La robótica física se ha convertido en uno de los sectores más calientes del capital de riesgo. Empresas de todo el mundo están recaudando miles de millones para aplicar al mundo robótico las mismas herramientas que dieron vida a los Grandes Modelos de Lenguaje (LLM). Sin embargo, el reciente desplome de Unitree ha puesto en evidencia un problema central: los robots aún no tienen el «saber hacer» necesario para crear valor en el mundo real.
La startup china Unitree, considerada el principal fabricante de robots del país, protagonizó una de las salidas a bolsa más esperadas del sector al desembarcar en el equivalente chino del NASDAQ con una valoración de $66.000 millones. La emoción, sin embargo, duró poco: esta semana la compañía perdió casi la mitad de su valor.
Los analistas señalan un problema de fondo: las capacidades físicas de los robots mejoran, pero todavía carecen del conocimiento necesario para realizar tareas que generen valor. La promesa de la robótica física choca con la realidad de cerebros artificiales que aún no terminan de entender el mundo.
En la última conferencia Actuate, un encuentro de desarrolladores que construyen cerebros de IA para robots, el entusiasmo era evidente. Según Foxglove, la empresa organizadora, el evento se ha triplicado desde 2023 y reunió a 1.500 asistentes.
El riesgo también estaba en el ambiente. Un cartel en el stand de Avala, otra compañía de infraestructura para la robótica física, prometía resolver «la crisis de datos de la robótica».
Esa crisis no es otra que la falta de datos de entrenamiento de alta calidad para los modelos de IA. Todavía estamos lejos de construir robots generalizados capaces de hacer cualquier tarea, y el aprendizaje de extremo a extremo para tareas específicas no ha logrado productos con un rendimiento comercial fiable.
Para los desarrolladores, la respuesta pasa por imitar los avances de los laboratorios de IA de frontera: encontrar o crear conjuntos de datos más diversos, experimentar con distintos regímenes de entrenamiento y diseñar mejores escenarios de aprendizaje por refuerzo.
Harry Mellsop, fundador de Antioch, una startup que construye herramientas de simulación para creadores de modelos, sugiere que la robótica física está en su «era GPT-2», haciendo referencia al modelo de OpenAI anterior a ChatGPT.
«Se necesitarán más datos y más cómputo para superar el bache, especialmente GPUs optimizadas para ray tracing, que se usan para crear simulaciones de alta fidelidad», explicó.
Los vehículos autónomos son los que más avanzados están, en parte por la capacidad de recopilar datos relevantes de coches conducidos por personas, y en parte porque su tarea principal es evitar el contacto, no manipular el entorno físico.
Gran parte de las herramientas para construir modelos provienen de empresas de vehículos autónomos. Foxglove, por ejemplo, fue fundada por exempleados de Cruise, el antiguo proyecto de conducción autónoma de General Motors.
Ahora, las empresas automotrices apuestan a que sus inversiones en herramientas de machine learning les permitirán competir con los fabricantes de humanoides. Tesla ya lo intenta con su robot Optimus, mientras que Wayve, enfocada en vehículos autónomos, y el gigante de movilidad Uber han lanzado laboratorios de robótica centrados en formas humanoides como parte de sus esfuerzos de I+D.
«Creo que hay que empezar en los vehículos… la robótica de manipulación es como la conducción autónoma de hace cinco años. La infraestructura de datos, la simulación y la infraestructura de ML serán probablemente compartidas, aunque el modelo de mundo específico para el simulador necesitará un post-entrenamiento diferente. Habrá más similitudes que diferencias, pero se necesitarán algunas diferencias para distintas corporalidades», afirmó Alex Kendall, CEO de Wayve.
Kendall cree que es demasiado pronto para comprometerse con una plataforma de hardware concreta, ya que los avances en sensores y otros componentes llegan rápido, y un modelo realmente general debería ser más agnóstico.
Théophile Gervet, CEO de Genesis AI, una empresa de robótica humanoide verticalmente integrada que levantó una ronda semilla de $105 millones, no está de acuerdo con la estrategia de apostar solo por el cerebro.
«Estamos demasiado pronto en esta ola para que una estrategia de cerebro funcione; creemos que hay muchas oportunidades para co-diseñar hardware e IA», señaló.
