---
title: "Mentes, cerebros y mundos artificiales · Simulaciones · Hipótesis de la simulación"
url: https://simulation-hypothesis.com/es/simulations/minds-computation
description: "Neuronas, cerebros, vida artificial y los mundos simulados en los que aprenden las máquinas."
license: https://creativecommons.org/licenses/by/4.0/
credit: "Ross Allan Dahl, Hipótesis de la simulación (simulation-hypothesis.com)"
---

[Simulaciones](https://simulation-hypothesis.com/es/simulations)dominio 11 de 18

# Mentes, cerebros y mundos artificiales

Neuronas, cerebros, vida artificial y los mundos simulados en los que aprenden las máquinas.

Simulaciones de cerebros y de mundos construidos para que agentes artificiales vivan y aprendan en ellos. En un sentido limitado, la hipótesis de la simulación ya es real aquí: hemos construido mundos simulados con agentes que aprenden dentro.

## Cerebros

### Modelos detallados de neuronas

Una sola neurona como un cable eléctrico ramificado con canales iónicos, según Hodgkin y Huxley.

Pregunta que responde: ¿Cómo cambia la forma de esta neurona lo que calcula?

Deja fuera: La química fina de una neurona sigue simplificada en un puñado de corrientes.

Se ejecuta en: unos 10^12 FLOPS aproximado una laptop, en tiempo real para una neurona Desde: 1952 Huxley integró a mano las ecuaciones de Hodgkin–Huxley en una calculadora mecánica, unas tres semanas por potencial de acción; después se encargaron las computadoras [fuente](https://www.physoc.org/about-us/history-archives/historicalhighlights/hodgkin-and-huxleys-modelling-of-the-action-potential/) En el árbol de Simulaciones: [Hodgkin–Huxley a mano](https://simulation-hypothesis.com/es/trees/simulations?n=min-hh)

[Ecuaciones diferenciales](https://simulation-hypothesis.com/es/simulations/methods#m-equations)nivel: Células

### Circuitos cerebrales a gran escala

Millones de neuronas que emiten impulsos, conectadas en un circuito parecido a un trozo de corteza.

Pregunta que responde: ¿Podemos reproducir los ritmos y las respuestas del cerebro solo a partir del cableado?

Deja fuera: El cableado suele ser estadístico, no las conexiones medidas reales del animal.

Se ejecuta en: unos 10^15 FLOPS aproximado un clúster universitario, horas para un parche de corteza cerebral Desde: 2006 ya en 2006, las primeras simulaciones a gran escala de una columna cortical En el árbol de Simulaciones: [Microcircuito neocortical](https://simulation-hypothesis.com/es/trees/simulations?n=min-markram)

[Ecuaciones diferenciales](https://simulation-hypothesis.com/es/simulations/methods#m-equations)[Modelos de redes](https://simulation-hypothesis.com/es/simulations/methods#m-network)nivel: Células

### Modelos de redes de todo el cerebro

Regiones cerebrales como nodos conectados por un cableado medido, ajustadas a exploraciones.

Pregunta que responde: ¿Cómo cambia la actividad de todo el cerebro el daño en una región?

Deja fuera: Las regiones se tratan como puntos únicos, y se pierde todo el detalle de su interior.

Se ejecuta en: unos 10^14 FLOPS aproximado un clúster universitario, minutos por escenario simulado Desde: 2008 ya en 2008, los primeros modelos de red de cerebro entero ajustados al cableado de la resonancia por difusión

Modelos: [Humano](https://simulation-hypothesis.com/es/entities/human)

[Modelos de redes](https://simulation-hypothesis.com/es/simulations/methods#m-network)[Ecuaciones diferenciales](https://simulation-hypothesis.com/es/simulations/methods#m-equations)nivel: Poblaciones

### Pequeños organismos simulados

El sistema nervioso completo de un animal diminuto, como las 302 neuronas de un gusano redondo, conectado a un cuerpo simulado en una placa virtual.

Pregunta que responde: ¿Basta el diagrama de conexiones para producir la conducta?

Deja fuera: El diagrama de cableado por sí solo todavía no explica del todo el comportamiento del animal.

Se ejecuta en: unos 10^12 FLOPS aproximado una laptop, en tiempo real para todo el sistema nervioso Desde: 1997 ya en 1997, las primeras simulaciones basadas en el mapa del conectoma del gusano redondo de 1986 En el árbol de Simulaciones: [OpenWorm](https://simulation-hypothesis.com/es/trees/simulations?n=min-openworm)

[Ecuaciones diferenciales](https://simulation-hypothesis.com/es/simulations/methods#m-equations)[Tiempo real](https://simulation-hypothesis.com/es/simulations/methods#m-real-time)nivel: Células

### Simulación de hardware neuromórfico

Chips construidos con circuitos que se comportan como neuronas y sinapsis directamente en el hardware, en lugar de calcular las ecuaciones paso a paso en software.

