Por qué los avances de la IA en robótica no van a cambiar tu vida todavía

El artículo, firmado por Jamie Condliffe y publicado por MIT Technology Review en colaboración con la fundación de investigación Aventine, diseca la brecha entre el entusiasmo desbordante en torno a los robots humanoides y lo que la tecnología realmente es capaz de hacer hoy. El punto de partida es Optimus, el robot humanoide de Tesla, que ha aparecido en vídeos bailando, pasando palomitas, tirando basura, pasando la aspiradora o pulsando botones de un microondas, pero también cayéndose de espaldas al repartir botellas de agua o luchando por planchar una camisa. Elon Musk ha llegado a afirmar que Optimus será "no solo el mayor producto de Tesla, sino probablemente el mayor producto jamás creado", con destreza "humana y luego sobrehumana", capaz de automatizar casi cualquier trabajo humano por apenas 20.000 dólares por unidad, y disponible para el público a finales de 2027, según predijo en el Foro Económico Mundial de Davos en enero.

Musk no está solo en ese optimismo: Marc Andreessen ha dicho que la robótica podría convertirse en "la mayor industria de la historia del planeta", Jensen Huang (Nvidia) afirmó en enero que los robots humanoides igualarían la capacidad humana este mismo año, y Morgan Stanley proyecta casi 1.000 millones de robots "que se parecen y actúan como humanos" para 2050, con un mercado valorado en más de 5 billones de dólares. Estas previsiones se apoyan en la idea de que los mismos avances de IA que impulsaron herramientas como ChatGPT o Claude permitirán que los robots imiten el movimiento humano igual que los chatbots imitan el lenguaje humano.

Sin embargo, el artículo contrapone a esta narrativa el escepticismo de buena parte de la comunidad investigadora. Yann LeCun, uno de los considerados "padrinos de la IA", afirmó en Davos que "ninguna" de las empresas que construyen robots humanoides "tiene ni idea de cómo hacer que esos robots sean lo bastante inteligentes como para ser útiles". Jonathan Hurst, cofundador y director de robótica de Agility Robotics y profesor en Oregon State University, subraya una distinción clave: "es muy fácil hacer un robot que se parezca a una persona", pero "es dramáticamente más difícil hacer una máquina que se mueva o se comporte de forma dinámica o física como una persona". El texto insiste en que confundir la forma humanoide con la capacidad "generalista" (aprender y ejecutar múltiples tareas) es engañoso.

Para explicar el estado real de la técnica, el artículo recurre al laboratorio de Google DeepMind y su plataforma experimental ALOHA 2 ("A Low-cost Open-source Hardware System for Bimanual Teleoperation"), poco más que un par de brazos, pinzas y cámaras, que sirve de banco de pruebas para el sistema de IA Gemini Robotics. Controlado por este modelo, ALOHA 2 puede, por ejemplo, empaquetar una lunchbox colocando pan en una bolsa, uvas en un táper y cerrando todo con cremallera: una tarea modesta, pero que representa un salto objetivo respecto a lo que era posible hace apenas tres años.

Ese progreso se explica por la evolución de las llamadas "políticas de robot" (robot policies), que determinan cómo una máquina percibe su entorno, planifica su movimiento y ejecuta una tarea. Antes se codificaban a mano, línea a línea; ahora se delegan en sistemas de IA. Primero llegaron los modelos de visión-lenguaje (VLM), capaces de identificar un objeto adecuado en una escena (por ejemplo, un paño para limpiar un café derramado). Después llegaron los modelos de visión-lenguaje-acción (VLA), que añaden comandos de movimiento aprendidos mediante teleoperación humana, permitiendo a un robot interpretar una orden como "cierra el portátil" y ejecutarla, siempre que haya visto antes una tarea similar. Gemini Robotics es precisamente un VLA entrenado con muchas horas de demostraciones humanas, lo que le permite tareas relativamente complejas como recoger guisantes con pinzas de cocina u origami, pero con una limitación clara: fuera de su conjunto de entrenamiento, falla con facilidad. Como resume Edward Johns, profesor de robótica del Imperial College de Londres, hoy un modelo así solo puede hacer "unas pocas cosas aquí y otras pocas allá", lejos de una política verdaderamente generalista.

