Los humanoides brillan en las demos, pero suspenden la prueba de generalización: la salida está en los datos

En 2026, los robots humanoides siguen luciendo mejor en vídeo que en una instalación real. The Robot Report lo explica por un fallo en la prueba de generalización: una máquina que trabaja de forma impecable en una escena conocida se pierde cuando cambian el objeto, la iluminación o la formulación de la tarea. La publicación ve la solución en datos de mayor calidad y en el criterio humano. La publicación original es breve y no aporta cifras, así que a continuación se analiza la mecánica del problema con datos abiertos de la industria.

Por qué la demo induce a error

La demostración se desarrolla en un entorno cerrado. La luz está ajustada, los objetos son conocidos, la trayectoria se ha ensayado muchas veces y, en ocasiones, detrás del robot hay un teleoperador. La presentación de Optimus en el evento de Tesla en octubre de 2024 lo ilustra bien: según los medios, parte de los robots se controlaba a distancia. Para recopilar datos de entrenamiento es una práctica normal. Pero un vídeo con teleoperación no puede considerarse prueba de autonomía.

Una política de control entrenada con una distribución estrecha de situaciones solo tiene confianza estadística dentro de esa distribución. Al salir de sus límites, la confianza no disminuye de forma gradual, sino que se desploma. El robot agarra una taza que nunca ha visto y falla por dos centímetros. Con eso basta para que el escenario se venga abajo.

En qué consiste la prueba de generalización

La generalización se evalúa en varios ejes, y cada uno rompe la demo a su manera:

• objetos nuevos: otra forma, masa o material, reflejos en la superficie;
• escena nueva: otra cocina, almacén o estantería, distinta luz y fondo;
• formulación nueva: la misma tarea planteada con otras palabras;
• cuerpo nuevo: transferencia de una habilidad entre robots con distinta cinemática y pinzas;
• horizonte largo: acumulación de errores en una cadena de decenas de pasos.

El último punto es fácil de calcular. Si un robot completa un paso con éxito el 95% de las veces, una cadena de diez pasos terminará sin fallos en aproximadamente un 60% de los casos (0,95 elevado a la décima potencia). Con veinte pasos, queda cerca del 36%. Por eso, un vídeo de un solo episodio no dice nada sobre la fiabilidad durante un turno de trabajo.

La escala de los datos en robótica sigue siendo incomparable con la de los modelos de lenguaje. El conjunto abierto Open X-Embodiment reunió datos de 22 tipos de robots de 21 instituciones, con más de un millón de trayectorias. Para la robótica es un récord, pero los corpus de internet de los LLM son varios órdenes de magnitud mayores. Además, los datos físicos son más caros: cada episodio requiere una máquina real, un operador y tiempo.

Datos y criterio humano

La tesis de The Robot Report se resume en que aumentar el volumen sin más no resuelve el problema. Importa qué datos se recopilan y quién decide qué cuenta como éxito. En la práctica, esto se concreta en varias tareas.

Primera: la selección de demostraciones. El operador pudo haber ejecutado la tarea de forma poco óptima, con movimientos superfluos o por pura casualidad. Esos episodios perjudican el entrenamiento, y debe filtrarlos una persona que entienda el objetivo.

Segunda: el etiquetado del éxito y del éxito parcial. El binario «salió o no salió» oculta qué salió mal exactamente. Una persona distingue entre un objeto que se cae y uno que se deja mal colocado, y para la seguridad en una planta de producción son clases de error distintas.

Tercera: las correcciones durante el trabajo real. Cuando el robot se atasca, el operador interviene, y esa corrección se convierte en el ejemplo de entrenamiento más valioso, porque muestra cómo rectificar justo en la situación en la que la política es débil.

Cómo leer la próxima demo

Para un ingeniero o un inversor, de todo esto se desprende una lista de preguntas que conviene hacer ante cualquier exhibición de un humanoide:

• ¿Trabaja el robot de forma totalmente autónoma o hay teleoperación y guiones?
• ¿Cuántas ejecuciones se muestran seguidas y cuántas terminaron en fallo?
• ¿Cambiaron los objetos y el entorno respecto al entrenamiento?
• ¿Cuál es la longitud de la tarea en pasos y qué porcentaje de éxito hay en cada uno?
• ¿Quién etiqueta los datos y cómo se seleccionan las demostraciones?

Una métrica razonable de madurez no es el número de vídeos impresionantes, sino la proporción de ejecuciones exitosas en un entorno nuevo y sin intervención humana. Mientras las empresas no publiquen esas cifras, la demo seguirá siendo marketing y no una medición.