Pregunta que responde: ¿Puede el hardware neuromórfico calcular lo mismo que un cerebro con mucha menos energía?

Deja fuera: Las neuronas reales tienen una química mucho más rica que un circuito construido para imitar sus impulsos.

Se ejecuta en: unos 10^13 FLOPS aproximado un chip de investigación neuromórfico, en tiempo real Desde: 1989 Los primeros circuitos de neuronas y retinas de silicio de Carver Mead

[Tiempo real](https://simulation-hypothesis.com/es/simulations/methods#m-real-time)[Ecuaciones diferenciales](https://simulation-hypothesis.com/es/simulations/methods#m-equations)nivel: Células

### Enfermedades cerebrales y propagación de las crisis

Actividad eléctrica anormal o proteínas mal plegadas que se propagan por una red cerebral simulada, como en la epilepsia o la demencia.

Pregunta que responde: ¿Dónde empieza una convulsión, y hasta dónde se extenderá?

Deja fuera: La vía de la enfermedad es distinta en cada cerebro real; el modelo muestra un patrón, no una predicción para un paciente.

Se ejecuta en: unos 10^13 FLOPS aproximado un clúster de un hospital o de una universidad, minutos por modelo de paciente Desde: 1997 ya en 1997, los primeros modelos de red de la propagación de las crisis por el cerebro

[Modelos de redes](https://simulation-hypothesis.com/es/simulations/methods#m-network)[Ecuaciones diferenciales](https://simulation-hypothesis.com/es/simulations/methods#m-equations)nivel: Poblaciones

### Modelos de cerebro entero restringidos por el conectoma

Una simulación neuronal usa el cableado completo medido de un cerebro de insecto con modelos sencillos de neuronas para predecir cómo los estímulos producen conducta.

Pregunta que responde: ¿Predice el cableado por sí solo cómo convierte el cerebro los sentidos en acción?

Deja fuera: La fuerza de las sinapsis y la dinámica de las neuronas se suponen a partir de reglas simples.

Se ejecuta en: unos 10^12 FLOPS aproximado Red de impulsos de unas 130.000 neuronas Desde: 2024 A Drosophila computational brain model reveals sensorimotor processing (2024) [fuente](https://doi.org/10.1038/s41586-024-07763-9)

[Modelos de redes](https://simulation-hypothesis.com/es/simulations/methods#m-network)[Ecuaciones diferenciales](https://simulation-hypothesis.com/es/simulations/methods#m-equations)nivel: Células

### Modelos neuronales de masa y de campo

Una población de neuronas reducida a una o dos variables de actividad media, que da los ritmos y las ondas de regiones enteras.

Pregunta que responde: ¿Qué ritmos colectivos pueden producir la excitación y la inhibición entre poblaciones?

Deja fuera: Las neuronas individuales desaparecen en un promedio.

Se ejecuta en: unos 10^9 FLOPS aproximado una laptop, segundos Desde: 1972 ya en 1972, Wilson y Cowan, Excitatory and inhibitory interactions in localized populations of model neurons [fuente](https://doi.org/10.1016/s0006-3495%2872%2986068-5)

[Ecuaciones diferenciales](https://simulation-hypothesis.com/es/simulations/methods#m-equations)[Campos continuos](https://simulation-hypothesis.com/es/simulations/methods#m-continuum)nivel: Células

### Modelos funcionales de cerebro con neuronas de disparo

Una red de neuronas modelo de disparo construida para realizar tareas cognitivas como recordar, contar y copiar un dígito dibujado.

Pregunta que responde: ¿Puede un modelo hecho de neuronas llevar a cabo tareas que maneja un cerebro?

Deja fuera: Su conjunto de tareas es pequeño y las conexiones están diseñadas, no medidas.

Se ejecuta en: unos 10^15 FLOPS aproximado un clúster universitario, horas Desde: 2012 ya en 2012, Eliasmith y otros, A large-scale model of the functioning brain (Spaun) [fuente](https://doi.org/10.1126/science.1225266)

[Modelos de redes](https://simulation-hypothesis.com/es/simulations/methods#m-network)[Ecuaciones diferenciales](https://simulation-hypothesis.com/es/simulations/methods#m-equations)nivel: Células

### Redes de memoria de atractores

Una red de unidades sencillas cuyas conexiones guardan patrones como estados estables, de modo que una pista parcial se asienta en el recuerdo completo.

Pregunta que responde: ¿Cómo puede una red recordar un recuerdo entero a partir de un fragmento?

Deja fuera: La capacidad es pequeña y las neuronas reales son mucho más complejas.

