Por Canuto  

La inversión en IA física crece con fuerza, pero los desarrolladores advierten que los robots todavía están en una etapa comparable a la era GPT-2: necesitan más datos, simulación y fiabilidad antes de realizar trabajos útiles a escala.
***

  • La industria de robots enfrenta una escasez de datos de entrenamiento de alta calidad, pese al avance de sus capacidades físicas.
  • Unitree registró un debut bursátil con una fuerte subida y una valoración reportada de hasta USD $50.000 millones, según medios; no hay evidencia suficiente aquí para confirmar una valoración de USD $66.000 millones ni una posterior pérdida de casi la mitad.
  • Tesla desarrolla y prueba Optimus, mientras Wayve y Uber cuentan con iniciativas documentadas sobre vehículos autónomos; la evidencia disponible no confirma laboratorios conjuntos enfocados en robots humanoides.

La inteligencia artificial física atraviesa una etapa de entusiasmo inversor, avances técnicos y dudas comerciales. Empresas de robótica están recaudando miles de millones de dólares para trasladar a máquinas capaces de actuar en el mundo real las herramientas que impulsaron a los grandes modelos de lenguaje, pero el sector todavía no resuelve cómo enseñarles conocimientos suficientes para realizar trabajos confiables y rentables.

La tensión quedó expuesta tras el debut bursátil de Unitree, uno de los principales fabricantes chinos de robots. Según reportes citados por medios, sus acciones registraron una fuerte subida en la Bolsa de Shanghái y la compañía llegó a una valoración cercana a los USD $50.000 millones. La evidencia disponible no permite confirmar la cifra de USD $66.000 millones ni afirmar que posteriormente haya perdido casi la mitad de ese valor.

Una industria atrapada en la era GPT-2

En la conferencia Actuate, celebrada la semana pasada, el entusiasmo entre los desarrolladores de cerebros artificiales para robots seguía siendo palpable. El borrador señala que el encuentro, organizado por Foxglove, una empresa dedicada a ayudar a los creadores de modelos de IA física a gestionar y visualizar datos, reunió a 1.500 asistentes y triplicó su tamaño desde la primera edición, realizada en 2023. Ese dato de asistencia y crecimiento no queda corroborado por la evidencia disponible.

Sin embargo, la propia infraestructura del evento mostró el principal obstáculo de la industria. Un cartel en el puesto de Avala, otra compañía dedicada a la infraestructura de IA física, prometía resolver “la crisis de los datos en robótica”, una referencia directa a la falta de conjuntos de entrenamiento diversos, abundantes y suficientemente precisos para que los modelos aprendan a desenvolverse fuera de escenarios controlados.

Los intentos de crear robots generalistas capaces de ejecutar cualquier tarea siguen lejos de su objetivo, mientras que los sistemas entrenados de extremo a extremo para funciones específicas aún no ofrecen un rendimiento comercial confiable. Para los desarrolladores, la ruta más clara consiste en replicar la evolución de los laboratorios de IA: ampliar los conjuntos de datos, probar distintos regímenes de entrenamiento y mejorar los entornos de aprendizaje por refuerzo.

Harry Mellsop, fundador de Antioch, una startup que desarrolla herramientas de simulación para creadores de modelos, describió el momento actual como la “era GPT-2” de la IA física. La comparación alude al modelo de OpenAI que antecedió a ChatGPT y sugiere que la industria todavía necesita más datos y capacidad de cómputo antes de alcanzar un salto comparable al que transformó la IA generativa.

Los datos y la simulación se convierten en el campo de batalla

El avance exigirá no solo más información, sino también hardware especializado para procesarla y convertirla en experiencias de entrenamiento. Mellsop señaló la importancia de las unidades de procesamiento gráfico optimizadas para el trazado de rayos, una tecnología que permite construir simulaciones de alta fidelidad y reproducir con mayor precisión la interacción entre sensores, objetos y superficies.

Los vehículos autónomos representan hoy el caso más avanzado de recopilación de datos relevantes para sistemas físicos. Su ventaja proviene de que pueden aprovechar enormes cantidades de información obtenida de automóviles conducidos por personas y, además, concentran su tarea principal en evitar el contacto, en lugar de manipular de forma continua y precisa los objetos de su entorno.

Buena parte de las herramientas utilizadas para crear estos modelos nació en compañías de conducción autónoma. Foxglove, por ejemplo, fue fundada por antiguos empleados de Cruise, el proyecto de vehículos autónomos de General Motors. La evidencia disponible respalda que GM ha intentado recuperar antiguos empleados de Cruise tras el cierre del proyecto, aunque no aporta detalles independientes sobre la fundación de Foxglove.

Las empresas automotrices también están intentando aprovechar esa base para competir con fabricantes especializados de humanoides. Tesla desarrolla su robot Optimus, según la información publicada por la propia empresa, y ha mostrado pruebas de sus capacidades. Wayve y Uber, por su parte, tienen una colaboración documentada para realizar pruebas de vehículos autónomos en vías públicas del Reino Unido; la evidencia disponible no confirma que ambas compañías hayan lanzado laboratorios de robótica enfocados en formatos humanoides.

“Creo que hay que empezar en los vehículos”, dijo Alex Kendall, CEO de Wayve, a TechCrunch, al comparar la robótica de manipulación con la conducción autónoma de hace cinco años. Según su planteamiento, la infraestructura de datos, la simulación y las operaciones de aprendizaje automático probablemente serán compartidas, aunque cada simulador necesitará un modelo específico y una etapa de ajuste posterior distinta.

¿Cerebro general o hardware diseñado para una tarea?

Kendall considera prematuro comprometerse con una sola plataforma de hardware. Los sensores y otros componentes evolucionan rápidamente, por lo que un modelo verdaderamente general, en su opinión, debería ser relativamente agnóstico respecto a la forma física que lo ejecuta, aunque tendría que conservar adaptaciones para cada tipo de máquina.

Théophile Gervet, CEO de Genesis AI, sostiene una posición diferente. La compañía, dedicada a desarrollar robots humanoides mediante una estructura verticalmente integrada, recaudó una ronda semilla de USD $105 millones este año y defiende el codiseño entre el hardware y la inteligencia artificial como una ventaja para esta etapa temprana.

“Estamos demasiado pronto en esta ola para que una estrategia de cerebro funcione”, afirmó Gervet a TechCrunch. Desde su perspectiva, controlar conjuntamente los componentes físicos y el sistema de IA puede permitir una optimización más profunda, en lugar de intentar crear un cerebro universal que funcione con el mismo desempeño en máquinas construidas para contextos muy distintos.

El debate se conecta con otra decisión fundamental: apostar por robots capaces de hacer muchas cosas o concentrarse en una actividad concreta. Gritt trabaja en granjas solares, Agility despliega máquinas en entornos industriales y Bedrock opera excavadoras autónomas, ejemplos de compañías que buscan llevar robots especializados al campo mientras los humanoides de propósito general permanecen principalmente en laboratorios.

“Ningún cliente se preocupa por el robot de propósito general que funciona con una tasa de éxito del 80%”, dijo Gervet al describir el dilema comercial. En su análisis, un sistema enfocado en un nicho puede generar valor y datos de implementación, pero corre el riesgo de quedar desplazado si otra empresa construye un modelo general mucho más capaz.

Los nichos aportan ingresos y datos del mundo real

La especialización ofrece una ventaja que no siempre aparece en las demostraciones: permite cobrar por un trabajo concreto y obtener información directamente desde operaciones reales. Aunque los datos de una sola tarea quizá no tengan la diversidad necesaria para impulsar un modelo general, sí pueden ayudar a que una máquina sea útil en una industria específica y a revelar los fallos que los entornos de laboratorio no muestran.

Kevin Peterson, CTO de Bedrock, explicó que la empresa comenzó con la excavación para comprender los desafíos de la “manipulación en libertad”. Su objetivo, sin embargo, no se limita a una máquina, porque planea desarrollar una capa de inteligencia que pueda extenderse a varias clases de equipos de construcción.

