IA encarnada
Por qué importa
En profundidad
Un sistema de IA encarnada ejecuta un bucle continuo: sensores — cámaras, sensores de profundidad, codificadores articulares, a veces tacto — alimentan una pila de percepción, un modelo de política convierte esas observaciones en comandos de acción y los motores los ejecutan en el mundo físico, produciendo observaciones nuevas. Los robots anteriores ejecutaban este bucle sobre pipelines diseñados a mano con módulos separados de mapeo, planificación y control. La ola actual sustituye por una gran red neuronal la mayor parte posible de ese pipeline, tomando directamente la estrategia del Modelo de lenguaje grande: una arquitectura base Transformer ingiere fotogramas de cámara más una instrucción en lenguaje natural y produce comandos para motores. La apuesta subyacente es que la receta que produjo modelos de texto fluidos — datos masivos, modelos masivos, preentrenamiento autosupervisado — también puede producir habilidades físicas generales, ahora que los modelos Multimodal pueden ver y razonar sobre imágenes.
Modelos de visión-lenguaje-acción
La arquitectura característica de esta ola es el modelo de visión-lenguaje-acción, o VLA. Un VLA parte de un modelo preentrenado de visión y lenguaje que ya comprende imágenes y texto, y luego añade una salida de acciones: los comandos para motores se discretizan como tokens y el modelo los predice de la misma manera que un chatbot predice palabras. RT-2 de Google DeepMind, publicado en 2023, mostró por qué esto importa — al pedirle que recogiera "un animal extinto", el robot eligió un dinosaurio de juguete usando conocimiento de preentrenamiento de imágenes y texto a escala web que nunca había aparecido en sus datos de entrenamiento robótico. π0 (pi-zero) de Physical Intelligence extendió la idea a una política generalista entrenada en varias plataformas robóticas, y laboratorios de robótica de empresas como Figure ahora construyen internamente sus propias pilas VLA. El atractivo es la reutilización: el modelo hereda de internet conocimientos de sentido común sobre objetos, lenguaje y escenas, y solo debe aprenderse desde cero la capa motora.
El problema de los datos
Los datos son la restricción vinculante del campo. Los modelos de lenguaje se entrenan con billones de tokens extraídos de internet público, pero no existe un internet de acciones robóticas: ningún corpus preexistente que empareje secuencias de cámara con los comandos exactos para motores que lograron una tarea. El enfoque directo es la teleoperación, donde operadores humanos controlan robots a distancia o usan equipos de captura de movimiento para demostrar tareas como doblar camisas o cargar lavavajillas. Esto produce datos de alta calidad, pero lentamente — una operación bien gestionada podría recopilar miles de demostraciones por día, mientras una política de propósito general probablemente necesite millones. La transferencia entre cuerpos lo empeora: los datos recopilados en un brazo robótico se transfieren mal a otro de geometría distinta, de modo que cada plataforma de hardware reinicia el problema de recopilación.
La otra vía es la simulación. Las políticas se entrenan mediante Aprendizaje por refuerzo dentro de simuladores físicos como Isaac Sim de NVIDIA, donde millones de intentos solo cuestan tiempo de GPU, y luego se transfieren a hardware real — el pipeline sim-to-real. Como la física simulada nunca coincide exactamente con la realidad, los ingenieros aleatorizan la iluminación, las texturas, la fricción y las masas de los objetos durante el entrenamiento, un truco llamado aleatorización de dominio que obliga a la política a ignorar las diferencias. Los Datos sintéticos de la simulación complementan ahora las demostraciones reales en la mayoría de los programas serios, y el Modelo del mundo aprendido promete una tercera fuente: entrenar políticas dentro de las predicciones de una red neuronal en vez de un simulador hecho a mano. Ninguno de estos métodos ha producido todavía una ley de escala verificada para la habilidad física, y hasta que aparezca una, la economía de la recopilación de datos decide quién puede competir.
La parte difícil no es pensar
Una idea equivocada común es que los robots van detrás de los chatbots porque el modelo que los impulsa es más débil, por lo que un LLM mayor cerrará la brecha. La realidad se acerca más a la paradoja de Moravec: las habilidades que los adultos consideran fáciles — atravesar una habitación desordenada, atrapar un vaso que cae, doblar ropa — son computacionalmente brutales, mientras jugar al ajedrez o aprobar el examen de abogacía resultaron comparativamente fáciles. Los modelos de lenguaje parecen sobrehumanos en parte porque el texto es un canal limpio y completo: todo lo que el modelo necesita saber sobre una oración ya está dentro de ella. El mundo físico no ofrece tal lujo. Las fuerzas de contacto son difíciles de simular y más difíciles de sentir, los objetos se deforman y resbalan, y un error no puede deshacerse con la tecla de retroceso. Conectar símbolos abstractos con referentes físicos — el antiguo problema de Grounding — es exactamente lo que un cuerpo obliga al modelo a resolver, y por eso un sistema que escribe sonetos todavía puede fallar al enroscar una bombilla.
Por qué humanoides y por qué ahora
Las máquinas insignia de la ola actual — los humanoides de Figure, Optimus de Tesla, H1 y G1 de Unitree — persiguen el mismo argumento: el mundo construido está diseñado para el cuerpo humano, por lo que un robot con forma humana hereda gratuitamente escaleras, manijas de puertas, herramientas y estaciones de trabajo. Los escépticos responden que las ruedas son más eficientes que las piernas y que los mayores éxitos comerciales de la robótica hasta ahora, como las unidades de almacén de Amazon, no se parecen en nada a personas. Lo que cambió para volver creíble la apuesta humanoide es el software, no el hardware. Los costos de actuadores y cámaras han caído durante años, pero solo el ascenso del Modelo de fundamento volvió plausible que una sola política pudiera manejar la larga cola de variación del mundo real en vez de necesitar un ingeniero especialista por tarea. Si las piernas superan a las ruedas importa menos que si esa generalización funciona en absoluto.
Cómo se ve realmente el despliegue
Los despliegues reales actuales son estrechos y están fuertemente supervisados. Los pilotos humanoides se ejecutan en plantas automotrices y almacenes sobre tareas delimitadas como mover contenedores y clasificar piezas, normalmente con operadores humanos remotos listos para tomar el control cuando la política se confunde. Las normas de seguridad todavía mantienen a los robots separados de las personas, tanto porque las políticas fallan de forma impredecible como porque los regímenes de certificación van detrás de la tecnología. El cómputo también es una restricción: la política debe ejecutarse a la frecuencia del bucle de control sobre hardware a bordo, lo que empuja a los equipos hacia modelos pequeños destilados y la IA en el borde en vez de cerebros a escala de centro de datos. El resumen honesto es que la IA encarnada de mediados de la década de 2020 está aproximadamente donde estaban los modelos de lenguaje justo antes de su despegue — las demostraciones son impactantes, la economía no está probada y el ritmo de mejora, no la capacidad actual, es el verdadero argumento.