Se ejecuta en: unos 10^8 FLOPS aproximado una laptop, segundos Desde: 1982 ya en 1982, Hopfield, Neural networks and physical systems with emergent collective computational abilities [fuente](https://en.wikipedia.org/wiki/Hopfield%5Fnetwork)

[Modelos de redes](https://simulation-hypothesis.com/es/simulations/methods#m-network)[Ecuaciones diferenciales](https://simulation-hypothesis.com/es/simulations/methods#m-equations)nivel: Células

### Modelos de cerebros de insectos basados en el conectoma

Un cerebro entero de mosca simulado a partir de su diagrama de cableado medido, con cada neurona y cada sinapsis tomadas de la reconstrucción.

Pregunta que responde: ¿Qué comportamientos se siguen del cableado solo, una vez conocida cada conexión?

Deja fuera: La fuerza de las sinapsis y la química de las neuronas se infieren, no se miden.

Se ejecuta en: unos 10^14 FLOPS aproximado una estación de trabajo, minutos por segundo simulado Desde: 2024 ya en 2024, Dorkenwald y otros, el diagrama de cableado del cerebro de una mosca adulta, y Shiu y otros, un modelo computacional construido sobre él [fuente](https://doi.org/10.1038/s41586-024-07763-9)

[Modelos de redes](https://simulation-hypothesis.com/es/simulations/methods#m-network)[Ecuaciones diferenciales](https://simulation-hypothesis.com/es/simulations/methods#m-equations)nivel: Células

## Vida artificial y complejidad

### Autómatas celulares

Cuadrículas de celdas que siguen reglas simples, como el Juego de la vida de John Conway, en las que crecen planeadores, replicadores e incluso computadoras que funcionan.

Pregunta que responde: ¿Cuánta complejidad puede crecer a partir de una regla tan simple?

Deja fuera: Las reglas simples rara vez se corresponden bien con sistemas físicos o biológicos reales.

Se ejecuta en: unos 10^12 FLOPS aproximado una laptop, cuadrículas enormes en segundos Desde: 1970 El Juego de la vida de John Conway En el árbol de Simulaciones: [Life, jugado a mano](https://simulation-hypothesis.com/es/trees/simulations?n=life-life)

[Ejecutar el modelo interactivo](https://simulation-hypothesis.com/es/simulations/run#toy-life)

[Autómatas celulares](https://simulation-hypothesis.com/es/simulations/methods#m-cellular-automata)nivel: Reglas

### Evolución digital

Programas de computadora que se copian a sí mismos, mutan y compiten por tiempo de procesador en una máquina simulada.

Pregunta que responde: ¿Puede la evolución inventar rasgos complejos que podamos observar paso a paso?

Deja fuera: Los programas evolucionan en un mundo informático artificial, no en una bioquímica real.

Se ejecuta en: unos 10^12 FLOPS aproximado un equipo de escritorio, millones de generaciones en una noche Desde: 1953 Los experimentos de evolución numérica de Barricelli en la computadora del Institute for Advanced Study [fuente](https://www.ias.edu/ideas/2012/george-dyson-ecp)

[Evolutivo](https://simulation-hypothesis.com/es/simulations/methods#m-evolutionary)nivel: Reglas

### Criaturas virtuales evolucionadas

Cuerpos y cerebros que evolucionan juntos en una simulación de física, y aprenden a nadar, caminar o saltar.

Pregunta que responde: ¿Qué cuerpos y comportamientos inventa la evolución cuando no la estamos guiando?

Deja fuera: Los andares evolucionados suelen verse muy distintos de los biológicos, porque la física simulada difiere sutilmente de la del mundo real.

Se ejecuta en: unos 10^13 FLOPS aproximado un equipo de escritorio o un clúster pequeño, horas para hacer evolucionar una población Desde: 1994 Karl Sims hizo evolucionar criaturas que nadan y caminan en una simulación física

[Evolutivo](https://simulation-hypothesis.com/es/simulations/methods#m-evolutionary)[Tiempo real](https://simulation-hypothesis.com/es/simulations/methods#m-real-time)nivel: Cuerpos

### Criticalidad autoorganizada

Granos que se añaden de uno en uno a una pila de arena hasta que aparecen avalanchas de todos los tamaños.

Pregunta que responde: ¿Por qué los terremotos, los incendios y las extinciones siguen las mismas estadísticas?

Deja fuera: Los terremotos y los incendios reales tienen una física específica que una pila de arena solo caricaturiza.

Se ejecuta en: unos 10^11 FLOPS aproximado una laptop, segundos para una gran pila de arena Desde: 1987 El modelo de la pila de arena de Bak, Tang y Wiesenfeld

[Ejecutar el modelo interactivo](https://simulation-hypothesis.com/es/simulations/run#toy-sandpile)

[Autómatas celulares](https://simulation-hypothesis.com/es/simulations/methods#m-cellular-automata)nivel: Cuerpos

### Algoritmos de inteligencia de enjambre

Agentes virtuales simples que dejan rastros o copian a sus vecinos, tomados de las hormigas y las aves para resolver problemas abstractos como el ruteo y la programación.