Gervet también abordó un tema candente: cómo enfocar el negocio de la robótica física. Las empresas que apuntan a tareas específicas están sacando robots al campo: Gritt construye granjas solares, Agility despliega robots en entornos industriales y Bedrock opera excavadoras de forma autónoma. Mientras tanto, los humanoides de uso general no logran salir de los laboratorios.
| Estrategia | Enfoque | Ejemplos |
|---|---|---|
| Vertical / tareas específicas | Robots desplegados en el campo con datos reales | Gritt, Agility, Bedrock |
| Generalista | Humanoides en laboratorio, sin valor claro aún | Robots de propósito general |
«A ningún cliente le importa el robot de propósito general que funciona con una tasa de éxito del 80%. Vemos a muchos actores irse a lo general, pero no aportan valor porque no hay un enfoque vertical… aunque si construyes para un vertical estrecho sobre GPT-2, la compañía que construya sobre GPT-4 te aplastará», advirtió Gervet.
Aun así, enfocarse en un vertical específico es tentador porque no solo genera ingresos, sino también datos de despliegue en el mundo real. Aunque los datos específicos de una tarea pueden carecer de diversidad para impulsar modelos generales, son clave para crear un robot que aporte valor. El CTO de Bedrock, Kevin Peterson, explicó que la empresa comenzó con la excavación como una forma de entender los desafíos de la «manipulación en entornos salvajes», pero planea desarrollar una capa de inteligencia que se extienda por una serie de máquinas de construcción.
Gestionar todos esos datos es un desafío, especialmente por la densidad de los datos visuales y LiDAR. Para acelerar el proceso, Foxglove anunció un nuevo producto construido sobre el modelo abierto de mundo Cosmos de Nvidia que permite a los ingenieros buscar datos con sofisticadas consultas en lenguaje natural para crear evaluaciones y simulaciones. El objetivo es acelerar el triaje y la depuración para que los constructores de modelos puedan iterar más rápido.
Sam Altman ha dicho que el momento ChatGPT de la robótica física está a unos pocos años, pero los expertos del sector matizan la idea. Kendall recuerda que la mayor flota de robots del mundo sigue siendo la de los robots aspiradora de consumo. Para él, un momento ChatGPT sería algo que entusiasme a los consumidores, no solo a los inversores.
«Un ejemplo de ello sería cuando consigas autonomía sin supervisión por menos de 1.000 dólares en hardware en un coche», dijo Kendall, quien además está licenciando modelos a fabricantes de automóviles para lograrlo. Ese negocio, que ve como una oportunidad multimillonaria, les permitirá construir un modelo de IA incorporado realmente general.
Para Gervet, el momento en que la robótica física se vuelva real es «manipulación que funcione lista para usar».
«Puedes hablar con un robot en lenguaje natural y pedirle que haga cualquier tarea básica de manipulación: empujar, tirar, cerrar un portátil, limpiar una mesa… y funciona con un nivel de fiabilidad del 80% o más desde el primer momento. Esa es más o menos tu experiencia ChatGPT», explicó.
Adrian Macneil, CEO de Foxglove, lo ve de otra manera.
«No habrá un momento ChatGPT para la robótica. Lo que hizo de ChatGPT un momento fue la distribución: pasaron de cero a un millón de usuarios activos en una semana… la distribución en el mundo real es mucho más difícil. Me encantaría un momento Apple II en robótica o un momento IBM PC. ¿Cuándo podré comprar un robot doméstico que empiece a hacer cosas útiles y divertidas?», planteó.
La robótica física está en un punto de inflexión. Mientras la industria digiere el batacazo bursátil de Unitree y busca resolver la crisis de datos, los próximos avances dependerán de simulaciones más fieles, mejores infraestructuras de datos y decisiones estratégicas sobre si apostar por robots verticales o generalistas. El camino hacia la próxima gran revolución robótica no será lineal, pero el potencial sigue ahí.
Estas buscando algo?
Nuestros Programas:
Al Ritmo de Miami Healthy
Aprende qué comer y cómo vivir mejor para elevar tu bienestar.
Despertando con Claudio María Domínguez
Reflexiones de espiritualidad, bienestar y conciencia Claudio María Domínguez
Misterios Ocultos
OVNIs, enigmas históricos y lo inexplicable contado por expertos.
Inmigrar a Miami
Tu puente a los Estados Unidos Te ayudamos a alcanzar tus sueños americanos con soluciones personalizada.
