EinsiaAI lanza EmbodiedEvo: un agente que se autoevoluciona lidera Robodojo

EinsiaAI ha presentado EmbodiedEvo, un Coding Agent que no se limita a escribir programas para controlar un robot, sino que además evoluciona a partir de los resultados de sus propios intentos. Según Jiqizhixin, el sistema ocupa el primer puesto en el benchmark Robodojo, al que la prensa china llama el «Everest» de la inteligencia encarnada. El fragmento disponible de la publicación no incluye cifras detalladas, por lo que aún es pronto para evaluar la magnitud de la ventaja.

Un agente que escribe código para el cuerpo

La lógica de partida es sencilla. El Coding Agent recibe del robot una interfaz: puede observar la escena, invocar primitivas de control, ejecutar sus propios programas y leer el resultado. Después viene un ciclo que conoce cualquiera que haya trabajado con agentes de desarrollo: escribe, ejecuta, mira el error y reescribe.

La publicación señala una observación importante. Incluso sin ajuste fino para una tarea concreta, los agentes frontier en modo zero-shot logran tasas de éxito al nivel de los sistemas VLA y WAM entrenados en escenas similares. Es una afirmación contundente. Los modelos de acción especializados requieren datos de teleoperación, simulaciones y un entrenamiento específico para cada plataforma. Un modelo de lenguaje generalista con acceso a una API prescinde de todo eso.

Pero este enfoque tiene un techo. Según el texto, el zero-shot es solo el comienzo del camino: el agente resuelve la tarea desde cero cada vez, sin acumular experiencia.

Qué aporta la autoevolución

Aquí entra EmbodiedEvo. El nombre y el posicionamiento apuntan a un mecanismo por el cual el agente mejora sus propias estrategias, habilidades o código de trabajo entre iteraciones, y no solo dentro de un único episodio. La parte disponible de la fuente no explica cómo funciona exactamente: se desconoce qué es lo que evoluciona (los prompts, la biblioteca de habilidades o el propio código) y qué presupuesto de cómputo requiere cada ciclo.

Hechos conocidos hasta hoy:

• desarrollador: EinsiaAI, lanzamiento registrado el 15 de octubre de 2026;
• tipo de sistema: Coding Agent que se autoevoluciona, para IA encarnada;
• resultado: primer puesto en Robodojo;
• comparación de referencia: agentes frontier en zero-shot al nivel de VLA y WAM entrenados en escenas cercanas;
• no se ha revelado: los porcentajes absolutos de éxito, el número de tareas, la distancia respecto al segundo puesto, el modelo base utilizado y el coste de ejecución.

Cómo leer este resultado

Para los ingenieros de robótica, la principal conclusión está en el cambio de la pregunta arquitectónica. Hasta ahora había que elegir entre una red neuronal de extremo a extremo que emite acciones y un pipeline clásico con planificador. Un agente que escribe código ofrece una tercera vía: el programa sigue siendo legible, y se puede depurar, versionar y verificar con tests. Para escenarios industriales donde se exige explicabilidad, es una ventaja considerable.

Preguntas prácticas que conviene plantearse antes de llevar este enfoque a un producto:

• cómo se relaciona el resultado en Robodojo con el hardware real, y no solo con la simulación;
• cuántos intentos y tokens necesita el agente para alcanzar el nivel declarado;
• hasta qué punto es seguro ejecutar código escrito por el propio agente en un manipulador físico sin una capa rígida de restricciones;
• si las habilidades acumuladas se transfieren entre distintos robots.

Mientras EinsiaAI no publique un informe técnico y métricas reproducibles, conviene tomar EmbodiedEvo como una señal notable sobre la dirección del sector, y no como una cuestión cerrada. Pero la señal en sí es clara: junto a los modelos VLA se está formando una línea competidora en la que al robot no lo controla una red, sino un agente programador que aprende de sus propios errores.