Pregunta que responde: ¿Pueden la copia sencilla y el seguimiento de rastros resolver un problema difícil de optimización?

Deja fuera: Funciona bien en los problemas bien planteados con los que se probó. Los problemas reales e irregulares necesitan más ajuste.

Se ejecuta en: unos 10^11 FLOPS aproximado una laptop, de segundos a minutos por ejecución Desde: 1992 El algoritmo de optimización por colonias de hormigas de Marco Dorigo

[Ejecutar el modelo interactivo](https://simulation-hypothesis.com/es/simulations/run#toy-flock)

[Basado en agentes](https://simulation-hypothesis.com/es/simulations/methods#m-agent-based)[Evolutivo](https://simulation-hypothesis.com/es/simulations/methods#m-evolutionary)nivel: Reglas

### Redes booleanas aleatorias

Interruptores conectados al azar, cada uno de los cuales se enciende o apaga según un puñado de otros, estudiados para saber cuándo toda la red se estabiliza o se agita para siempre.

Pregunta que responde: ¿Cuánto cableado hace falta para que una red de interruptores se vuelva caótica?

Deja fuera: El cableado aleatorio es un sustituto tosco del cableado cuidadosamente evolucionado de una célula o un cerebro reales.

Se ejecuta en: unos 10^11 FLOPS aproximado una laptop, segundos por red Desde: 1969 Redes aleatorias de interruptores genéticos de Stuart Kauffman

[Modelos de redes](https://simulation-hypothesis.com/es/simulations/methods#m-network)[Autómatas celulares](https://simulation-hypothesis.com/es/simulations/methods#m-cellular-automata)nivel: Reglas

### Autómatas celulares continuos

Autómatas celulares cuyos estados de celda, espacio y tiempo son continuos y producen criaturas suaves que se autoorganizan.

Pregunta que responde: ¿Qué patrones parecidos a la vida aparecen en un autómata celular continuo?

Deja fuera: Las reglas son artificiales y no modelan la química real.

Se ejecuta en: unos 10^11 FLOPS aproximado Actualizaciones de malla en GPU Desde: 2018 Lenia: biology of artificial life (2018) [fuente](https://arxiv.org/abs/1812.05433)

[Autómatas celulares](https://simulation-hypothesis.com/es/simulations/methods#m-cellular-automata)nivel: Reglas

### Autómatas celulares neuronales

Cada celda contiene una pequeña red neuronal que aprende la regla local para que una cuadrícula haga crecer y repare un patrón objetivo.

Pregunta que responde: ¿Puede una regla local aprendida hacer crecer y autorreparar un patrón global?

Deja fuera: Los patrones objetivo son pequeños, y las reglas se entrenan, no se descubren.

Se ejecuta en: unos 10^11 FLOPS aproximado Entrenamiento diferenciable a pequeña escala Desde: 2020 Growing Neural Cellular Automata (2020) [fuente](https://distill.pub/2020/growing-ca/)

[Autómatas celulares](https://simulation-hypothesis.com/es/simulations/methods#m-cellular-automata)[Emuladores aprendidos](https://simulation-hypothesis.com/es/simulations/methods#m-learned)nivel: Reglas

### Caldos de programas autorreplicantes

Un conjunto de programas aleatorios que interactúan al azar hasta que, de la mezcla, surgen los que se copian a sí mismos.

Pregunta que responde: ¿Pueden aparecer replicadores sin que se hayan diseñado?

Deja fuera: La elección del lenguaje fija el resultado, y está muy lejos de la química.

Se ejecuta en: unos 10^10 FLOPS aproximado Millones de pequeñas interacciones de programas Desde: 2024 Computational Life: how well-formed, self-replicating programs emerge from simple interaction (2024) [fuente](https://arxiv.org/abs/2406.19108)

[Evolutivo](https://simulation-hypothesis.com/es/simulations/methods#m-evolutionary)[Procesos estocásticos](https://simulation-hypothesis.com/es/simulations/methods#m-stochastic)nivel: Reglas

### Química artificial

Un conjunto de moléculas abstractas que reaccionan según reglas, de modo que puedan aparecer estructuras que se mantienen a sí mismas sin ninguna química real.

Pregunta que responde: ¿Puede surgir una organización química que se sostiene a sí misma a partir de reglas sencillas de reacción?

Deja fuera: Las moléculas son símbolos; faltan las energías de enlace y la geometría reales.

