Por Canuto  

General Intuition sostiene que la robótica está cerca de vivir un punto de inflexión parecido al que provocaron los grandes modelos de lenguaje. Su tesis es que los robots dejarán de depender de enormes volúmenes de datos específicos y pasarán a construirse sobre modelos de base entrenados con datos de acción, una idea que ya atrajo USD $320 millones y elevó su valoración a USD $2.300 millones.
***

  • General Intuition afirma que la robótica se encamina hacia un modelo de base comparable al efecto de ChatGPT en la IA generativa.
  • La startup entrenó su sistema con millones de horas de datos de videojuegos y luego lo ajustó con apenas ocho minutos de datos reales de robótica.
  • La empresa recaudó USD $320 millones el mes pasado y busca convertirse en la capa fundacional para terceros, no en fabricante de robots.

 

La startup General Intuition cree que la robótica está a punto de entrar en una etapa equivalente al “momento ChatGPT” que transformó la inteligencia artificial generativa. Su planteamiento parte de una idea simple, pero ambiciosa: en vez de entrenar robots especializados desde cero para cada tarea, la industria debería apoyarse en modelos de base capaces de transferir intuición sobre movimiento e interacción entre múltiples entornos.

Esa visión fue expuesta por Pim de Witte, director ejecutivo de la empresa, en declaraciones recogidas por TechCrunch. Según el directivo, buena parte del trabajo actual en robótica se concentra en máquinas, escenarios y aplicaciones demasiado específicas, un enfoque que podría perder relevancia a medida que aparezcan modelos más generales.

La comparación con la evolución de los modelos de lenguaje es central en su argumento. Antes de GPT-3, muchas compañías construían sistemas de procesamiento de lenguaje natural a medida, entrenados desde cero con grandes volúmenes de información orientados a una tarea concreta.

Hoy, en cambio, una porción importante del mercado comienza con modelos de propósito general como GPT, Claude o Llama, y luego los adapta a casos de uso puntuales. De Witte piensa que la llamada IA encarnada, es decir, la inteligencia aplicada a máquinas que actúan en el mundo físico, seguirá una trayectoria comparable.

La promesa no es menor para un sector que históricamente ha tenido costos altos de integración, pruebas y captura de datos. Si el enfoque funciona a escala, podría reducir barreras para nuevas empresas de robótica y acelerar el desarrollo de productos físicos impulsados por IA.

Una apuesta por la generalización como producto

Para General Intuition, el valor principal no está en resolver solo una tarea mecánica concreta, sino en crear un sistema capaz de generalizar. De Witte resumió esa postura con una frase contundente: “La generalización del modelo en sí es el producto”.

En su visión, la clave está en desarrollar un nivel básico de razonamiento sobre espacio y tiempo. Esa base permitiría que el modelo entendiera cómo moverse, reaccionar y operar en contextos distintos sin necesidad de repetir procesos masivos de recolección de datos para cada configuración.

El ejecutivo sostuvo que muchas empresas están haciendo hoy un “trabajo especializado” alrededor de encarnaciones, entornos y robots individuales. A su juicio, una parte significativa de ese esfuerzo pronto será redundante si emergen modelos generales suficientemente robustos.

De Witte incluso planteó que la necesidad de captar cientos de miles o millones de horas de datos reales podría disminuir drásticamente. Según dijo, con un modelo de base adecuado “solo necesitas unos pocos minutos” de datos del mundo real para adaptar el sistema a una tarea robótica determinada.

Ese mensaje toca uno de los debates más sensibles del sector. En robótica, conseguir datos de calidad suele ser costoso porque implica hardware, pruebas físicas, fallas operativas y límites prácticos que no existen en el entrenamiento de software puramente digital.

Para los lectores menos familiarizados con el área, la noción de generalización es decisiva. Un robot que solo funciona bien en un laboratorio perfectamente controlado tiene menos valor comercial que uno que pueda responder de manera razonable ante cambios, objetos nuevos o personas en movimiento.

Datos de videojuegos para entrenar intuición física

La empresa aseguró haber construido su propio modelo de base a partir de millones de horas de datos de videojuegos. Ese conjunto incluye información sobre qué botones presionó una persona en un control y en qué momento lo hizo.

La idea detrás de ese método es que los datos de acción contienen señales útiles para formar una intuición similar a la humana sobre cómo actuar en un entorno. Tanto de Witte como Vinod Khosla, principal inversionista de la startup, defienden que esa clase de datos es crucial para el razonamiento espacial-temporal.

El razonamiento espacial-temporal es una capacidad especialmente importante en IA física. No se trata solo de reconocer un objeto, sino de entender dónde está, cómo cambia con el tiempo, qué trayectorias son posibles y qué acción conviene ejecutar.

Los videojuegos ofrecen una ventaja práctica en ese frente porque generan enormes cantidades de interacciones etiquetadas de manera implícita. Cada pulsación del control y cada resultado dentro del juego forman una secuencia de decisión y consecuencia que puede alimentar el entrenamiento del modelo.

Desde la perspectiva de la startup, esa abundancia de experiencias digitales podría suplir parte de la escasez de datos físicos. Si el modelo internaliza patrones de acción y reacción en mundos simulados, luego podría transferir parte de esa “intuición” a sistemas robóticos reales con ajustes relativamente pequeños.