La vía obvia para ampliar esa generalidad —más datos de entrenamiento— choca con un problema estructural: no existe, como en el caso del texto para los grandes modelos de lenguaje, un océano de demostraciones físicas de alta calidad. Las soluciones disponibles son todas imperfectas: contratar personas para generar datos de teleoperación (caro y lento), entrenar con vídeos de personas realizando actividades (datos de peor calidad) o desplegar robots en el mundo real para recoger experiencia (poco seguros o fiables fuera del laboratorio). Pannag Sanketi, que lideró trabajo de robótica en Google DeepMind y ahora tiene su propio proyecto, aboga por una estrategia "multi-frente" que combine todas esas fuentes. Pero Hurst califica la idea de que los datos por sí solos bastan como "una premisa fundamentalmente errónea": tareas aparentemente simples como "hacer café" implican una explosión de variables (cocinas distintas, máquinas distintas, tazas distintas, formas distintas de manejar agua, leche y café), y lograr generalidad solo mediante VLA exigiría una "cobertura de datos completa de todo lo que [un robot] pudiera hacer alguna vez", es decir, un conjunto de entrenamiento casi infinito. LeCun va más allá y descarta el enfoque: "los métodos [de IA] que han funcionado para el lenguaje no funcionan para datos continuos, de alta dimensión y ruidosos", los típicos de la robótica.

La alternativa que gana terreno en la investigación son los llamados "modelos del mundo" (world models), entrenados no tanto con texto como con vídeo, escaneos tridimensionales y datos de sensores, con el objetivo de construir una representación interna de la realidad física lo bastante precisa para predecir cómo se mueven, chocan, caen o deforman los objetos. La promesa es doble: simulaciones fieles a la física real abaratarían y acelerarían el desarrollo al reducir la necesidad de pruebas físicas, y unos robots dotados de estos modelos podrían razonar sobre su entorno y anticipar las consecuencias de una acción antes de ejecutarla, en vez de simplemente reaccionar. Empresas como Nvidia y Google trabajan en ello, y el capital inversor fluye hacia startups destacadas: World Labs, cofundada por la investigadora de Stanford Fei-Fei Li, recaudó 1.000 millones de dólares en febrero y fue adquirida por AMD a finales de septiembre por 8.200 millones de dólares; AMI Labs, cofundada por el propio LeCun tras dejar su cargo de científico jefe de IA en Meta, también recaudó 1.000 millones en marzo. Aun así, la propia Li describió el campo como "incipiente", con "enfoques fundacionales todavía en construcción", y en junio detalló en una publicación los desafíos pendientes. Por ahora, concluye el artículo, los modelos del mundo son un área de investigación prometedora, no una vía inmediata hacia la robótica generalista.

Como muestra de hacia dónde podría ir esto, el reportaje narra en detalle el caso de Physical Intelligence (PI, o π), startup con sede en el Mission District de San Francisco, que persigue un "cerebro universal" capaz de convertir, en teoría, cualquier robot en un generalista. En 2024 PI publicó π0, un VLA entrenado con una colección propia de 10.000 horas de demostraciones humanas por teleoperación más varios conjuntos de datos abiertos. La versión π0.5, de primavera de 2025, amplió la variedad de datos (incluidas imágenes etiquetadas de internet), ganando versatilidad; π0.6, en otoño de 2025, añadió aprendizaje por refuerzo. Cada actualización mejoró el repertorio del modelo, desde doblar ropa lentamente hasta guardar objetos en entornos nuevos o doblar cajas con mayor tasa de éxito.