Se ejecuta en: unos 10^9 FLOPS aproximado una laptop, horas Desde: 1991 ya en 1991, AlChemy de Fontana, presentado en la Second Artificial Life Conference [fuente](https://en.wikipedia.org/wiki/Artificial%5Fchemistry)

[Reglas y estados](https://simulation-hypothesis.com/es/simulations/methods#m-rules)[Procesos estocásticos](https://simulation-hypothesis.com/es/simulations/methods#m-stochastic)[Basado en agentes](https://simulation-hypothesis.com/es/simulations/methods#m-agent-based)nivel: Moléculas

### Robótica evolutiva

Los controladores o los cuerpos de robots simulados evolucionan durante muchas generaciones seleccionando el rendimiento en una tarea.

Pregunta que responde: ¿Se pueden criar el cerebro y el cuerpo de un robot en lugar de diseñarlos?

Deja fuera: Los controladores evolucionados en simulación suelen fallar en el hardware real.

Se ejecuta en: unos 10^14 FLOPS aproximado un clúster universitario, días Desde: 1993 ya en 1993, Cliff, Husbands y Harvey, Evolving visually guided robots [fuente](https://doi.org/10.7551/mitpress/3116.003.0051)

[Evolutivo](https://simulation-hypothesis.com/es/simulations/methods#m-evolutionary)[Tiempo real](https://simulation-hypothesis.com/es/simulations/methods#m-real-time)[Ecuaciones diferenciales](https://simulation-hypothesis.com/es/simulations/methods#m-equations)nivel: Cuerpos

### Vida artificial continua

Un autómata celular con estados, espacio y tiempo continuos que produce patrones en movimiento, autoorganizados y de aspecto vivo.

Pregunta que responde: ¿Qué formas parecidas a la vida aparecen cuando las reglas son suaves y no discretas?

Deja fuera: Los patrones se parecen a organismos pero no siguen ninguna biología real.

Se ejecuta en: unos 10^11 FLOPS aproximado un PC para juegos, en tiempo real Desde: 2018 ya en 2018, Chan, Lenia: Biology of Artificial Life (arXiv 1812.05433) [fuente](https://arxiv.org/abs/1812.05433)

[Autómatas celulares](https://simulation-hypothesis.com/es/simulations/methods#m-cellular-automata)[Campos continuos](https://simulation-hypothesis.com/es/simulations/methods#m-continuum)nivel: Reglas

### Modelos inmunitarios artificiales

Poblaciones de agentes que interactúan, parecidos a anticuerpos, y que aprenden a reconocer patrones por selección y efectos de red.

Pregunta que responde: ¿Cómo se adapta un sistema de reconocimiento usando solo interacciones locales?

Deja fuera: Toma prestadas ideas de la inmunología para la computación, y no es un modelo calibrado de una respuesta inmunitaria real.

Se ejecuta en: unos 10^8 FLOPS aproximado una laptop, horas Desde: 1986 ya en 1986, Farmer, Packard y Perelson, The immune system, adaptation, and machine learning [fuente](https://doi.org/10.1016/0167-2789%2886%2990240-x)

[Basado en agentes](https://simulation-hypothesis.com/es/simulations/methods#m-agent-based)[Modelos de redes](https://simulation-hypothesis.com/es/simulations/methods#m-network)[Evolutivo](https://simulation-hypothesis.com/es/simulations/methods#m-evolutionary)nivel: Células

### Batallas de Core War

Programas escritos en un lenguaje ensamblador diminuto luchan por el control de una memoria simulada compartida y se sobrescriben unos a otros.

Pregunta que responde: ¿Qué programa que se copia a sí mismo sobrevive cuando toda la memoria es un campo de batalla?

Deja fuera: La máquina es un conjunto de instrucciones inventado, así que las lecciones no se trasladan al malware real.

Se ejecuta en: unos 10^7 FLOPS aproximado una laptop, segundos por batalla Desde: 1984 ya en 1984, Core War de Jones y Dewdney, en Scientific American [fuente](https://en.wikipedia.org/wiki/Core%5FWar)

[Reglas y estados](https://simulation-hypothesis.com/es/simulations/methods#m-rules)[Eventos discretos](https://simulation-hypothesis.com/es/simulations/methods#m-discrete-event)[Evolutivo](https://simulation-hypothesis.com/es/simulations/methods#m-evolutionary)nivel: Reglas

## Mundos para mentes artificiales

### Entornos de aprendizaje por refuerzo

Mundos simulados donde un agente artificial actúa, es recompensado y mejora a lo largo de millones de intentos.

Pregunta que responde: ¿Puede un agente aprender esta habilidad solo por ensayo y error?

Deja fuera: Las habilidades aprendidas en un mundo simplificado no siempre se transfieren a la complejidad de la realidad.

Se ejecuta en: unos 10^15 FLOPS aproximado un clúster de GPU, días de experiencia simulada Desde: 1992 ya en 1992, TD-Gammon aprendió estrategia de backgammon mediante el autojuego

[Tiempo real](https://simulation-hypothesis.com/es/simulations/methods#m-real-time)[Emuladores aprendidos](https://simulation-hypothesis.com/es/simulations/methods#m-learned)nivel: Cuerpos

### Sociedades de IA multiagente

Muchos agentes de IA que comparten un mundo, con sus propios objetivos, recuerdos y conversaciones.

Pregunta que responde: ¿Qué comportamiento social aparece cuando muchos agentes artificiales viven juntos?

Deja fuera: Los comportamientos que parecen sociales pueden ser trucos muy específicos ajustados a la configuración de entrenamiento.

Se ejecuta en: unos 10^15 FLOPS aproximado un clúster de GPU que ejecuta muchos agentes en paralelo Desde: 2017 ya en 2017, los primeros experimentos con muchos agentes de aprendizaje que comparten un mundo

[Basado en agentes](https://simulation-hypothesis.com/es/simulations/methods#m-agent-based)[Emuladores aprendidos](https://simulation-hypothesis.com/es/simulations/methods#m-learned)nivel: Cuerpos

### Datos de entrenamiento sintéticos

Escenas fotorrealistas generadas en variaciones infinitas para entrenar sistemas de visión.

Pregunta que responde: ¿Puede un sistema entrenado solo con imágenes renderizadas ver el mundo real?

Deja fuera: Las escenas renderizadas son más limpias que la realidad, así que los sistemas entrenados pueden desorientarse con el ruido del mundo real.

Se ejecuta en: unos 10^14 FLOPS aproximado una granja de renderizado o un clúster de GPU, horas por conjunto de datos Desde: 2016 ya en 2016, los primeros conjuntos de datos renderizados entrenan sistemas de reconocimiento de imágenes

[Tiempo real](https://simulation-hypothesis.com/es/simulations/methods#m-real-time)nivel: Cuerpos

### Modelos del mundo aprendidos

Una red neuronal que predice lo que ocurre a continuación en un mundo, con la calidad suficiente para generar escenas jugables de él.

Pregunta que responde: ¿Puede una red aprender a simular un mundo con solo observarlo?

Deja fuera: Las predicciones a largo plazo se alejan de todo lo que sea físicamente coherente.

Se ejecuta en: unos 10^15 FLOPS aproximado un clúster grande de GPU, días de entrenamiento Desde: 2018 Ha y Schmidhuber entrenaron una red para predecir y soñar escenas de tipo videojuego

[Emuladores aprendidos](https://simulation-hypothesis.com/es/simulations/methods#m-learned)nivel: Campos

### Entrenamiento de estrategias por autojuego

Un agente artificial que juega partidas repetidas contra copias de sí mismo en un juego de estrategia abstracto, y mejora en cada ronda.

Pregunta que responde: ¿Hasta dónde puede llegar una estrategia sin más maestro que su propio pasado?

Deja fuera: Las estrategias ajustadas contra una copia del mismo agente pueden tener puntos ciegos que aprovecharía un oponente distinto.

Se ejecuta en: unos 10^16 FLOPS aproximado un clúster grande de GPU, días de autojuego Desde: 1959 El programa de damas de Arthur Samuel aprendió jugando contra sí mismo

[Emuladores aprendidos](https://simulation-hypothesis.com/es/simulations/methods#m-learned)[Teoría de juegos](https://simulation-hypothesis.com/es/simulations/methods#m-game-theory)nivel: Reglas

### Entornos de pruebas adversarias para la seguridad de la IA

Un entorno simulado construido para tentar a un agente artificial a un comportamiento no deseado, de modo que el fallo pueda hallarse antes del despliegue.

Pregunta que responde: ¿En qué condiciones este sistema muestra un comportamiento que no debería?

Deja fuera: Solo prueba los fallos que el equipo rojo pensó en buscar.

Se ejecuta en: unos 10^14 FLOPS aproximado el servidor con GPU de un equipo de investigación, horas por conjunto de pruebas Desde: 2016 ya en 2016, los primeros entornos de pruebas adversarias para agentes de aprendizaje por refuerzo

[Basado en agentes](https://simulation-hypothesis.com/es/simulations/methods#m-agent-based)[Emuladores aprendidos](https://simulation-hypothesis.com/es/simulations/methods#m-learned)nivel: Reglas

### Simuladores domésticos corporizados

Casas virtuales en 3D donde un agente ve, se mueve y manipula objetos, usadas para entrenar y probar IA corporizada.

Pregunta que responde: ¿Puede un agente aprender en una casa virtual tareas que se trasladen a las reales?

Deja fuera: La física de los objetos y la variedad de escenas son limitadas.

Se ejecuta en: unos 10^12 FLOPS aproximado Renderizado en tiempo real, muchas instancias en paralelo Desde: 2017 AI2-THOR: an interactive 3D environment for visual AI (2017) [fuente](https://arxiv.org/abs/1712.05474)

[Tiempo real](https://simulation-hypothesis.com/es/simulations/methods#m-real-time)[Reglas y estados](https://simulation-hypothesis.com/es/simulations/methods#m-rules)nivel: Cuerpos

### Generación de entornos abiertos

Los mundos de entrenamiento se crean y se mutan automáticamente a medida que los agentes aprenden, para que los desafíos sigan creciendo en dificultad y variedad.

Pregunta que responde: ¿Puede un generador de entornos seguir produciendo desafíos nuevos y útiles?

Deja fuera: La búsqueda está limitada por lo que la familia de entornos puede expresar.

Se ejecuta en: unos 10^15 FLOPS aproximado Población de entornos y de agentes Desde: 2019 Paired Open-Ended Trailblazer (POET) (2019) [fuente](https://arxiv.org/abs/1901.01753)

[Evolutivo](https://simulation-hypothesis.com/es/simulations/methods#m-evolutionary)[Emuladores aprendidos](https://simulation-hypothesis.com/es/simulations/methods#m-learned)nivel: Reglas

### Entornos web simulados para agentes

Copias alojadas por cuenta propia de sitios web reales en las que un agente de modelo de lenguaje completa tareas, puntuadas al comprobar el estado final.

Pregunta que responde: ¿Puede un agente completar tareas de varios pasos en sitios web realistas?

Deja fuera: Los sitios son copias estáticas, y la variedad de tareas es limitada.

Se ejecuta en: unos 10^13 FLOPS aproximado Reinicios del entorno y muchas llamadas al modelo Desde: 2023 WebArena (2023) [fuente](https://arxiv.org/abs/2307.13854)

[Reglas y estados](https://simulation-hypothesis.com/es/simulations/methods#m-rules)[Emuladores aprendidos](https://simulation-hypothesis.com/es/simulations/methods#m-learned)nivel: Reglas

### Simuladores de sistemas de recomendación

Una población de usuarios y un catálogo de artículos simulados y configurables, usados para entrenar y probar algoritmos de recomendación.

Pregunta que responde: ¿Cómo se comportaría un algoritmo de recomendación a lo largo de muchas interacciones con los usuarios?

Deja fuera: El comportamiento de los usuarios se supone, no se mide.

Se ejecuta en: unos 10^10 FLOPS aproximado Ejecuciones paralelas baratas Desde: 2019 RecSim: a configurable simulation platform for recommender systems (2019) [fuente](https://arxiv.org/abs/1909.04847)

[Basado en agentes](https://simulation-hypothesis.com/es/simulations/methods#m-agent-based)[Procesos estocásticos](https://simulation-hypothesis.com/es/simulations/methods#m-stochastic)nivel: Reglas

### Motores de juego neuronales

Un modelo de difusión entrenado con grabaciones de partidas genera el fotograma siguiente a partir de las acciones del jugador, y sustituye al motor propio del juego.

Pregunta que responde: ¿Puede una red neuronal ejecutar un juego interactivo a una velocidad jugable?

Deja fuera: La memoria es corta, y los detalles se desvían en las partidas largas.

Se ejecuta en: unos 10^15 FLOPS aproximado Entrenamiento pesado; inferencia en tiempo real en un solo acelerador Desde: 2024 Diffusion models are real-time game engines (2024) [fuente](https://arxiv.org/abs/2408.14837)

[Emuladores aprendidos](https://simulation-hypothesis.com/es/simulations/methods#m-learned)[Tiempo real](https://simulation-hypothesis.com/es/simulations/methods#m-real-time)nivel: Reglas

### Mundos generativos interactivos

Un modelo aprende de video sin etiquetar a crear mundos controlables en los que el usuario puede actuar fotograma a fotograma.

Pregunta que responde: ¿Se puede generar un mundo jugable solo a partir de imágenes?

Deja fuera: La coherencia y la tasa de fotogramas son limitadas, y no se garantiza la física.

Se ejecuta en: unos 10^17 FLOPS aproximado Entrenamiento con video a gran escala Desde: 2024 Genie: generative interactive environments (2024) [fuente](https://arxiv.org/abs/2402.15391)

[Emuladores aprendidos](https://simulation-hypothesis.com/es/simulations/methods#m-learned)nivel: Reglas

### Simuladores interactivos aprendidos del mundo real

Un modelo de video condicionado por acciones predice lo que vería un robot o un agente después de cada orden, y sustituye a un simulador hecho a mano.

Pregunta que responde: ¿Puede un modelo aprendido simular los resultados reales de las acciones?

Deja fuera: Las simulaciones largas generadas paso a paso alucinan, y no se verifica la exactitud física.

Se ejecuta en: unos 10^17 FLOPS aproximado Entrenamiento con grandes conjuntos de datos de video y de acciones Desde: 2023 Learning interactive real-world simulators (2023) [fuente](https://arxiv.org/abs/2310.06114)

[Emuladores aprendidos](https://simulation-hypothesis.com/es/simulations/methods#m-learned)nivel: Reglas

### Modelos generativos del mundo de la conducción

Un modelo de video condicionado por la velocidad y la dirección genera escenas futuras plausibles desde el punto de vista de un automóvil, para entrenar y probar la autonomía.

Pregunta que responde: ¿Qué escenas de tráfico podrían seguir a una acción de conducción dada?

Deja fuera: Las escenas generadas pueden violar la física o el comportamiento de los casos raros.

Se ejecuta en: unos 10^17 FLOPS aproximado Entrenamiento de grandes modelos de video Desde: 2023 GAIA-1: a generative world model for autonomous driving (2023) [fuente](https://arxiv.org/abs/2309.17080)

[Emuladores aprendidos](https://simulation-hypothesis.com/es/simulations/methods#m-learned)nivel: Reglas

### Fútbol de robots simulado

Dos equipos de jugadores de software, cada uno con una visión parcial del campo a través de sentidos ruidosos, juegan al fútbol en un estadio simulado para probar la cooperación y la estrategia.

Pregunta que responde: ¿Pueden jugadores de software independientes coordinarse lo bastante bien para vencer a un equipo rival?

Deja fuera: El campo, la pelota y los cuerpos de los robots están idealizados, así que el éxito muestra tácticas y no destreza con hardware real.

Se ejecuta en: unos 10^9 FLOPS aproximado tiempo real en una estación de trabajo para una partida. Desde: 1998 Soccer Server, de Noda y sus colegas, una herramienta para investigar sistemas multiagente. [fuente](https://doi.org/10.1080/088395198117848)

[Basado en agentes](https://simulation-hypothesis.com/es/simulations/methods#m-agent-based)[Tiempo real](https://simulation-hypothesis.com/es/simulations/methods#m-real-time)[Teoría de juegos](https://simulation-hypothesis.com/es/simulations/methods#m-game-theory)nivel: Poblaciones

### Entornos aislados para agentes de ingeniería de software

A un agente se le da un proyecto de código real y un informe de problema, edita archivos y ejecuta pruebas en un entorno aislado, y se puntúa según si la corrección pasa.

Pregunta que responde: ¿Puede un agente de IA corregir fallos reales en proyectos de software reales sin ayuda?

Deja fuera: Pasar las pruebas no equivale a una solución correcta, y los proyectos son una porción pequeña de todo el software.

Se ejecuta en: unos 10^15 FLOPS aproximado miles de ejecuciones del modelo, cada una con muchas llamadas y pruebas. Desde: 2023 SWE-bench de problemas reales de GitHub para modelos de lenguaje, de Jimenez y sus colegas. [fuente](https://arxiv.org/abs/2310.06770)

[Emuladores aprendidos](https://simulation-hypothesis.com/es/simulations/methods#m-learned)[Tiempo real](https://simulation-hypothesis.com/es/simulations/methods#m-real-time)[Reglas y estados](https://simulation-hypothesis.com/es/simulations/methods#m-rules)nivel: Reglas

### Entornos de agentes en computadoras de escritorio

Una computadora virtual completa con programas reales se da a un agente que ve la pantalla, hace clic y escribe, y se puntúa según si se cumplió la tarea.

Pregunta que responde: ¿Puede un agente de IA llevar a cabo tareas en una computadora como lo hace una persona?

Deja fuera: Las tareas son fijas y con guion, mientras que el trabajo real es abierto, se interrumpe y se comparte con otras personas.

Se ejecuta en: unos 10^15 FLOPS aproximado miles de ejecuciones, cada una con una máquina virtual y muchas llamadas al modelo. Desde: 2024 OSWorld, de Xie y colegas, una evaluación comparativa de agentes en entornos informáticos reales. [fuente](https://doi.org/10.52202/079017-1650)

[Emuladores aprendidos](https://simulation-hypothesis.com/es/simulations/methods#m-learned)[Tiempo real](https://simulation-hypothesis.com/es/simulations/methods#m-real-time)[Reglas y estados](https://simulation-hypothesis.com/es/simulations/methods#m-rules)nivel: Reglas

[◂ Ciudades, infraestructura y operaciones](https://simulation-hypothesis.com/es/simulations/cities-operations)[Matemáticas y computación ▸](https://simulation-hypothesis.com/es/simulations/mathematics-computation)