares: cómputo personalizado, datos propios y talento de investigación de élite, y Google tiene más que una ventaja inicial. Tiene una ventaja estructural que se acumula con el tiempo, ya que cada nuevo modelo tanto consume como genera datos que entrenan aún más a la próxima generación.

La AGI, para Demis Hassabis, se sitúa justo más allá del ciclo de hype de 2026. Aunque suena confiado sobre los “modelos omnicompletos” a corto plazo y los agentes robustos, su horizonte para la Inteligencia Artificial General se mantiene en aproximadamente 5–10 años, no en dos o tres.

Define la AGI como algo más que las atracciones llamativas de hoy. Los sistemas deben mostrar verdadera invención, creatividad sostenida y un razonamiento abstracto más profundo, no solo remezclar datos de entrenamiento o seguir indicaciones de pensamiento encadenado. Los modelos actuales de Gemini aún no logran generar de manera confiable hipótesis científicas novedosas o diseños de ingeniería sin un fuerte apoyo humano.

Hassabis argumenta que alcanzar ese objetivo requiere dos ingredientes en paralelo. Primero, una continuación agresiva del libro de estrategias de escalado: modelos más grandes, datos multimodales más ricos y una integración más densa entre texto, código, imágenes, video, audio, 3D y robótica. Él vincula esto explícitamente con la hoja de ruta de TPU de Google y la capacidad de entrenar modelos de vanguardia a un costo marginal más bajo.

En segundo lugar, insiste en que escalar por sí solo no desbloqueará la AGI. Espera “uno o dos grandes avances científicos”: nuevas arquitecturas, algoritmos de aprendizaje o representaciones que permitan a los modelos construir y manipular modelos causales del mundo, no solo correlaciones estadísticas. Trabajos como el Genie 3 de DeepMind y la investigación descrita en El futuro de la IA – Google DeepMind esbozan la dirección, pero él lo considera como algo en una etapa temprana.

El optimismo de Hassabis viene acompañado de un registro de riesgos claro. Reitera escenarios de ciberterrorismo, donde modelos poderosos automatizan el descubrimiento de vulnerabilidades, el spear-phishing y la ingeniería social impulsada por deepfakes a gran escala. También le preocupa la desviación agente: sistemas autónomos que persiguen subobjetivos desalineados una vez que se les asignan tareas a largo plazo y acceso a herramientas.

Esa mezcla de ambición y precaución moldea la postura pública de Google. Hassabis enmarca el trabajo de seguridad—pruebas de adversarios, evaluaciones, investigación de alineación y compromiso político—como un requisito previo para avanzar hacia la IAG, no como un freno opcional. Para él, la carrera no es solo por construir inteligencia general, sino por mantenerla controlable cuando finalmente llegue.

Bienvenido a un 2026 donde Gemini se sitúa silenciosamente detrás de casi todo lo que haces con una pantalla, una cámara o un motor. La “pila de omnimodelo completo” de Hassabis significa que un solo cerebro abarca texto, imágenes, video, audio, 3D y robótica, por lo que tu asistente ya no se siente como una colección de aplicaciones: se siente como un único sistema persistente que recuerda, razona y actúa.

Los turnos de trabajo diarios pasan de “usar herramientas” a “asignar resultados.” Un agente confiable toma un breve vago: “planificar y reservar una reunión de tres días para el cliente por debajo de $15,000, priorizar trenes sobre vuelos, tener en cuenta los horarios de los hijos de todos”—y ejecuta a través de Gmail, Docs, Sheets, Slack y tu calendario, pidiendo aclaraciones solo cuando los límites chocan.

En tu teléfono y laptop, Gemini te sigue como una capa universal, no como una pestaña de chatbot. Comienza a elaborar una presentación de estrategia en tu escritorio, refina el diseño de las diapositivas por voz en tu trayecto, y luego haz que Gemini genere automáticamente una versión en video narrada para las partes interesadas que nunca abren las diapositivas, todo desde el mismo estado del proyecto subyacente.

Las gafas o dispositivos portátiles ligeros convierten a Gemini Live en un entrenador en tiempo real. Apunta tu mirada a un motor de coche, una estantería de servidores o un dispositivo médico y obtén superposiciones paso a paso, verificaciones de seguridad y corrección de errores en vivo, impulsadas por modelos de visión-lenguaje fusionados y con una latencia medida en decenas de milisegundos en lugar de segundos.

Las industrias creativas sienten primero el impacto. Modelos de mundo interactivos como Genie 3 permiten a un solo creador esbozar una mecánica de juego en texto, generar una escena 3D jugable, iterar hablando con el mundo (“baja la gravedad, añade dos enemigos, cambia el estilo artístico a cel-shaded”) y publicar en la web sin tocar un motor tradicional.

La producción de video se convierte en ingeniería de prompts más dirección. Un cineasta esboza un guion gráfico, introduce material de referencia y utiliza modelos de clase Veo para generar escenas que luego los editores cortan, corrigen y componen, transformando lo que solía ser un pipeline de VFX de 30 personas en un híbrido de gusto humano y dailies renderizados por máquina.

Nada de esto sucede por arte de magia. La pila verticalmente integrada de Google—hardware TPU v5p y v6 Trillium, datos a escala de petabytes, y el banco de investigación de DeepMind—otorgan a su hoja de ruta una credibilidad inusual, incluso si los plazos se retrasan. La visión de Hassabis para 2026 se parece menos a ciencia ficción y más a un plan de producto para IA entrelazado directamente en tus pestañas del navegador y en tu lavaplatos.

¿Cuál es el concepto de 'omnimodelo' de Google?

Un 'omnimodelo' se refiere a un sistema o familia de modelos de IA único y unificado que maneja de manera fluida múltiples tipos de datos (modalidades), incluyendo texto, imágenes, video, audio, entornos 3D y control de robótica. El objetivo es crear una IA verdaderamente universal.

¿Qué predijo Demis Hassabis para la IA para 2026?

Predice un progreso significativo en la convergencia multimodal, donde los modelos de lenguaje se fusionan completamente con las capacidades de imagen y video. También espera que los agentes de IA sean lo suficientemente fiables como para manejar tareas complejas y de múltiples pasos de manera autónoma.

¿Cuáles son los 'modelos del mundo' de Google como Genie 3?

Genie 3 es un modelo de video interactivo que permite a los usuarios generar y explorar mundos virtuales utilizando comandos de texto. Mantiene memoria y consistencia, lo que permite la interacción en tiempo real, y es un paso clave hacia la formación de agentes incorporados más capaces.

¿Cómo se está utilizando Gemini de Google en la robótica?

Gemini Robotics 1.5 impulsa a los robots físicos a percibir su entorno, pensar paso a paso para resolver problemas y ejecutar tareas complejas. El mismo modelo se puede utilizar en diferentes formas de robots sin necesidad de ajustes, lo que permite máquinas más versátiles y capacitadas.