Administrar esa información representa otro desafío técnico debido a la densidad de los datos visuales y del lidar. Los equipos deben identificar escenas relevantes, encontrar fallos, preparar evaluaciones y construir simulaciones sin perder tiempo revisando manualmente volúmenes crecientes de registros.

Foxglove anunció un producto para abordar ese problema, construido sobre Cosmos, el modelo mundial abierto de Nvidia. La herramienta permite a los ingenieros buscar datos mediante consultas sofisticadas en lenguaje natural, con la meta de acelerar el triaje, la depuración y la creación de evaluaciones y simulaciones para que los desarrolladores puedan iterar con mayor rapidez.

La lógica económica de este enfoque resulta clara, aunque no elimina el riesgo. Un robot especializado puede encontrar antes un comprador porque resuelve una necesidad delimitada, pero su experiencia no necesariamente aporta la variedad requerida para crear una máquina doméstica capaz de adaptarse a tareas imprevistas.

El momento ChatGPT todavía no tiene una fecha clara

Sam Altman ha planteado que 2027 podría ser el año en que aparezcan robots capaces de realizar tareas en el mundo real, según una publicación en su blog; esa previsión no equivale a una fecha confirmada para un “momento ChatGPT” de la robótica. Los participantes del sector tampoco coinciden sobre qué acontecimiento merecería esa comparación. La pregunta no es únicamente cuándo un robot demostrará una capacidad llamativa, sino cuándo esa capacidad alcanzará una distribución suficientemente amplia para cambiar la vida cotidiana.

Kendall recuerda que la mayor implementación mundial de robots sigue siendo la de las aspiradoras domésticas. Para él, un verdadero momento de adopción masiva sería lograr autonomía sin supervisión constante por menos de USD $1.000 en hardware dentro de un automóvil, una meta relacionada con el negocio de Wayve de licenciar modelos a fabricantes.

El ejecutivo considera que esa oportunidad puede representar varios miles de millones de dólares y, al mismo tiempo, servir como plataforma para construir una inteligencia artificial incorporada más general. La tesis vincula el mercado automotor con la robótica porque ambos requieren percepción, simulación, aprendizaje continuo y sistemas capaces de operar con seguridad en entornos cambiantes.

Gervet ubica el umbral en la manipulación fluida y comprensible para cualquier usuario. Su escenario consiste en hablar con un robot en lenguaje natural y pedirle tareas básicas, como empujar, tirar, cerrar una computadora portátil o limpiar una mesa, con una tasa de éxito cercana o superior al 80%, sin ajustes adicionales.

Adrian Macneil, CEO de Foxglove, es menos optimista respecto a la idea de un único instante transformador. “No habrá un momento ChatGPT para la robótica”, dijo a TechCrunch, porque la distribución física es mucho más difícil que pasar de cero a aproximadamente un millón de usuarios activos en una semana.

Macneil prefiere imaginar un “momento Apple II” o un “momento IBM PC” para la robótica: el día en que una persona pueda comprar un robot doméstico que empiece a realizar actividades útiles y entretenidas. Esa visión desplaza la atención desde las valoraciones bursátiles y las rondas de financiación hacia una prueba más exigente: que los consumidores reciban una máquina confiable, asequible y capaz de aportar valor fuera de una demostración.

Causas de movimientos recientes

La evidencia disponible confirma que la OPV de Unitree tuvo una recepción excepcional: la empresa recaudó unos USD $904 millones y sus acciones registraron una fuerte subida inicial, según reportes citados por medios. Ese entusiasmo puede considerarse un catalizador confirmado del aumento de su valoración. No obstante, no se identifica aquí un motivo confirmado para una posterior caída, y no debe presentarse como consecuencia directa de las dudas sobre la utilidad de los robots. La explicación de una corrección por expectativas excesivas es plausible, pero permanece sin confirmar.

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