7 millones de coches al año pueden convertirse en la escuela de una IA que aprende a conducir: así se prepara para lo inesperado

Creado: 17.09.2026 | 08:27 Actualizado: 17.09.2026 | 08:27

Un coche aparcado ocupa parte de una calle estrecha. Por el carril contrario se acerca otro vehículo y, unos metros más adelante, un peatón camina cerca de la calzada. Para un conductor con experiencia, resolver la situación puede requerir apenas unos segundos: reducir la velocidad, calcular el espacio disponible y decidir cuándo avanzar. Para una inteligencia artificial, detrás de esa maniobra aparentemente rutinaria hay una cadena enorme de cálculos, predicciones y decisiones. Situaciones de este tipo explican buena parte del problema que intenta resolver ahora Hyundai. La conducción automatizada ya puede reconocer carriles, semáforos, vehículos y peatones con bastante precisión en determinados entornos. Lo verdaderamente difícil aparece cuando varios elementos interactúan de una forma que el sistema apenas ha visto antes.

Por eso Hyundai está poniendo el foco en algo menos visible que una nueva cámara o un procesador más potente: la capacidad de aprender de lo que ocurre en carreteras reales. Su nueva infraestructura, denominada Data Flywheel, conecta la recogida de información con el entrenamiento de inteligencia artificial, la validación de los resultados y el posterior despliegue de nuevas versiones del software.

La compañía quiere que los problemas encontrados durante la circulación regresen al laboratorio convertidos en material de aprendizaje. Una obra mal señalizada, una incorporación brusca o un coche detenido en un lugar extraño pueden acabar formando parte del entrenamiento de la siguiente versión del sistema.

La escala industrial juega aquí un papel importante. Hyundai Motor y Kia comercializan conjuntamente más de siete millones de automóviles al año en alrededor de 190 países y regiones, según las cifras del grupo. Si una parte creciente de esa flota puede alimentar una infraestructura común de datos, el fabricante dispondrá de una enorme variedad de situaciones para perfeccionar sus sistemas.

A esa estrategia se suman la colaboración con NVIDIA, el desarrollo interno de Atria AI, la simulación tridimensional y una nueva línea de investigación basada en modelos Visión-Lenguaje-Acción. Son piezas diferentes de un mismo problema: enseñar a una máquina a desenvolverse en carreteras construidas para humanos. El desafío ya no consiste únicamente en conseguir que un coche vea bien lo que tiene delante. También debe aprender qué significa lo que está viendo, cómo reaccionar y, sobre todo, cómo aprovechar cada error o situación inesperada para hacerlo mejor la próxima vez.

El coche empieza a formar parte del sistema que desarrolla su propio software

El concepto de Data Flywheel toma prestada la imagen del volante de inercia, una pieza que conserva energía y mantiene un movimiento estable. En software e inteligencia artificial, la metáfora sirve para describir sistemas donde cada ciclo alimenta el siguiente. Hyundai quiere aplicar ese mecanismo a la conducción. Un automóvil encuentra una situación problemática, los datos se almacenan, el episodio se analiza y la información relevante vuelve al entrenamiento. Después llega una nueva versión del sistema, que debe pasar por diferentes procesos de validación antes de regresar a la carretera. Allí encontrará nuevos escenarios y el proceso comenzará otra vez. La compañía sostiene que esta infraestructura ya está plenamente operativa. Eso no significa que los coches del grupo aprendan por su cuenta mientras circulan ni que cada experiencia provoque inmediatamente una actualización. Entre ambos extremos existe una larga cadena de clasificación, entrenamiento, pruebas y validaciones. Precisamente ahí se juega buena parte de la dificultad. Aprender deprisa resulta útil; hacerlo sin comprobar cuidadosamente qué ha cambiado puede convertirse en un problema. [enlazar con artículo relacionado sobre inteligencia artificial aplicada al automóvil]

Siete millones de coches al año explican por qué los datos se han vuelto tan valiosos

Hyundai y Kia venden conjuntamente más de siete millones de automóviles cada año, una cifra que el grupo presenta como una de sus ventajas para desarrollar conducción automatizada. El razonamiento es sencillo: cuanto mayor es la presencia de una marca en las carreteras, mayor puede llegar a ser la variedad de situaciones reales que observa. Pero tener muchos coches no equivale automáticamente a disponer de buenos datos. Actualmente, Hyundai asegura utilizar unos 40 automóviles específicamente dedicados a recopilar información las 24 horas del día. Son esos vehículos los que registran de forma controlada obras, lluvia, maniobras inesperadas, calles estrechas o tráfico urbano especialmente complejo. A largo plazo, la intención es ampliar el ecosistema de información aprovechando arquitecturas comunes dentro del grupo. Aquí aparece un cambio importante respecto a la automoción tradicional. Durante décadas, fabricar millones de unidades permitía repartir costes industriales entre más coches. Ahora esa escala puede tener otro valor: generar experiencias suficientes para mejorar el software. La producción en masa empieza a funcionar también como infraestructura de aprendizaje. Eso sitúa a los grandes fabricantes en una posición peculiar frente a las empresas tecnológicas que entraron en la carrera de la conducción autónoma desde el mundo del software.

Acumular cantidades gigantescas de información sirve de poco si casi todo lo registrado se parece. Un coche que recorre cientos de kilómetros por una autopista despejada genera muchos datos, pero probablemente encuentra pocas situaciones nuevas. Para entrenar una inteligencia artificial resultan más interesantes los episodios difíciles: un vehículo que invade repentinamente el carril, una carretera estrecha con coches aparcados a ambos lados o un peatón que aparece entre dos obstáculos. Hyundai denomina a muchos de estos escenarios casos límite y está desarrollando herramientas para identificarlos automáticamente dentro de grandes volúmenes de información. El objetivo consiste en dedicar más recursos de entrenamiento precisamente a aquello que el sistema interpreta peor. Es una idea importante porque muestra hasta qué punto ha cambiado la tarea de desarrollar un asistente de conducción. Ya no basta con aumentar el número de kilómetros recorridos. También hace falta decidir qué fragmentos de esos kilómetros tienen valor. La compañía afirma que su plataforma de aprendizaje continuo vuelve a incorporar al entrenamiento los problemas encontrados durante la validación de los automóviles. De ese modo, una situación difícil detectada hoy puede convertirse en material de trabajo para la siguiente versión del software.

Hyundai ha decidido avanzar con NVIDIA mientras desarrolla su propia tecnología

El grupo está siguiendo dos caminos en paralelo. Por un lado, quiere utilizar tecnología de NVIDIA para acelerar la llegada de nuevas funciones de conducción automatizada. Hyundai prevé vehículos de producción con capacidades denominadas Nivel 2+ basadas en estas soluciones durante la primera mitad de 2028, seguidos de funciones que llama Nivel 2++ durante la segunda mitad de ese mismo año. Por otro lado, Hyundai y 42dot trabajan en Atria AI, su sistema propio de conducción de extremo a extremo, cuya introducción en productos de serie con capacidades 2++ está prevista, según el calendario presentado por la compañía, para la segunda mitad de 2029. Esta doble vía reduce la dependencia de un único desarrollo. También permite incorporar antes tecnología externa mientras los equipos internos siguen construyendo su propia plataforma. El acuerdo contempla además avanzar hacia una configuración de sensores común basada en NVIDIA DRIVE Hyperion 10, algo relevante porque una infraestructura compartida facilita utilizar los datos de forma coherente. La colaboración entre Hyundai, Kia y NVIDIA forma así parte de una reorganización más amplia del desarrollo de software dentro del grupo.

Atria AI intenta reducir la distancia entre lo que percibe el coche y lo que decide hacer

Una parte importante de esta estrategia gira alrededor de los sistemas end-to-end, o E2E. En los enfoques clásicos de conducción automatizada, diferentes componentes cumplen funciones muy concretas. Uno identifica las líneas de la carretera, otro reconoce señales, otro calcula distancias y otro decide la trayectoria. Después, diferentes capas de software combinan toda esa información. Los sistemas E2E intentan conectar de forma más directa la percepción del entorno con las decisiones de conducción mediante inteligencia artificial. Atria AI pertenece a esta nueva generación, según la descripción proporcionada por Hyundai y 42dot. La ventaja potencial es que la red puede aprender relaciones muy complejas sin depender de una regla escrita para cada situación. También plantea nuevos desafíos. Cuando un comportamiento surge del entrenamiento de una red neuronal, resulta más difícil rastrear cada decisión hasta una instrucción concreta del código. Eso obliga a reforzar las pruebas, la simulación y el análisis de comportamientos inesperados. Hyundai mostró recientemente un banco de pruebas equipado con Atria AI circulando por Seúl sin intervención del conductor durante las secuencias publicadas. Es una demostración del desarrollo actual, pero no permite por sí sola medir el rendimiento general del sistema en todas las condiciones posibles.

La siguiente idea consiste en enseñar al coche a relacionar imágenes, lenguaje y acciones

42dot trabaja además en una arquitectura denominada Visión-Lenguaje-Acción, o VLA. El nombre describe bastante bien la intención. El sistema recibe información visual, la relaciona con representaciones similares a las utilizadas por los grandes sistemas de lenguaje y, a partir de esa interpretación, genera una acción. Esto puede resultar especialmente útil cuando la carretera presenta situaciones difíciles de reducir a objetos aislados. Un coche aparcado no significa lo mismo que un coche detenido unos segundos. Una persona junto a una obra puede ser simplemente un peatón o alguien encargado de dirigir el tráfico. Para conducir correctamente importa reconocer elementos, pero también comprender sus relaciones. Según 42dot, el uso de lenguaje y conocimientos previamente entrenados podría ayudar a resolver circunstancias poco frecuentes que serían difíciles de aprender únicamente mediante datos de conducción. La empresa se encuentra todavía en una fase de validación mediante simulación y prevé extender las pruebas con vehículos reales entre finales de 2026 y principios de 2027. Es, por tanto, una línea de investigación y desarrollo, no una función lista para el mercado. [enlazar con artículo relacionado sobre IA física y robótica]

La simulación permite repetir cien veces una situación que nadie quiere provocar en la carretera

Las escenas más útiles para comprobar un sistema autónomo suelen ser precisamente las que resulta menos razonable reproducir voluntariamente. Crear una incorporación peligrosa, obligar a un peatón a aparecer inesperadamente o simular un vehículo que invade un carril implica riesgos evidentes. Hyundai intenta trasladar parte de esas pruebas al mundo virtual. Su estrategia incluye reconstruir escenas reales en tres dimensiones utilizando técnicas gráficas como 3D Gaussian Splatting. El propósito es conservar el contexto de una situación capturada en carretera y reproducirla después tantas veces como sea necesario. Un mismo escenario puede utilizarse para comparar diferentes versiones del software o comprobar cómo responde el sistema ante pequeñas variaciones. Esta última parte resulta especialmente importante. Cuando una actualización soluciona un problema concreto, los ingenieros necesitan asegurarse de que no ha deteriorado comportamientos que ya funcionaban correctamente. El desarrollo de conducción automatizada necesita así una especie de memoria digital de situaciones difíciles. Cada versión debe demostrar que ha aprendido algo nuevo sin olvidar lo que sabía antes. [enlazar con artículo relacionado sobre simulación y gemelos digitales]

El registrador de eventos busca guardar precisamente los segundos que merece la pena estudiar

Dentro de este proceso aparece otra herramienta denominada Special Event Recorder, o SER. Hyundai la describe como un sistema capaz de registrar automáticamente acontecimientos significativos mientras funcionan las tecnologías de conducción automatizada. Su función recuerda, con bastantes diferencias técnicas, a la lógica de una caja negra: conservar información alrededor de episodios que merecen un análisis posterior. La compañía quiere integrar progresivamente estos registros en su Data Flywheel para que alimenten el entrenamiento y la mejora del software. También estudia métodos para que la propia inteligencia artificial ayude a detectar qué acontecimientos son especialmente relevantes. Esto responde a un problema práctico. Si millones de coches generasen datos constantemente, almacenar y revisar toda esa información sería extremadamente costoso. Resulta más eficiente localizar los segundos en los que ocurre algo inusual. Un frenazo extraño, una duda al atravesar una intersección o una corrección inesperada pueden contener más información útil que una hora completa de circulación normal. La inteligencia artificial necesita datos, pero sobre todo necesita aprender a distinguir cuáles merecen ser conservados.

Data Union quiere evitar que cada empresa del grupo recopile información de una forma distinta

Hyundai Motor, Kia, 42dot y Motional forman parte de un mismo ecosistema industrial, pero eso no garantiza que todos sus sistemas generen información de manera idéntica. Sensores distintos, formatos diferentes o criterios de registro incompatibles pueden dificultar mucho el uso conjunto de los datos. Para reducir ese problema, el grupo trabaja en lo que denomina Data Union, un marco destinado a estandarizar arquitecturas de sensores y estructuras de información. El propósito no consiste simplemente en mover archivos de una empresa a otra. Hyundai quiere que los datos producidos por diferentes plataformas puedan integrarse en un sistema común de entrenamiento y validación. Es una tarea poco visible para quien conduce, aunque puede tener bastante peso en la velocidad de desarrollo. La industria conoce bien las ventajas de compartir componentes entre diferentes coches. Una misma plataforma puede servir para construir varios modelos y reducir costes. Con el software aparece una lógica parecida, solo que la pieza compartida ya no es un chasis o un motor. Es la forma en la que los coches observan, almacenan y describen lo que sucede a su alrededor. [enlazar con artículo relacionado sobre vehículos definidos por software]

El piloto de Nivel 4 en Gwangju trasladará parte del aprendizaje fuera del laboratorio

Hyundai planea desplegar antes de que termine el año un programa de conducción automatizada de Nivel 4 en Gwangju, en colaboración con el Ministerio de Tierra, Infraestructura y Transporte de Corea del Sur. El proyecto utilizará un banco de pruebas basado en su arquitectura SDV y equipado con Atria AI. Para el grupo, la utilidad principal será obtener datos en condiciones que un circuito cerrado difícilmente reproduce con fidelidad. El tráfico real mezcla comportamientos humanos, diferencias en la infraestructura y situaciones inesperadas que aparecen sin previo aviso. Según Hyundai, la información obtenida durante el piloto regresará después al Data Flywheel para alimentar nuevos ciclos de entrenamiento y validación. La compañía quiere utilizar estas experiencias tanto para mejorar sus desarrollos más avanzados como para perfeccionar sistemas de asistencia destinados a vehículos de producción. Conviene separar ambos ámbitos. Un ensayo de Nivel 4 dentro de un entorno concreto no significa que los futuros Hyundai puedan conducir de forma autónoma en cualquier lugar. El valor inmediato del proyecto reside sobre todo en utilizar una ciudad real como laboratorio controlado de aprendizaje.

Trabajar desde Corea y Estados Unidos permite que un problema siga avanzando mientras otro equipo duerme

El grupo también está reorganizando la forma de trabajar alrededor de estos datos. Hyundai utiliza la expresión Follow-the-Sun para describir un sistema que conecta equipos de Corea del Sur y Estados Unidos aprovechando sus diferencias horarias. La idea es que una incidencia descubierta por un equipo pueda continuar siendo analizada cuando comienza la jornada del otro. Recogida de información, revisión de casos y entrenamiento pueden encadenarse así durante más horas del día. No es una tecnología de conducción, pero muestra hasta qué punto el desarrollo del automóvil se está acercando a los métodos de las grandes plataformas de software. Los ciclos tradicionales de la industria podían durar años y estaban fuertemente ligados al lanzamiento de una nueva generación de producto. Un sistema basado en inteligencia artificial necesita iteraciones mucho más frecuentes. Hyundai pretende acortar esos ciclos sin prescindir de la validación. La compañía insiste en que solo introducirá en producción tecnologías que considere suficientemente comprobadas. Esa precaución resulta especialmente relevante cuando el software no controla una aplicación en una pantalla, sino un objeto de más de una tonelada que circula entre personas.

Los vídeos de Seúl enseñan capacidades interesantes, pero también recuerdan los límites de una demostración

Hyundai ha publicado varias grabaciones de Atria AI circulando por Seúl. Algunas muestran tráfico congestionado en Gangnam, otras incluyen autobuses y alta densidad de vehículos en Jamsil, y también hay secuencias grabadas bajo lluvia en Pangyo. La compañía ha añadido ejemplos de maniobras consideradas especialmente complejas, como esquivar coches estacionados, responder a incorporaciones repentinas, realizar giros a la izquierda sin protección o circular por calles estrechas con tráfico en sentido contrario. Las imágenes ayudan a visualizar el tipo de situaciones en las que está trabajando el sistema. También muestran por qué el problema de la autonomía resulta mucho más complicado que mantener un coche centrado en un carril. Sin embargo, un vídeo seleccionado por el propio fabricante no permite calcular tasas de error, frecuencia de intervenciones ni rendimiento en escenarios diferentes. Tampoco sustituye una evaluación independiente. Su valor está en observar qué problemas intenta resolver Hyundai y hasta dónde ha llegado en esas demostraciones concretas. A partir de ahí, la verdadera prueba será comprobar si ese comportamiento puede repetirse de forma consistente durante millones de kilómetros y en carreteras muy diferentes.

La conducción autónoma se parece cada vez más a un problema de aprendizaje continuo

La imagen clásica del coche autónomo sugería que algún día aparecería un conjunto de sensores y programas suficientemente avanzado como para resolver definitivamente la conducción. El enfoque que está siguiendo Hyundai cuenta una historia distinta. El trabajo nunca termina porque las carreteras tampoco dejan de producir situaciones nuevas. Una obra modifica una intersección durante una semana. Una ciudad cambia la señalización. Los hábitos de los conductores varían entre países. Incluso pequeños detalles locales pueden alterar el significado de una escena aparentemente sencilla. Por eso el Data Flywheel resulta más interesante como idea industrial que como simple nombre tecnológico. Pretende convertir cada problema encontrado en una oportunidad para generar una nueva versión del sistema. Hyundai dispone además de una ventaja que pocas empresas exclusivamente digitales pueden replicar con facilidad: fabrica automóviles a gran escala y los vende en buena parte del mundo. Queda por demostrar hasta qué punto podrá transformar esa presencia global en datos realmente útiles, hacerlo respetando las exigencias de seguridad y llevar después las mejoras a productos de serie. Ahí estará la medida real de esta estrategia.

Durante décadas, aprender a conducir significaba acumular experiencia al volante. Se cometían pequeños errores, se descubrían situaciones nuevas y, poco a poco, algunas decisiones se volvían casi automáticas. La industria intenta ahora construir un proceso parecido para sus sistemas de inteligencia artificial, aunque multiplicado por millones de kilómetros y supervisado por enormes infraestructuras de software.

Hyundai quiere que una calle complicada de Seúl pueda enseñar algo a un sistema que más tarde circulará en otro lugar. Puede que esa capacidad de convertir experiencias aisladas en conocimiento compartido termine siendo tan importante para la conducción automatizada como las cámaras, los radares o los chips que vemos físicamente instalados en el coche. Y seguramente será bastante menos visible.