Physical Intelligence presenta π0.7, un cerebro para robots capaz de abordar tareas desconocidas

Physical Intelligence, una de las startups más comentadas de la robótica, ha presentado π0.7, una versión actualizada de su modelo-«cerebro» para robots. El avance clave: el sistema ya puede resolver tareas para las que no fue entrenado de forma específica.

Physical Intelligence se fundó en 2023 por un equipo de antiguos investigadores de Google DeepMind, Berkeley y otros laboratorios de primer nivel. Desde el principio se marcó un objetivo ambicioso: crear un cerebro de IA universal para robots físicos, de forma análoga a lo que GPT hizo con el procesamiento de texto. En su primer año, la startup captó unos 400 millones de dólares; entre sus inversores figuran Khosla Ventures, Thrive Capital y Amazon.

El primer modelo público, π0, salió a finales de 2024. Sabía controlar manipuladores y realizar tareas domésticas: doblar la ropa, lavar los platos. Pero se entrenaba con habilidades concretas: cada acción se mostraba de antemano y quedaba fijada en los pesos del modelo.

π0.7 va más allá. Según la compañía, el nuevo modelo puede transferir conocimiento a tareas para las que nunca se entrenó. Dicho de otro modo, generaliza en lugar de limitarse a reproducir lo memorizado. Eso es lo que hace significativo el paso: no se trata de perfeccionarse dentro de escenarios conocidos, sino de la aparición de los primeros indicios de «sentido común» sobre el mundo físico.

La propia compañía es cauta en su formulación: habla de un «paso temprano pero significativo» hacia una meta largamente perseguida, un robot universal capaz de resolver cualquier tarea física sin entrenamiento específico para cada nuevo escenario. Es una diferencia fundamental con la situación actual, en la que un manipulador industrial hace exactamente aquello para lo que fue programado, y nada más.

La generalización lleva décadas siendo uno de los problemas centrales de la robótica. Enseñar a un robot a apretar un tornillo en una cinta transportadora no es difícil. Enseñarle a «apañárselas» con una tarea nueva a partir de una comprensión general de la física y del espacio es otra cosa muy distinta. Fueron los éxitos de los grandes modelos de lenguaje los que empujaron a todo el sector: resultó que el entrenamiento a gran escala con datos heterogéneos dota a los modelos de capacidad de generalizar. Physical Intelligence aplica el mismo principio a las acciones físicas en el mundo real.

La arquitectura de π0.7 no se ha detallado. Históricamente, la compañía construye sus modelos con un enfoque de difusión, aplicado no a píxeles sino al espacio de acciones del robot: en lugar de elegir el siguiente paso de un conjunto fijo, el modelo genera una trayectoria de movimiento y la refina poco a poco, más o menos como una red neuronal refina una imagen.

Queda abierta la cuestión de hasta qué punto son realmente «desconocidas» las tareas desconocidas. La compañía aún no ha publicado benchmarks detallados, y las demostraciones en vídeo, el arma de marketing tradicional de las startups de robótica, no siempre reflejan la fiabilidad real de los sistemas en condiciones no controladas.

Aun así, el hecho en sí importa: una startup con financiación seria y un equipo de talla mundial registra un avance medible hacia la generalización. La carrera por el «cerebro del robot» avanza en paralelo a la de los grandes modelos de lenguaje, y lo que está en juego es comparable. Si en los próximos años se logra crear un modelo verdaderamente universal para controlar un cuerpo físico, cambiará toda la industria de la automatización, de la logística a la cirugía.

π0.7 todavía no es la meta. Pero es una de las pocas señales reales de que el camino hacia ella existe.