El salto más llamativo llegó con π0.7, en abril de 2026, que incorpora un modelo del mundo "ligero" capaz de generar imágenes de los pasos necesarios para ejecutar una tarea, ofreciendo al robot una especie de instantánea de qué hacer a continuación. Según PI, el modelo muestra los primeros indicios de "generalización composicional": la capacidad de ejecutar habilidades nunca vistas recombinando otras aprendidas durante el entrenamiento. En una prueba se pidió al robot "meter una batata en la freidora de aire", una tarea que nunca había encontrado antes; en el vídeo de la demostración, la máquina titubea, falla varios intentos y finalmente logra un esfuerzo razonable, aunque sin completar del todo la tarea. Sergey Levine, profesor en UC Berkeley y cofundador de PI, se muestra entusiasmado: "es la primera vez que hemos visto de forma convincente ese tipo de generalización composicional, en la que básicamente podemos pedirle al modelo que haga tareas para las que no recopilamos ni entrenamos datos específicamente, y hace un intento pasable". Curiosamente, al investigar por qué el modelo lo logró, el equipo descubrió que en el material de entrenamiento había fragmentos de datos etiquetados de teleoperación relevantes, incluidos dos ejemplos de un operador humano empujando la cesta de una freidora de aire hacia dentro; esos pocos fragmentos podrían haber bastado para que π0.7 casi completara la tarea con la batata. El artículo subraya que, dada esa exposición tan mínima a las freidoras de aire, aún no está claro cuán impresionante es realmente esta capacidad de generalización, aunque ofrece una idea de hasta dónde puede llegar hoy la investigación de vanguardia.

El texto cierra señalando la distancia entre los pasos titubeantes de laboratorio y la fluidez deslumbrante que se ve en muchas demostraciones y vídeos virales de robots bailando o sirviendo bebidas con cortesía: en muchos casos, advierte, humanos están controlando el robot o han guionizado cuidadosamente sus acciones. El propio robot que apareció en escena junto al CEO de Nvidia, Jensen Huang, en marzo de 2025, aparentemente respondiendo a sus instrucciones y siguiéndolo, era en realidad controlado a distancia por lo que sus creadores llamaron "un titiritero entre bastidores". La planificación de movimiento totalmente autónoma —que el robot sepa adónde ir, sobre todo en entornos nuevos y caóticos como una obra o una casa desconocida— sigue siendo, en gran medida, un reto sin resolver. Un desafío aún mayor, y relacionado, es lograr que los robots aborden tareas más amplias y ambiguas que combinan varias subtareas y requieren decidir cómo y en qué orden ejecutarlas: la diferencia entre un robot que mete un plato en el microondas y uno que responde a la orden "prepara la cena" explorando el frigorífico, cortando ingredientes y encendiendo los fogones. El propio intento de Google DeepMind de algo parecido —pedir a su robot que inspeccionara una cocina y metiera en una cesta todos los ingredientes de un risotto de champiñones— ha terminado, hasta ahora, en fracaso.

A esto se suma que un robot verdaderamente útil debe acertar prácticamente siempre. Marc Raibert, fundador de Boston Dynamics, lo resume con una frase que el artículo destaca: con los VLA, "la gente se entusiasma mucho cuando su resultado pasa del 50% de éxito al 70%", pero "un 70% de éxito es como si no funcionara, ¿no?". El reportaje concluye recordando que los pocos humanoides que hoy se prueban en entornos reales —Agility Robotics cuenta con cientos de robots desplegados en ensayos en instalaciones de GXO Logistics, Amazon y Schaeffler, según la propia compañía— ejecutan tareas extremadamente limitadas en entornos muy controlados, lejos todavía de cualquier noción de robot generalista.

Nota sobre la fuente: el contenido recibido corresponde a la práctica totalidad del artículo publicado por MIT Technology Review, pero el texto se corta de forma abrupta en la última frase (tras mencionar los despliegues de Agility Robotics), por lo que no es posible saber si el artículo incluía un cierre o conclusiones adicionales más allá del punto en que se interrumpe la descarga.