Décimo aniversario del AI City Challenge: de vigilar coches a entender la ciudad
La décima edición del AI City Challenge no es solo otra tabla de clasificación. La competición, que comenzó en 2017 con tareas bastante prácticas —detectar, clasificar y seguir vehículos en grabaciones de cámaras—, se ha convertido en ocho años en una plataforma a gran escala para la investigación de la IA física. Este año, el desafío se celebra junto con la conferencia ECCV 2026, y sus organizadores han hecho un balance simbólico de una década de evaluación comparativa en el ámbito de las ciudades inteligentes y el transporte inteligente.
¿Qué ha cambiado? Si en los primeros años el foco estaba en «ver y contar» coches, ahora se trata de que la máquina entienda el contexto: quién infringe las normas, qué va a hacer un peatón, qué episodio en la carretera es peligroso y por qué. Esto ya no es solo visión por computador, sino un híbrido de percepción, razonamiento y predicción — ese mismo campo que hoy se denomina IA física.
La escala bate récords
La temporada de aniversario ha atraído notablemente más participantes que la anterior. Este año se han registrado 325 equipos de 26 países y regiones — en comparación, en 2025 había 245 equipos de 15 países. Un crecimiento de casi un tercio en número de equipos y casi el doble en geografía demuestra que los retos del desafío interesan no solo a especialistas en visión para el transporte, sino también a un amplio círculo de investigadores de IA — desde el trabajo con modelos multimodales hasta el modelado generativo.
Esta diversidad de participantes es natural: los tracks de la competición cubren varias áreas que rara vez coinciden en un mismo benchmark.
Seis tracks — seis retos
El programa principal de 2026 consta de seis áreas:
- Percepción 3D multicámara — reconstrucción de la escena tridimensional a partir de datos de varias cámaras, algo crítico para el transporte autónomo y la videovigilancia urbana.
- Subtítulos y VQA para la seguridad del transporte — generación de descripciones textuales de situaciones de tráfico y respuestas a preguntas sobre ellas, para que el sistema pueda explicar qué ocurre en la carretera.
- Razonamiento sobre anomalías de tráfico — detección de eventos inusuales y potencialmente peligrosos y comprensión de sus causas.
- Búsqueda textual de anomalías en personas — búsqueda en grabaciones de vídeo de fragmentos con comportamientos inusuales de peatones a partir de una consulta en lenguaje natural.
- Predicción generativa de flujos de vídeo de transporte — síntesis de fotogramas futuros de escenas de carretera, útil para simuladores y entrenamiento de modelos.
- Detección de objetos entre ciudades — transferencia de un modelo entrenado con datos de una ciudad a cámaras de otra sin pérdida de calidad.
Tracks extra fuera de dominio
Dentro del tercer track, los organizadores han escondido dos tablas de clasificación adicionales — formalmente se consideran los tracks 7 y 8, pero usan datos fuera del dominio principal. El primero se centra en la comprensión de infracciones de tráfico en imágenes de cámaras «ojo de pez» — este tipo de lentes está presente en muchas ciudades, pero los modelos suelen entrenarse con cámaras de calle convencionales. El segundo track extra es VQA sobre intenciones situacionales de peatones: hay que responder preguntas no sobre lo que la persona está haciendo ahora, sino sobre lo que probablemente va a hacer. Esto es notablemente más difícil que el reconocimiento de acciones y exige del modelo una comprensión profunda de la escena.
Por qué ganan los sistemas
El análisis de las soluciones de los participantes revela un patrón interesante. Ninguno de los equipos punteros se apoya solo en una arquitectura. Los enfoques exitosos son una combinación de grandes modelos fundacionales con técnicas más clásicas:
- razonamiento geométrico — uso de relaciones proyectivas entre cámaras y el espacio 3D;
- búsqueda y reordenamiento — selección de fragmentos de vídeo o candidatos relevantes antes de la respuesta final;
- diseño de datos sintéticos — generación de ejemplos de entrenamiento adicionales para escenarios poco frecuentes;
- adaptación de dominio — por ejemplo, transferencia de modelos entre ciudades o tipos de cámaras;
- inferencia controlada — restricción de la salida del modelo mediante reglas o vocabularios definidos.
En otras palabras, el nuevo benchmark ha demostrado que la IA física no se reduce a «coger un modelo grande y lanzarlo sobre los datos». La fiabilidad se logra con esquemas híbridos, donde las redes neuronales se complementan con geometría, conocimiento externo y un postprocesado cuidadoso.
Diez años — el camino de la detección a la comprensión
Si miramos la evolución del AI City Challenge en su conjunto, se ve lo esencial: el benchmark ha dejado de ser solo un campo de pruebas para mejorar la precisión de los detectores. Ahora es una plataforma para validar sistemas inteligentes integrales que deben percibir, razonar y predecir en condiciones de ciudad real. Además, no solo importan la precisión y la velocidad, sino también la privacidad — una capa aparte de tareas está relacionada con la evaluación de modelos sin revelar datos personales.
Los organizadores han publicado un artículo donde describen en detalle la configuración de la competición, todos los conjuntos de datos, los protocolos de evaluación, los resultados de las tablas de clasificación y los materiales del taller. Para investigadores e ingenieros, es, en esencia, una revisión lista para usar del estado actual del campo del transporte inteligente y la IA física — y, al mismo tiempo, una invitación a probar suerte en la próxima temporada.
