Introducción: Por qué los asistentes de IA se encuentran con la computación espacial
En los últimos meses, la frontera entre el mundo digital y el físico se ha vuelto cada vez más difusa. Nuevos modelos básicos comoERNIE 5.5 Flash Base de Baidu(un modelo MoE de 280 mil millones de parámetros con solo 14 mil millones activos) y la plataformaTogether Compiler de Together AIestán haciendo que los asistentes de IA sean más rápidos, más económicos y capaces de comprender entradas 3D en tiempo real. Este artículo muestra cómo aprovechar estos últimos avances para crear asistentes de IA que interactúan de forma natural con entornosespaciales (em>AR, VR, interfaces 3D) y generan contenido útil, como activos, diseños o acciones basadas en el contexto.
Qué es la computación espacial y por qué es importante para los asistentes de IA
Lacomputación espaciales el conjunto de tecnologías que permiten a las computadoras interpretar, mapear e interactuar con el espacio tridimensional. Incluye:
- Cámaras de profundidad y sensores LiDAR integrados en dispositivos portátiles
- Renderizado en tiempo real basado en GPU (WebGL 2, Vulkan, Metal)
- API espaciales multiplataforma (Apple ARKit, Google ARCore, Unity XR)
Cuando un asistente de IA puede percibir coordenadas, objetos y gestos, puede ofrecer sugerencias más relevantes: por ejemplo, superponer instrucciones de diseño sobre un producto físico, generar una interfaz de usuario 3D adaptable o sugerir un diseño de producto en función de la posición del usuario.
Principales tendencias de বন্ধ 2026 que impulsan esta convergencia
- Modelos MoEcomo ERNIE 5.5 Flash Base ofrecen un alto rendimiento con un bajo consumo de tokens, lo que los hace ideales para procesar datos espaciales de alta resolución.
- Together Compileracelera la inferencia hasta 2,6 veces mediante una optimización continua del paso directo, permitiendo que los asistentes de IA respondan en milisegundos incluso con entradas 3D voluminosas.
- Agile Deliberation de Google Researchintroduce el feedback humano en el proceso de toma de decisiones para conceptos visuales subjetivos, lo que resulta útil cuando el asistente debe proponer diseños alternativos en un entorno VR.
Diseñar prompts para contextos espaciales
Los prompts tradicionales para los LLM funcionan bien para texto, pero los escenarios espaciales requieren un lenguaje más explícito sobre el espacio, la orientación y la escala. Sigue estos modelos:
- Define el sistema de coordenadas:especifica metros, grados o píxeles.
- Indica el punto de vista:“desde arriba”, “a la altura de los ojos”, “ángulo de 45°”.
- Especifica los límites:“low-poly”, “apto para impresión 3D”, “texturas PBR”.
- Solicita el formato de salida:“YAML de Unity”, “GLTF”, “blender .blend”.
Ejemplo de un prompt que combina estos elementos:
Prompt: "Crea un modelo 3D low-poly de una lámpara de mesa moderna, orientado a 0° sobre la superficie de trabajo, con material de metal brillante y textura PBR, exportándolo en formato GLTF para su importación en Unity."Cuando envías este prompt a un asistente de IA que utiliza ERNIE 5.5 Flash Base a través de Together Compiler, el modelo devuelve un script de código 3D completo con coordenadas, triángulos y mapas UV ya definidos.
Ejemplo práctico: Generar un activo 3D con un asistente de IA espacial
Imagina que quieres diseñar un soporte para tablet que se ajuste a una mesa de café. El flujo de trabajo es el siguiente:
- Captura el espacio:utiliza un dispositivo AR para mapear la superficie de la mesa (0,8 m ?- 0,5 m) y detectar puntos de referencia.
- Envía un prompt contextual al asistente de IA:(ver código anterior).
- Recibe el modelo:el asistente devuelve un archivo .gltf con una malla optimizada para el dispositivo. Tanto con Agile Deliberation:
- Itera con Agile Deliberation:el asistente muestra tres variantes de diseño; tú seleccionas la que mejor se adapta a la iluminación de la habitación.
Resultado: un activo 3D en menos de 30 segundos, listo para prototipado virtual.
Snippet de código: Integración con Together Compiler
# Instala el SDK para inferencia optimizada
pip install together-compiler
# Inicializa el cliente
from together import Together
client = Together(api_key='YOUR_API_KEY')
# Define el payload con un prompt espacial
payload = {
"model": "ERNIE-5.5-Flash-Base",
"messages": [{
"role": "user",
"content": "Crea un modelo 3D low-poly de una lámpara de mesa moderna, orientado a 0° sobre la superficie de trabajo, con material de metal brillante y textura PBR, exportándolo en formato GLTF para su importación en Unity."
}],
"max_tokens": 2000,
"temperature": 0.2
}
# Ejecuta el completado (Together Compiler acelera automáticamente la inferencia)
response = client.chat.completions.create(**payload)
print(response.choices[0].message.content)Optimizar la inferencia con Together Compiler
Incluso el mejor prompt falla si la latencia es alta. Together Compiler utiliza un bucle de optimización continua del paso directo:
- Profiling en tiempo real:realiza un seguimiento de la forma de los tokens en función del volumen de tráfico.
- Rewrite automático:adapta kernels especializados para las operaciones de matrices dispersas de los modelos MoE.
- Cache adaptativa:almacena en caché las respuestas a prompts espaciales frecuentes (por ejemplo, “gira 90°”).
El resultado es un asistente de IA que puede generar activos 3D en menos de un segundo, incluso en dispositivos edge.
Añadir feedback humano con Agile Deliberation
Cuando un asistente de IA propone un diseño, la subjetividad es fundamental. El marco Agile Deliberation de Google Research introduce un ciclo de feedback humano antes de la salida final: