Danijar Hafner: el investigador que enseña a los robots a imaginar el futuro antes de actuar

Danijar Hafner, de 31 años, es el protagonista de un perfil de MIT Technology Review dentro de su lista de 'Innovators Under 35' de 2026. El artículo lo retrata en la oficina de su nueva startup, ubicada en el barrio SoMa de San Francisco, todavía en modo sigiloso (stealth): sin nombre en la puerta, con apenas mobiliario y una sola persona más presente el día de la visita. Lo que sí abunda en ese espacio son robots humanoides de distintos tamaños, colgados de estructuras a modo de marionetas, importados de China. Hafner se muestra reservado sobre los detalles de su nuevo proyecto, pero lo describe como una continuación de su trabajo de años: lograr que la inteligencia artificial pueda desenvolverse en entornos que nunca ha visto durante su entrenamiento.

Esos humanoides representan, según el artículo, la evolución física de esa investigación. La lógica es sencilla de enunciar aunque compleja de resolver: si se quiere enviar un robot a la casa de una persona, ese robot tiene que ser capaz de manejarse en una distribución de espacio y unos muebles que jamás ha encontrado antes. Para conseguirlo, Hafner se apoya en una técnica llamada aprendizaje por refuerzo basado en modelos (model-based reinforcement learning). Su método consiste en desarrollar 'modelos de mundo' (world models), es decir, sistemas de IA diseñados para emular la realidad física, y entrenar agentes dentro de ellos. El agente trata ese modelo como si fuera una simulación del mundo real y aprende a actuar en su interior; después usa esa experiencia para predecir -o, como diría Hafner, 'soñar' o 'imaginar'- resultados futuros. Ese proceso es lo que permite que los agentes, y los robots que los incorporan, naveguen situaciones desconocidas en la vida real. A diferencia de otros enfoques de la robótica, la técnica de Hafner permitiría ejecutar tareas muy complejas sin depender del entrenamiento tradicional de ensayo y error en el mundo físico.

El perfil repasa también su trayectoria personal. Hafner creció en un pueblo rural del noreste de Alemania, hijo de dos músicos clásicos, y aprendió a programar gracias a un vecino; en el instituto empezó a tomar cursos online sobre inteligencia artificial, un interés que él mismo atribuye a una fascinación por entender 'cómo funciona el pensamiento'. En 2015, siendo estudiante de segundo año de ingeniería en el Hasso Plattner Institute de Potsdam, consiguió una plaza como investigador estudiantil en Google Brain. A partir de ahí encadenó una docena de prácticas y otros puestos en la compañía, con estancias en Google Brain y Google DeepMind (los dos equipos acabarían fusionándose) en Reino Unido, Canadá y Estados Unidos. Durante ese recorrido trabajó junto a figuras muy conocidas del sector, como Geoffrey Hinton -habitualmente descrito como uno de los 'padrinos' de la IA- y Ashish Vaswani, coautor del influyente paper 'Attention Is All You Need', el trabajo que introdujo la arquitectura transformer sobre la que se basan los grandes modelos de lenguaje actuales.

Uno de sus antiguos responsables y coautores en Google, Timothy Lillicrap, de Google DeepMind, lo describe en el artículo como alguien excepcional incluso entre investigadores de primer nivel: dice que, entre toda la gente inteligente con la que interactúa en la investigación en Google, Hafner se sitúa fácilmente en el 0,5% superior, y añade que en muchos casos ha sido capaz de construir en solitario cosas que normalmente requerirían equipos enteros de ingenieros.

El artículo repasa además el historial de logros con el que Hafner fue perfeccionando y demostrando su enfoque, usando videojuegos populares como banco de pruebas para agentes entrenados dentro de sus modelos de mundo. Su primer gran avance fue PlaNet, un modelo que permitía a los agentes ejecutar acciones planificando por adelantado. Después llegó Dreamer 2, el primer agente en alcanzar un rendimiento de nivel humano jugando a títulos de Atari 2600 mediante un modelo de mundo. Dreamer 3 fue el primero en resolver el llamado 'Minecraft Diamond challenge', es decir, en conseguir minar gemas dentro del juego de forma autónoma. Y Dreamer 4 fue un paso más allá: aprendió a minar diamantes a partir de un conjunto de datos offline de grabaciones de partidas, sin necesidad de interactuar directamente con el juego en ningún momento.

Más recientemente, Hafner comenzó a trasladar sus agentes del mundo virtual a la realidad física. Su proyecto DayDreamer utilizó el algoritmo Dreamer para que robots pudieran operarse a sí mismos en entornos nuevos y reaccionar ante experiencias no previstas -como ser empujados- sin haber recibido un entrenamiento específico para esas situaciones. Ese trabajo enlaza directamente con lo que ahora persigue en su startup, formada tras dejar Google DeepMind en el otoño de 2025.

Sobre esa nueva empresa, el propio Hafner apenas suelta pistas más allá de una frase que cierra el perfil: dice que le interesaba resolver un problema que cambiara el mundo. El artículo no revela el nombre de la compañía, su financiación, sus plazos ni qué producto concreto piensa lanzar; se limita a describir el entorno físico -los robots humanoides importados de China colgados en la oficina- como la pista más tangible de hacia dónde apunta su ambición. En conjunto, el retrato sitúa a Hafner como uno de los investigadores que más ha empujado la idea de que los modelos de mundo, entrenados dentro de simulaciones y videojuegos, pueden convertirse en la base para dotar a robots físicos de la capacidad de improvisar frente a lo imprevisto, un requisito que el propio texto señala como decisivo para que estas máquinas puedan operar algún día dentro de espacios tan variables e impredecibles como un hogar.