Physical Intelligence Logra que Robots Aprendan Tareas Sin Entrenamiento Explícito

Un Hito en la Robótica: El Modelo π0.7 Muestra Capacidades de Generalización

La startup de robótica Physical Intelligence, con sede en San Francisco, publicó este jueves 16 de abril de 2026 una investigación revolucionaria que demuestra que su último modelo de inteligencia artificial, llamado π0.7, puede dirigir robots para realizar tareas para las que nunca fueron entrenados explícitamente. Este avance supone un paso significativo hacia el objetivo de crear un ‘cerebro’ robótico de propósito general.

Generalización Composicional: Rompiendo el Paradigma del Entrenamiento

El núcleo del hallazgo es la generalización composicional: la habilidad del modelo para combinar habilidades aprendidas en contextos diferentes y resolver problemas nuevos. Tradicionalmente, el entrenamiento robótico se basaba en la memorización por repetición para cada tarea específica. π0.7 rompe ese patrón.

«Una vez que cruza ese umbral donde pasa de hacer solo exactamente lo que los datos entrenaron a recombinar cosas de nuevas maneras, las capacidades aumentan más que linealmente con la cantidad de datos», explica Sergey Levine, cofundador de Physical Intelligence y profesor de UC Berkeley.

El Caso de la Freidora de Aire: Conocimiento Sintetizado de Fragmentos

La demostración más sorprendente involucra una freidora de aire que el modelo prácticamente no había visto durante el entrenamiento. Al investigar, el equipo solo encontró dos episodios relevantes en todo el conjunto de datos: uno donde un robot diferente simplemente la empujó para cerrarla y otro donde un robot colocó una botella de plástico dentro. A partir de estos fragmentos y datos de pre-entrenamiento web, el modelo sintetizó una comprensión funcional del electrodoméstico.

«Es muy difícil rastrear de dónde viene el conocimiento», admite Ashwin Balakrishna, científico investigador de Physical Intelligence. Sin instrucciones, el modelo hizo un intento aceptable de cocinar una batata. Con instrucciones verbales paso a paso de un humano, el robot realizó la tarea con éxito.

Coaching en Tiempo Real y Limitaciones Actuales

Esta capacidad de coaching es crucial, ya que sugiere que los robots podrían desplegarse en nuevos entornos y mejorarse en tiempo real sin recopilación de datos adicional. Sin embargo, el modelo tiene limitaciones.

• No es autónomo para tareas complejas: No puede ejecutar órdenes de alto nivel como «hazme una tostada» sin guía paso a paso.
• Depende de la ingeniería de prompts: Los investigadores señalan que el éxito puede variar drásticamente según cómo se explique la tarea al modelo.
• Falta de estándares: No existen puntos de referencia estandarizados en robótica, lo que dificulta la validación externa.

Impacto, Financiación y el Factor Sorpresa

El equipo comparó π0.7 con sus propios modelos especializados anteriores y encontró que igualaba su rendimiento en tareas como preparar café, doblar ropa y ensamblar cajas. Más allá de los resultados, lo que destacan los investigadores es la sorpresa que les generó la capacidad de generalización del modelo.

«Los últimos meses han sido la primera vez donde estoy genuinamente sorprendido», confiesa Balakrishna, quien relata cómo el robot pudo hacer girar un engranaje nuevo sin entrenamiento previo.

Physical Intelligence ha recaudado más de $1,000 millones hasta la fecha, con una valoración reciente de $5,600 millones. Se rumorea que está en discusiones para una nueva ronda de financiación que casi duplicaría su valor a $11,000 millones. La startup, respaldada por inversores de alto perfil, se ha abstenido de ofrecer plazos comerciales concretos, enfocándose en la investigación.

Este avance sugiere que la IA robótica podría estar acercándose a un punto de inflexión similar al visto en los modelos de lenguaje, donde las capacidades comienzan a multiplicarse de formas impredecibles.