La inteligencia artificial física es uno de los sectores más codiciados del capital riesgo: las empresas levantan miles de millones para aplicar a la robótica las herramientas que dieron lugar a los modelos de lenguaje.
Ese entusiasmo trajo una gran salida a bolsa para Unitree, el principal fabricante chino de robots, valorado en 66.000 millones de dólares tras llegar al equivalente chino del Nasdaq. Poco después se hundió y perdió casi la mitad de su valor.
El motivo que señalan los analistas es único y claro: aunque las capacidades físicas de los robots mejoran, siguen sin tener el conocimiento necesario para hacer un trabajo que cree valor.
El diagnóstico del propio sector
En la conferencia Actuate, un encuentro de desarrolladores que construyen cerebros de inteligencia artificial para robots, el entusiasmo era visible. El evento ha triplicado su tamaño desde su primera edición en 2023 y alcanzó los 1.500 asistentes. Pero el riesgo era igual de visible: un cartel en el estand de una empresa de infraestructura prometía resolver "la crisis de datos de la robótica".
Esa crisis es la falta de datos de entrenamiento de calidad. Los intentos de construir robots generalistas capaces de cualquier tarea siguen lejos, y usar aprendizaje de extremo a extremo para tareas concretas no ha dado productos con un rendimiento comercial fiable.
Para los desarrolladores, la respuesta es imitar mejor los avances de los laboratorios de frontera: encontrar o crear conjuntos de datos más diversos, probar regímenes de entrenamiento distintos y diseñar mejores escenarios de aprendizaje por refuerzo.
Qué significa "era GPT-2"
Harry Mellsop, fundador de Antioch, una empresa que construye herramientas de simulación para creadores de modelos, dice que la inteligencia artificial física está en su "era GPT-2", en referencia al modelo de OpenAI anterior a ChatGPT.
La analogía transmite dos cosas a la vez. Primera, un nivel de capacidad: algo funciona, pero no es un producto. Segunda, y más importante, que se conoce la salida: más datos y más cómputo. Mellsop señala en particular la necesidad de procesadores gráficos optimizados para trazado de rayos, que se emplean para crear simulaciones de alta fidelidad.
Por qué van por delante los vehículos autónomos
La rama más avanzada es la de los vehículos autónomos, por dos razones que tienen que ver con los datos:
- Los datos se pueden recoger: proceden de coches conducidos por personas. No existe una fuente comparable sobre cómo debe agarrar un vaso un brazo robótico.
- La tarea es más fácil: el trabajo principal es evitar el contacto, no manipular el entorno físico. No tocar algo exige mucha menos destreza que sujetarlo correctamente.
Buena parte de las herramientas para construir modelos procede también de empresas de conducción autónoma. Foxglove, organizadora de la conferencia, la fundaron antiguos empleados de Cruise, la difunta iniciativa de conducción autónoma de General Motors.
Ahora esas compañías de automoción apuestan cada vez más por que su inversión en herramientas de aprendizaje automático les permita competir con los fabricantes de humanoides. Tesla lo intenta con su robot Optimus, y tanto Wayve, centrada en vehículos autónomos, como el gigante Uber han creado laboratorios de robótica enfocados en formatos humanoides.
Ambas razones juntas producen una consecuencia importante: el conocimiento acumulado en vehículos autónomos se convierte en un capital que se transfiere directamente a la robótica. Las empresas de conducción autónoma llevan años construyendo infraestructura para recoger datos, etiquetarlos, montar simulaciones y evaluar modelos. Esa infraestructura es en gran medida indiferente a si la máquina tiene ruedas o piernas.
La división estratégica: primero el cerebro o diseño conjunto
Aquí el sector se parte en dos.
El director ejecutivo de Wayve, Alex Kendall, defiende empezar por los vehículos: "Creo que hay que empezar en los vehículos. La robótica de manipulación está como la conducción autónoma hace cinco años". A su juicio, la infraestructura de datos, la simulación y la de operaciones de aprendizaje automático probablemente se compartirán, pero el modelo del mundo específico para el simulador exigirá un postentrenamiento distinto. Habrá que introducir diferencias para cada tipo de cuerpo, pero habrá mucho más en común que distinto.
Kendall cree además que es demasiado pronto para comprometerse con una plataforma de hardware concreta: los avances en sensores y otros componentes llegan deprisa y un modelo verdaderamente general debería ser agnóstico respecto al hardware.
Théophile Gervet, director ejecutivo de Genesis AI, una compañía de robótica humanoide verticalmente integrada que levantó este año una ronda semilla de 105 millones de dólares, discrepa: "Estamos demasiado al principio de esta ola para que funcione una estrategia de cerebro; nuestra lectura es que hay muchas oportunidades de diseñar juntos hardware e inteligencia artificial".
Estrecho o general: la trampa real
Otro asunto candente es cómo enfocar el negocio. El cuadro está hoy claramente dividido: las empresas de robótica que apuntan a tareas concretas están sacando sus robots al campo —una construye plantas solares, otra despliega robots en entornos industriales, otra opera excavadoras de forma autónoma—. Mientras tanto, los humanoides de propósito general no salen de los laboratorios.
Gervet plantea el dilema con crudeza: "A ningún cliente le importa el robot de propósito general que funciona con un 80 por ciento de acierto. Vemos a muchos otros actores ir a lo general, pero no aportan valor porque no hay foco vertical. Y sin embargo, si construyes para un vertical estrecho sobre GPT-2, te aplastará la empresa que construya sobre GPT-4".
Esa frase captura el verdadero estrangulamiento del sector. Ir a lo estrecho aporta ingresos y datos reales de despliegue. Pero los datos específicos de una tarea pueden no tener la diversidad necesaria para hacer avanzar modelos generales. Un modelo entrenado con datos de excavadora maneja bien una excavadora; no aprende a vaciar un lavavajillas.
La capa invisible: gestionar los datos
Bajo este debate hay una capa de la que se habla poco pero que decide mucho: la gestión de los datos que se recogen.
Los datos de robótica plantean un problema distinto al del texto. La información visual y de lídar es densa; un solo día de un robot puede ocupar mucho más almacenamiento que millones de palabras en el conjunto de entrenamiento de un modelo de lenguaje. Encontrar el momento útil dentro de ese montón —el fragmento donde el modelo falló, se comportó de forma extraña o se topó con una situación nueva— es un trabajo en sí mismo.
Un producto anunciado en la conferencia apunta justo a ese problema: construido sobre Cosmos, el modelo del mundo de pesos abiertos de Nvidia, permite a los ingenieros buscar en esos datos con consultas sofisticadas en lenguaje natural. El objetivo es acelerar la clasificación y la depuración, y montar antes evaluaciones y simulaciones, para que los creadores de modelos iteren más rápido.
El detalle importa porque muestra dónde está el cuello de botella del campo. El problema no es solo que falten datos: extraer lo instructivo de los datos que ya se tienen es una restricción aparte.
Empezar estrecho y ensanchar
El atractivo del foco vertical no es solo el ingreso; también aporta datos reales de despliegue. Kevin Peterson, director de tecnología de la empresa que opera excavadoras de forma autónoma, describe el enfoque: empezar por la excavación era una manera de entender los desafíos de "la manipulación en el mundo real". Pero el plan no se detiene ahí: la compañía pretende desarrollar una capa de inteligencia que se extienda a toda una serie de máquinas de construcción.
Puede que esa sea la salida del dilema que describe Gervet: empezar en un vertical estrecho, acumular los datos y después llevar esa acumulación a tareas vecinas. Si funciona, todavía se desconoce: no hay aún un resultado que demuestre que un modelo que pasa de la excavadora a la grúa lleve ventaja real sobre otro entrenado desde cero.
Cuándo se dará por ocurrido
¿Existe un "momento ChatGPT" que el sector espera? Surgen tres respuestas distintas y las tres resultan instructivas.
Kendall recuerda que el mayor despliegue de robots del mundo sigue siendo el de los aspiradores domésticos. Para él, un momento ChatGPT sería algo que entusiasmara a los consumidores y no a los inversores: "Un ejemplo sería lograr autonomía sin vigilancia con menos de 1.000 dólares de hardware en un coche".
Para Gervet, el momento es que la manipulación funcione nada más sacarla de la caja: "Poder hablar con un robot en lenguaje natural y que haga cualquier tarea básica de manipulación —empujar, tirar, cerrar un portátil, recoger una mesa, lo que quieras— y que funcione con cierto nivel de fiabilidad, digamos más del 80 por ciento nada más sacarlo de la caja. Eso es más o menos tu experiencia ChatGPT".
El director ejecutivo de Foxglove, Adrian Macneil, rechaza la pregunta de plano: "No habrá un momento ChatGPT para la robótica. Lo que convirtió a ChatGPT en un momento fue la distribución: pasaron de cero a un millón de usuarios activos en una semana. Distribuir en el mundo real es mucho más difícil. Me entusiasmaría mucho ver el momento Apple II de la robótica, o el momento IBM PC".
Por qué importa
La objeción de Macneil ofrece el mejor marco para leer este campo. En el software, un avance se propaga a la velocidad de una descarga. En el mundo físico hace falta una línea de producción, una cadena de suministro, una red de servicio técnico y un precio. El Apple II no llegó en un momento: se extendió a lo largo de años.
La distinción también cuenta para el inversor. En una empresa de software el vínculo entre número de usuarios e ingresos es casi directo; en robótica se interponen la capacidad de producción, el coste unitario y las obligaciones de servicio. Vender un robot nunca ocurrirá a la escala de descargar una aplicación.
Por eso la pérdida de valor de Unitree no sorprende. El mercado había puesto precio a los robots a velocidad de software; lo que ofrece la compañía es un negocio que avanza a velocidad de hardware. La diferencia afloró como la distancia entre la expectativa y la entrega.