1 agosto, 2026 
9 Min 
Sin comentarios 
De una idea matemática de los años 80 a los filtros, videojuegos, autos inteligentes y cámaras que usamos hoy.
Cuando grabás un video, vos ves movimiento. Ves a alguien correr, una pelota cruzar la pantalla, un auto doblar en una esquina, una cara acercándose a la cámara. Pero tu celular no ve eso.
Tu celular ve millones de puntitos de color cambiando de lugar, de brillo, de intensidad, una imagen después de otra.
Entonces aparece una pregunta enorme: ¿cómo pasa una máquina de ver cambios de color a entender que algo se está moviendo?
Una máquina no mira como vos
Para nosotros, el movimiento parece evidente. Si alguien camina frente a nosotros, no necesitamos hacer cuentas para entender que se está desplazando. Nuestro cerebro une las imágenes, interpreta la escena y listo: “esa persona se mueve”.
Pero una computadora no empieza desde ahí. Una cámara captura una imagen. Después otra. Después otra. Cada una está formada por píxeles. Y cada píxel tiene información: color, brillo, posición.
Entonces, para que una máquina “vea” movimiento, primero tiene que comparar. ¿Qué cambió entre una imagen y la siguiente? ¿Qué punto parece haberse desplazado? ¿Hacia dónde? ¿A qué velocidad? ¿Ese cambio es real o solo cambió la luz?
Ahí entra la matemática. No como una cuenta suelta en una hoja, sino como una herramienta para transformar imágenes en información.
Una idea escrita hace décadas
En 1981, Berthold Horn y Brian Schunck publicaron un trabajo que se volvió fundamental para la visión por computadora.
Su objetivo era resolver un problema difícil: cómo extraer información sobre el movimiento en el mundo real a partir de una secuencia de imágenes planas, es decir, imágenes de dos dimensiones. Ese problema se conoce como flujo óptico.
Dicho de manera simple: el flujo óptico intenta calcular hacia dónde se mueven las distintas partes de una imagen.
Imaginate una escena filmada desde un auto. Un peatón cruza. Un árbol queda atrás. Una bicicleta se acerca. La cámara también se mueve. Todo cambia al mismo tiempo.
Para una persona, la escena puede ser clara. Para una máquina, es un rompecabezas de píxeles. Horn y Schunck propusieron una forma matemática de ordenar ese caos.
La máquina no ve movimiento: lo calcula
Podemos pensarlo en tres pasos:
- Para calcular el movimiento, la máquina compara una imagen con la siguiente y busca qué zonas cambiaron.
- Ver movimiento es seguir pistas. Si una zona clara estaba en un lugar y luego aparece un poco más a la derecha, la máquina intenta estimar hacia dónde se desplazó.
- El movimiento puede representarse con flechas. Cada parte de la imagen puede tener una flechita imaginaria que indica dirección y velocidad aproximada.
Aunque hoy existan redes neuronales, inteligencia artificial y computadoras muchísimo más potentes, algunas intuiciones de aquel trabajo siguen siendo importantes. Una idea matemática antigua puede seguir viva en tecnología nueva.
La tecnología cambia todo el tiempo, pero algunas ideas matemáticas siguen debajo, sosteniéndolo todo.
Dos intuiciones simples
La investigación de Horn y Schunck se apoyaba en dos ideas principales.
La primera: si un punto de una imagen se mueve, su brillo debería mantenerse más o menos parecido de un fotograma al siguiente. Por ejemplo, si una pelota blanca se mueve hacia la derecha, la máquina puede buscar dónde aparece esa misma zona clara en la imagen siguiente.
La segunda: las zonas cercanas suelen moverse de forma parecida. Si una persona camina, no tendría sentido que un píxel de su campera vaya hacia la derecha, el de al lado hacia arriba y otro hacia abajo sin ninguna relación. El movimiento suele tener cierta suavidad.
Esto se resume en dos ideas claves: conservación del brillo y suavidad del flujo. A partir de ellas, Horn y Schunck construyeron una ecuación matemática para calcular el movimiento aparente dentro de una secuencia de imágenes.
Parece técnico, pero la intuición es bastante humana: si algo se mueve, deja pistas; y si varias partes pertenecen al mismo objeto, probablemente se muevan juntas.
Algo parecido pasa en el juego del Gallito Ciego. Habrás jugado de chiquita/o seguramente. Cuando alguien tiene los ojos tapados, ya no puede confiar en la vista: tiene que guiarse por pistas. Un ruido, una risa, un paso, una sombra de movimiento en el aire. No “ve” a sus compañeros, pero intenta reconstruir dónde están a partir de señales incompletas.
En cierto modo, una máquina frente a un video enfrenta un desafío parecido: no entiende la escena de golpe, sino que debe seguir pistas, comparar cambios y calcular hacia dónde se mueve algo.
¿Dónde aparece esto en tu vida?
Tal vez nunca escuchaste hablar de flujo óptico. Pero probablemente usaste tecnologías relacionadas con esta idea.
Cuando un filtro sigue tu cara en una app. Cuando un videojuego detecta movimiento. Cuando una cámara estabiliza un video. Cuando una app de realidad aumentada coloca un objeto virtual sobre una mesa. Cuando un auto inteligente necesita detectar si algo se acerca. Cuando un sistema médico analiza el movimiento de tejidos u órganos.
O sea: no estamos hablando de una ecuación encerrada en un libro viejo. Es una idea que todavía respira dentro de tecnologías actuales: aplicaciones en vehículos autónomos, realidad aumentada, compresión de video, análisis médico y robótica.
Matemática para entender cambios
En esa investigación aparecían herramientas avanzadas, como las ecuaciones diferenciales parciales.
El nombre puede asustar un poco, pero la idea general se puede explicar así: son ecuaciones que ayudan a estudiar cómo cambia algo en distintos puntos y a lo largo del tiempo. Por eso aparecen en problemas donde hay variación, propagación o movimiento.
Por ejemplo: cómo se distribuye el calor en un cuerpo sólido; cómo se mueven líquidos y gases; cómo se propagan ondas sonoras; cómo cambia una imagen cuando algo se desplaza.
No hace falta resolver esas ecuaciones para entender la idea central. Lo importante es esto: cuando la realidad cambia, la matemática intenta describir ese cambio. Y el movimiento en una imagen también es una forma de cambio.
Antes de la inteligencia artificial actual
Hoy escuchamos todo el tiempo hablar de inteligencia artificial. Modelos que generan imágenes. Apps que reconocen caras. Autos que detectan peatones. Cámaras que interpretan escenas.
Pero antes de que existieran muchas de esas tecnologías, alguien tuvo que hacerse preguntas más básicas. ¿Cómo se representa una imagen con números? ¿Cómo se compara una imagen con otra? ¿Cómo se calcula un desplazamiento? ¿Cómo se distingue un movimiento real de un cambio de luz? ¿Cómo se le enseña a una máquina a seguir algo que se mueve?
Las respuestas no aparecieron de golpe. Se fueron construyendo con matemática, física, programación, ensayo y error.
La visión por computadora no nació cuando las cámaras se volvieron mejores. También necesitó ideas capaces de interpretar lo que esas cámaras capturaban.
Ver no es solo mirar
Hay una diferencia enorme entre mirar y comprender. Una cámara puede registrar una calle llena de gente. Pero registrar no es entender. Para entender, una máquina necesita detectar bordes, colores, cambios, formas, distancias, direcciones, velocidades.
Necesita convertir una escena en datos. Y después necesita encontrar relaciones entre esos datos.
Eso es lo que vuelve tan interesante este tema para pensar la matemática en la escuela: porque a veces en las aulas nos convocan sólo a resolver ejercicios, de manera metódica, y olvidamos que una idea matemática puede convertirse en una herramienta para interpretar el mundo.
A veces una fórmula no sirve para “hacer una cuenta”. Sirve para que una máquina pueda orientarse.
Una ecuación que resistió el paso del tiempo
La parte más poderosa de esta historia quizás sea esa. Pasaron más de cuarenta años. Cambiaron las computadoras, las cámaras, los celulares. Cambió internet. Llegó la inteligencia artificial moderna.
Y sin embargo, las ideas de fondo de aquel trabajo siguen teniendo valor. El método original fue mejorado con el tiempo, especialmente con la llegada del aprendizaje profundo y las redes neuronales, pero sus intuiciones básicas siguen presentes en el campo de la visión por computadora.
Eso dice algo importante sobre la matemática. No siempre envejece al mismo ritmo que la tecnología.
Un dispositivo puede quedar viejo en pocos años. Una app puede pasar de moda en meses. Un modelo de celular puede parecer antiguo enseguida. Pero una buena idea matemática puede seguir funcionando durante décadas.
La próxima vez que uses un filtro
La próxima vez que una app siga tu cara, que una cámara estabilice un video o que un videojuego detecte movimiento, podés hacerte una pregunta: ¿qué matemática está trabajando debajo de esto?
No para arruinar la diversión. Al contrario. Para descubrir que detrás de muchas cosas que usamos todos los días hay ideas invisibles.
Una pantalla muestra movimiento. Pero debajo hay píxeles, cambios, patrones, estimaciones, flechas imaginarias y ecuaciones intentando responder una pregunta simple: ¿hacia dónde se movió esto?
Quizás esa sea una de las mejores formas de mirar la matemática. No como algo alejado de la vida, sino como una manera de leer lo que cambia. Porque cuando grabás un video, vos ves movimiento. Tu celular ve millones de cambios de color. Y entre una cosa y la otra, silenciosamente, hay matemática.
