Modelos entrenados con modelos de la NYC — sin fotos, sin GPS

Peter B. está mostrando cómo se puede enseñar a un AI a razonar sobre la ciudad de Nueva York sin meterle una sola foto ni imagen de nivel de calle. El truco es armar un mapa estructural de la ciudad — calles, cuadras, parques, líneas — y luego usar un vision model para dibujar ese mapa como un boceto. El modelito ve el dibujo, lee la geometría, y aprende el layout. Sin OpenStreetMap dumps, sin satellite tiles. Solo shapes y labels.

Por qué nos importa: la mayoría del geospatial AI todavía depende de imágenes pesadas: feeds de satélite, LiDAR, fotos de nivel de calle. Esas son caras, pesadas en privacidad, y lentas de actualizar. Un line drawing de la ciudad es barato de generar, fácil de versionar, y no lleva el mismo baggage de vigilancia. Para quien esté armando routing, delivery, o herramientas de barrio, es una alternativa más liviana.

El post pasa por el pipeline: una representación estructural, un vision model renderizándola, y el modelito aprendiendo a leer lo que dibujó. Es un proof-of-concept, no un production system — pero muestra una forma de saltarse el stack image-heavy para el reasoning a nivel de ciudad.