La IA aún no puede aprender de pocas imágenes como lo haces tú

Puntos clave

• Apple ML Research publicó un estudio en 2025 mostrando que los mejores modelos de IA de visión y lenguaje de hoy 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 probados tuvieron un desempeño deficiente en la tarea VICIS, lo que señala un punto ciego real en el diseño actual de la IA.
• El fracaso importa porque las herramientas de IA del mundo real cada vez más piden a los modelos que aprendan de un puñado de ejemplos visuales, no solo de instrucciones escritas.

Aquí hay una habilidad que todo niño de cinco años tiene. Muéstrale a un niño 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 actuales de visión por IA no pueden hacer esto de manera confiable. Este 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. Primero cubrimos el trabajo de Apple ML Research sobre los límites de la percepción de la IA el 17 de julio de 2026.

Un modelo de visión y lenguaje, la tecnología que permite a una IA tanto mirar imágenes como leer o escribir texto, puede seguir instrucciones escritas detalladas con una precisión impresionante. Pídele que describa una foto o cuente objetos, y generalmente lo logra. Sin embargo, elimina las palabras y pídele que descubra una regla puramente a partir de un puñado de imágenes, y el desempeño cae bruscamente.

¿Por qué debería importarle esto a la gente común?

Esta brecha importa 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 marque un cierto tipo de diagrama, está pidiendo implícitamente al modelo que haga exactamente lo que VICIS prueba. Si el modelo no puede hacerlo, esas herramientas producirán resultados poco confiables sin ninguna advertencia obvia.

La prueba VICIS funciona de la siguiente manera. El modelo recibe un conjunto de contexto pequeño: un puñado de imágenes que todas comparten algún concepto, tal vez un esquema de color, un estado de ánimo, o una relación entre objetos. También recibe una imagen de consulta nueva. Su trabajo es generar o seleccionar imágenes que mantengan el concepto del conjunto de contexto mientras también se ajusten a la consulta. Simple en teoría. Difícil en la práctica.

Todos los modelos que el equipo de Apple probó fueron insuficientes.

Hay dos cosas que vale la pena tener en mente. 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 nombrar el sesgo de supervivencia. Cuando escuchas sobre una herramienta de IA que aprendió un nuevo estilo a partir de pocas imágenes y la clavó, esa historia llegó a las noticias porque funcionó. Las mil veces que produjo tonterías confiadas no lo hicieron.

Conclusión honesta: Si usas una herramienta de imagen de IA y le pasas algunas fotos de ejemplo esperando que capte la idea, prueba su salida cuidadosamente antes de confiar en ella. Comprueba si realmente siguió el concepto o simplemente copió detalles superficiales como el color. Tus propios ojos siguen siendo el mejor juez aquí.