La IA Aún No Puede Aprender de Pocas Imágenes Como Tú Puedes

Puntos clave

• Apple ML Research publicó un estudio en 2025 que muestra que los mejores modelos de IA de visión-lenguaje actuales tienen dificultades para identificar un concepto compartido en un pequeño conjunto de imágenes de ejemplo.
• Los investigadores crearon un punto de referencia llamado VICIS (Visual Concept Inference from Sets) para medir esta brecha específica en la capacidad de la IA.
• Todos los modelos de última generación probados tuvieron un desempeño deficiente en la tarea VICIS, lo que sugiere un punto ciego significativo en el diseño actual de la IA.
• El fracaso es importante porque las herramientas de IA del mundo real cada vez más le piden a los modelos que aprendan de un puñado de ejemplos visuales, no solo de instrucciones escritas.

Aquí hay una habilidad que tiene todo niño de cinco años. Muéstrale tres fotos de perros y una foto de un gato, y te dirá que el gato no encaja. Muéstrale tres fotos de fiestas de cumpleaños y luego una foto de una fogata en la playa, y adivinará que la fogata también podría ser una celebración.

Los modelos de visión por IA actuales no pueden hacer esto de manera confiable. Ese es el hallazgo de Apple ML Research, cuyo equipo diseñó una prueba llamada VICIS, abreviatura de Visual Concept Inference from Sets, para medir exactamente esta brecha.

Un modelo de visión-lenguaje, la tecnología que permite que una IA mire imágenes y lea o escriba texto, puede seguir instrucciones escritas detalladas con una precisión impresionante. Pídele que describa una foto, cuente objetos o lea una etiqueta, y normalmente lo hace bien. ¿Pero elimina las palabras y le pides que descubra una regla puramente a partir de un puñado de imágenes? El desempeño cae drásticamente.

¿Por qué debería importarles esto a las personas ordinarias?

Esta brecha es importante porque muchas herramientas prácticas de IA ya dependen del aprendizaje a partir de ejemplos. Un dueño de tienda que quiere que una IA clasifique fotos de productos por estilo, o un maestro que quiere que marquee un cierto tipo de diagrama, está implícitamente pidiendo al modelo que haga exactamente lo que prueba VICIS. Si el modelo no puede hacerlo, esas herramientas producirán resultados poco confiables sin ninguna advertencia obvia.

La prueba VICIS funciona así. El modelo recibe un pequeño "conjunto de contexto", un puñado de imágenes que comparten algún concepto, quizás un esquema de color, un estado de ánimo, una forma o una relación entre objetos. También recibe una nueva imagen de "consulta". Su trabajo es generar o seleccionar imágenes que mantengan el concepto del conjunto de contexto mientras también se ajustan a la consulta. Simple en teoría. Resulta ser difícil en la práctica.

Todos los modelos que el equipo de Apple probó quedaron cortos.

Hay dos cosas que vale la pena tener en mente aquí. Primero, este es un artículo de investigación, no un anuncio de producto. Los modelos que fracasaron son los mismos que potencian herramientas que millones de personas usan hoy, por lo que el hallazgo es real, pero no significa que esas herramientas sean inútiles. Significa que una capacidad específica es más débil de lo que podríamos asumir.

Segundo, vale la pena mencionar el sesgo de supervivencia. Cuando escuchas sobre una herramienta de IA que aprendió un estilo nuevo de pocas imágenes y lo logró, esa historia se convirtió en noticia porque funcionó. Las mil veces que produjo con confianza tonterías no lo hicieron.

Conclusión honesta: Si usas una herramienta de imágenes de IA y le das algunos ejemplos de fotos esperando que "entienda la idea", prueba su resultado cuidadosamente antes de confiar en él. Muéstrale ejemplos y luego verifica si realmente siguió el concepto u solo copió detalles superficiales como el color. Tus propios ojos siguen siendo el mejor juez aquí.