Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
IndustriaAnálisis · En radarThe Decoder→ original

OpenAI vuelve a disolver su equipo de robótica: GPT-6 Astra resolvió el 74,8 % de las tareas en simulación frente al 51 %

OpenAI vuelve a disolver su equipo de robótica y apuesta por que GPT-6 Astra, un modelo general, controle un robot por sí mismo, sin necesidad de un modelo de robótica específico. En un estudio de Nvidia, un agente basado en Astra completó el 74,8 % de las tareas en simulación, mientras que los mejores modelos especializados alcanzaron el 51 %. Sin embargo, la prueba se realizó con el robot virtual DROID y no con hardware real. Por eso, conviene probar los modelos generales como «cerebro» de planificación y reservar los modelos específicos para las acciones rápidas.

Procesado por IA desde The Decoder; editado por Hamidun News
OpenAI vuelve a disolver su equipo de robótica: GPT-6 Astra resolvió el 74,8 % de las tareas en simulación frente al 51 %
Fuente: The Decoder. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalThe Decoder ↗
Editor jefe
StationeryBenchAstra completó totalmente 7 de 100 tareas; MolmoAct2, ninguna
Puntuación media de progreso46 para Astra frente a 12 para MolmoAct2 de Ai2
Dato clave #3La decisión se tomó con tanta urgencia que el stand de OpenAI en CoRL, en Austin, quedó vacío

Según Fortune, OpenAI disuelve por segunda vez su equipo independiente de robótica. La razón es la idea de que una red neuronal específica para robots podría sobrar: el modelo general GPT-6 Astra quizá pueda controlar un robot directamente. Para entenderlo: antes se escribía un modelo estrecho para un brazo robótico que solo aprendía a mover el manipulador; ahora, el mismo modelo grande que escribe código y responde preguntas mira la escena y decide hacia dónde extender el brazo.

En un estudio de Nvidia, un agente basado en Astra completó el 74,8 % de las tareas, mientras que los mejores modelos especializados alcanzaron el 51 %. Una salvedad importante: las pruebas se realizaron en el robot virtual DROID, es decir, en simulación, no en hardware real. Para quienes desarrollan robots o agentes, esto es una señal de un posible cambio en el mercado, pero todavía no es una prueba.

Qué cambia dentro de OpenAI

Los investigadores de robótica pasan al equipo principal de investigación, bajo la dirección del director de investigación Mark Chen. Los grupos aplicados de robótica y hardware se integran en Applied, que dirige Greg Brockman. La decisión se tomó tan de repente que la compañía ya había reservado un stand en la Conference on Robot Learning (CoRL), en Austin, y este quedó vacío.

En 2020, OpenAI ya había cerrado esta línea. Entonces, según palabras del cofundador Wojciech Zaremba, faltaban datos de entrenamiento y los grandes modelos de lenguaje parecían un camino más rápido hacia la AGI. El equipo se reconstituyó en 2024. Ahora la razón es otra: la compañía no abandona los robots, sino que quiere acelerar el trabajo diluyendo a sus especialistas en otros equipos.

Qué muestran las pruebas

Además del estudio de Nvidia, existe un nuevo benchmark, StationeryBench. En él, Astra se comparó con el modelo MolmoAct2 de Ai2 en cinco tareas con objetos de papelería sobre una mesa. Las tareas las realizaron robots bimanuales YAM, con un total de 200 intentos. Astra completó totalmente 7 de las 100 tareas; MolmoAct2, ninguna. La puntuación media de progreso fue de 46 para Astra y de 12 para MolmoAct2. La ventaja existe, pero aún queda lejos un funcionamiento fiable: Astra no llevó a término 93 de las 100 tareas.

En otra prueba, Astra, montada en un robot humanoide, se desplazó por una cocina y ordenó allí. Yoav Artzi, de la Cornell University y Google DeepMind, describe el modelo como un salto importante en la comprensión del espacio. Según él, en el benchmark REMAP, aún no publicado, Astra muestra una precisión cercana a la humana. Supone que OpenAI pudo entrenarla con un gran volumen de datos 3D, por ejemplo, escenas creadas en Blender. No se sabe qué cantidad de datos de robótica usaron OpenAI y otros laboratorios. También se observan avances en tareas robóticas en los grandes modelos de Anthropic y Google.

Lo que todavía no está demostrado

Los modelos especializados pueden conservar ventajas en coste, fiabilidad, velocidad y consumo energético, aunque generalicen peor. Para un robot en un almacén o una fábrica, esto es decisivo: un modelo general enorme es más caro de computar y reacciona más despacio. Los resultados en simulación no garantizan lo mismo en robots físicos, y parte de los benchmarks acaba de aparecer o todavía no se ha publicado.

Hay también un contexto empresarial. Según informes, Sam Altman busca presentar en 2027 el primer robot en una demostración pública y, a largo plazo, OpenAI quiere fabricar sus propios robots domésticos. Pero la compañía está sometida a una fuerte presión financiera y debe concentrarse en su negocio principal de IA, donde ha perdido terreno de forma notable frente a Anthropic. Por tanto, la reorganización puede ser también una forma de ahorrar recursos, y no solo una apuesta tecnológica.

Qué significa para los profesionales

Si desarrollas un producto de robótica, no conviene desechar de inmediato los modelos especializados: en precio, velocidad y previsibilidad pueden seguir ganando. Pero ya tiene sentido probar los modelos generales como «cerebro» para la planificación y la comprensión de la escena, y reservar los modelos específicos para las acciones rápidas de bajo nivel. La cuestión clave del próximo año es si los resultados de simulación se confirman en robots reales y cuánto costará este enfoque en explotación.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Qué cambia dentro de OpenAI?

Los investigadores de robótica pasan al equipo principal de investigación, bajo la dirección del director de investigación Mark Chen. Los grupos aplicados de robótica y hardware se integran en Applied, que dirige Greg Brockman. La decisión se tomó tan de repente que la compañía ya había reservado un stand en la Conference on Robot Learning (CoRL), en Austin, y este quedó vacío. En 2020, OpenAI ya había cerrado esta línea.

¿Qué se sabe sobre Qué muestran las pruebas?

Además del estudio de Nvidia, existe un nuevo benchmark, StationeryBench. En él, Astra se comparó con el modelo MolmoAct2 de Ai2 en cinco tareas con objetos de papelería sobre una mesa. Las tareas las realizaron robots bimanuales YAM, con un total de 200 intentos. Astra completó totalmente 7 de las 100 tareas; MolmoAct2, ninguna. La puntuación media de progreso fue de 46 para Astra y de 12 para MolmoAct2.

¿Qué se sabe sobre Lo que todavía no está demostrado?

Los modelos especializados pueden conservar ventajas en coste, fiabilidad, velocidad y consumo energético, aunque generalicen peor. Para un robot en un almacén o una fábrica, esto es decisivo: un modelo general enorme es más caro de computar y reacciona más despacio. Los resultados en simulación no garantizan lo mismo en robots físicos, y parte de los benchmarks acaba de aparecer o todavía no se ha publicado. Hay también un contexto empresarial.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…