Investigación VLM clasifica 200 categorías de plancton en abierto y nadie valida sus alucinaciones
La IA pasa de clasificar millones de imágenes a predecir jerarquías taxonómicas completas; el reto ya no es velocidad sino quién valida lo que la máquina decide.
Jean-Olivier Irisson, investigador de la Sorbona, resume en una frase por qué dedica su vida al plancton: "Son hermosos". Las imágenes de su laboratorio —azules, naranjas, blanco y negro— revelan geometrías que inspiraron hasta la cabeza del xenomorfo en Alien. Pero la estética es solo la portada: el plancton produce la mitad de la fotosíntesis planetaria y sustenta toda la red trófica marina. Sin él, no hay pesquerías ni regulación climática.
El cuello de botella siempre fue el conteo. Un solo conjunto de datos de Irisson acumula 2,2 millones de organismos fotografiados; clasificarlos a mano es imposible. Su equipo ya usa software de visión por computadora para segmentar e identificar cada espécimen en segundos Irisson en aihub.org.
El salto actual no es solo velocidad. Un grupo de la Universidad de Ciencia y Tecnología de China presentó en OCEANS 2026 Sanya —congreso IEEE celebrado en mayo— el sistema PlanktonTaxonPred: un modelo fundacional de visión-lenguaje (VLM) que predice la taxonomía jerárquica completa de más de 200 categorías de fitoplancton y zooplancton, desde el filo hasta la especie, integrando adquisición, preprocesamiento, embedding y despliegue en una sola tubería Liu et al., IEEE Xplore. Donde los sistemas previos servían como complemento de instrumentos y reconocían listas cerradas en entornos controlados, este VLM generaliza entre conjuntos de datos y ambientes, acercando la identificación a la flexibilidad de un taxónomo humano.
Esa generalización abre la puerta a monitoreo continuo y barato en boyas, vehículos autónomos y satélites de observación oceánica. Pero también ensancha una grieta que la comunidad empieza a señalar: si el modelo escribe el artículo —o el informe de impacto ambiental—, ¿quién valida sus alucinaciones taxonómicas? Un editorial bloqueado por Cloudflare en Journal of Plankton Research alerta de un "vacío de validación" irreversible si no se reinvierte en pericia empírica antes de delegar la autoridad epistémica a la máquina Oxford Academic.
Qué significa para América Latina
La región tiene 72.000 km de costa, megadiversidad marina y economías azules que dependen de pesquerías, turismo y captura de carbono. Brasil, México, Chile, Perú y Colombia operan programas de monitoreo costero, pero la capacidad taxonómica escasea y los muestreos son esporádicos. Un VLM desplegado en edge devices —cámaras submarinas de bajo costo conectadas a GPUs embebidas— podría multiplicar la resolución espacio-temporal de los datos sin importar contenedores de especialistas.
Tres condiciones hacen viable el salto:
- Datos abiertos y regionales: los modelos fundacionales se entrenan mayoritariamente con imágenes del Atlántico Norte y el Pacífico Noroccidental. Integrar colecciones de la Corriente de Humboldt, el Caribe y el Atlántico Sur reduciría el sesgo geográfico.
- Infraestructura de validación: cada país necesita nodos de taxónomos certificados que auditen predicciones del modelo antes de que alimenten decisiones de cuotas pesqueras o alertas de floraciones nocivas.
- Gobernanza de datos: los sensores generan terabytes; la nube soberana o federada evita dependencia de proveedores únicos y cumple marcos de soberanía de datos emergentes en la región.
Mientras tanto, proyectos como el de Irisson demuestran que la IA ya no es promesa: procesa millones de imágenes hoy. El siguiente artículo científico sobre plancton quizás lo firme un modelo, pero la responsabilidad de que sea cierto sigue siendo —y debe seguir siendo— humana.