La tesis no está exenta de riesgo, porque el salto entre entornos digitales y físicos siempre ha sido un reto. Aun así, el hecho de que inversores de gran perfil hayan respaldado la propuesta sugiere que el mercado ve potencial en una estrategia menos dependiente de recopilaciones industriales gigantescas.

La ronda de capital y la prueba con el robot cuadrúpedo

El mes pasado, General Intuition recaudó USD $320 millones. Esa financiación llevó la valoración de la compañía a USD $2.300 millones, una cifra que muestra el nivel de expectativa que despierta la idea de un modelo fundacional para robótica.

El respaldo financiero no se apoya solo en una narrativa de largo plazo. La empresa también presentó resultados concretos de sus pruebas, entre ellos la capacidad de su modelo para jugar un videojuego durante horas y para impulsar un robot cuadrúpedo.

Según explicó de Witte, ese robot fue ajustado con apenas ocho minutos de datos robóticos del mundo real. La afirmación es relevante porque apunta justamente al argumento central de la startup: reducir drásticamente la cantidad de información física necesaria para obtener desempeño útil.

El CEO dijo además que el comportamiento del sistema superó sus propias expectativas. En particular, destacó que el robot pudo realizar tareas en modalidad zero-shot usando solo la cámara frontal y sin otros sensores adicionales.

De acuerdo con sus declaraciones, esas pruebas ocurrieron en la oficina con objetos dinámicos introducidos en el entorno y personas pasando alrededor. Que el robot respondiera en esas condiciones fue, en palabras del directivo, “una gran sorpresa” para el equipo.

La expresión zero-shot se usa para describir casos en los que un sistema ejecuta una tarea sin entrenamiento específico previo para ese escenario exacto. En robótica, ese nivel de adaptación suele considerarse especialmente valioso porque reduce tiempos de preparación y costos de despliegue.

El negocio no es fabricar robots, sino habilitar a otros

General Intuition no quiere convertirse en fabricante de robots como objetivo principal. Su meta final es actuar como el modelo de base de la IA física para que otras compañías construyan sobre esa capa fundacional sus propias máquinas y aplicaciones.

Esa estrategia recuerda a lo que ocurrió en el mercado de modelos de lenguaje, donde varias empresas dejaron de entrenar sistemas desde cero y comenzaron a crear productos sobre modelos generalistas. En este caso, la apuesta sería reproducir esa lógica en sectores como robótica móvil, automatización industrial o incluso vehículos autónomos.

De Witte explicó la idea con otra comparación directa: “No vamos a construir una empresa de coches autónomos. Vamos a facilitar diez veces más a la próxima persona para construir una empresa de coches autónomos”.

El énfasis está puesto en ser infraestructura intelectual y técnica, no necesariamente el producto final de cara al consumidor. Eso podría abrir una oportunidad de negocio más escalable si el modelo logra integrarse en múltiples plataformas y tipos de hardware.

También cambia la forma en que se mide el éxito de la compañía. En lugar de evaluar cuántos robots vende por cuenta propia, el mercado probablemente observará qué tan transferible es su tecnología, cuántos socios la adoptan y en cuántos entornos mantiene un rendimiento confiable.

Para los inversores, ese enfoque puede resultar atractivo porque se parece al papel que cumplen las capas fundacionales en software. Sin embargo, en robótica la exigencia es más dura, ya que los errores no quedan confinados a una pantalla y pueden traducirse en fallas físicas, costos operativos o riesgos de seguridad.

Lo que esta tesis implica para la IA y los mercados tecnológicos

La propuesta de General Intuition llega en un momento en que el mercado tecnológico busca la próxima gran plataforma después del auge de la IA generativa. La robótica aparece como una candidata natural, pero sigue enfrentando obstáculos de costo, estandarización y datos.

Si modelos de base como el que describe la startup realmente permiten transferir intuición entre entornos, el impacto podría extenderse más allá de la robótica tradicional. Sectores como logística, manufactura, automatización de oficinas y movilidad autónoma seguirían con atención una señal de ese tipo.

Al mismo tiempo, conviene mantener una lectura prudente. La historia reciente de la inteligencia artificial muestra que las demostraciones iniciales pueden ser llamativas, pero la adopción industrial exige consistencia, seguridad y resultados repetibles fuera de laboratorios o pruebas controladas.

En ese sentido, lo más importante del caso no es solo la magnitud de la ronda, sino la ambición de redefinir cómo se entrena la inteligencia física. La idea de sustituir enormes volúmenes de datos reales por conjuntos más pequeños y de mejor calidad podría alterar las economías del sector si demuestra ser sostenible.

Por ahora, los hechos reportados son claros: la compañía ya tiene un modelo entrenado con millones de horas de datos de videojuegos, asegura haberlo adaptado a un cuadrúpedo con ocho minutos de datos reales y ha convencido a inversionistas de valorarla en USD $2.300 millones.

Si esa combinación de capital, narrativa y evidencia técnica basta para inaugurar el verdadero “momento ChatGPT” de la robótica, será algo que el mercado comprobará con el tiempo. De momento, General Intuition ya logró colocarse en el centro de una conversación clave sobre el futuro de la IA física.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados