Cómo OpenAI, Google y Figure están cambiando el entrenamiento de robots: breve historia de un enfoque
Hasta hace poco, la robótica vivía en el modo «soñamos con C-3PO, fabricamos Roomba». Ahora la lógica está cambiando: en lugar de reglas rígidas, los robots aprenden en simulaciones, a partir de demostraciones humanas y con grandes modelos vision-language-action. Este giro ya se refleja en el dinero: en 2025 se invirtieron 6,1 mil millones de dólares en robots humanoides. Pero el asistente doméstico universal todavía queda lejos: lo impiden la seguridad, la fragilidad y la escasez de datos reales.
Procesado por IA desde MIT Technology Review; editado por Hamidun News
La robótica vive algo más profundo que una nueva vuelta de tuerca en el hardware: está cambiando la propia lógica del aprendizaje. Cada vez menos máquinas se programan a mano y cada vez más se entrenan con datos, simulaciones y grandes modelos multimodales. Durante mucho tiempo, el sector arrastró una brecha evidente entre ambición y resultados.
Los ingenieros soñaban con robots de ciencia ficción: asistentes universales capaces de moverse por el mundo real, entender a las personas y realizar decenas de tareas de forma segura. En la práctica, el mercado se sostuvo durante décadas sobre todo gracias a sistemas mucho más acotados: brazos robóticos para fábricas, manipuladores de almacén y dispositivos domésticos como los robots aspiradores. El problema no era la falta de mecánica, sino que los robots se desenvolvían mal en entornos impredecibles.
Cualquier desviación del guion —un objeto nuevo, otro ángulo de cámara, un cambio de iluminación— desbarataba rápidamente su comportamiento. El primer gran cambio llegó con el aprendizaje por ensayo y error. En la década de 2010, los especialistas en robótica empezaron a usar de forma intensiva el reinforcement learning y los simuladores, donde una máquina puede entrenar millones de veces sin riesgo de romper equipos caros.
Un ejemplo representativo es Dactyl, la mano robótica de OpenAI: se entrenó en simulación para manipular un cubo de Rubik y después esa habilidad se trasladó al mundo real. La idea clave fue la domain randomization: durante el entrenamiento se variaban los parámetros del entorno, la fricción, la masa de los objetos, la imagen de las cámaras y otros detalles. Así, el robot no aprendía un único escenario ideal, sino un comportamiento robusto en un amplio abanico de condiciones.
En paralelo avanzó el aprendizaje por demostración: los robots empezaron a aprender observando acciones humanas, en lugar de que alguien escribiera cada regla a mano. Pero tampoco bastaba. Las simulaciones aceleraban el aprendizaje, pero la brecha entre el entorno virtual y el físico seguía ahí, y los datos reales continuaban siendo caros y escasos.
Por eso, la siguiente etapa arrancó cuando la robótica adoptó los enfoques del auge de los grandes modelos. En lugar de sistemas independientes para una sola tarea, los investigadores empezaron a reunir grandes conjuntos de trayectorias, imágenes, instrucciones de texto y acciones. Google entrenó su modelo RT-1 con 130.
000 episodios recopilados por una flota de 13 robots, que abarcaban más de 700 tareas. RT-2 fue más allá: combinó datos robóticos con datos web de modelos vision-language para que el robot no solo pudiera repetir un movimiento conocido, sino también extraer conclusiones más generales de una orden en lenguaje natural. El mismo giro se aprecia en proyectos que intentan escalar el aprendizaje a distintos tipos de máquinas a la vez.
En el conjunto Open X-Embodiment, los investigadores reunieron datos de 22 robots de 21 instituciones y describieron cientos de habilidades para que los modelos pudieran transferir experiencia entre plataformas en lugar de empezar de cero con cada nuevo manipulador. Sobre esta base se construye la idea de los foundation models para el mundo físico: una inteligencia base que se ajusta a un cuerpo, una pinza o un entorno de trabajo concretos. Startups como Figure, Apptronik, Covariant y Physical Intelligence ya articulan en torno a esto una estrategia tanto de investigación como comercial.
En este contexto, el mercado se ha reactivado. En 2025, empresas e inversores destinaron 6,1 mil millones de dólares a robots humanoides, cuatro veces más que el año anterior. El dinero no llega porque los robots ya sepan hacerlo todo, sino porque ha aparecido una vía más verosímil para seguir entrenándolos en entornos reales.
Aun así, el robot universal sigue lejos. A las máquinas todavía les cuestan las secuencias largas de acciones, la manipulación fina de varios objetos a la vez, el trabajo en espacios desordenados y la interacción segura con personas sin una escena preparada de antemano. A diferencia de los modelos de lenguaje, un robot no puede limitarse a equivocarse en un texto: su error supone un objeto en el suelo, una avería, una parada o un riesgo para una persona.
Por eso el sector avanza por una vía híbrida: más simulaciones, más datos reales de flotas, más modelos generales, pero también más restricciones de seguridad y económicas. La conclusión principal es sencilla: el avance actual de la robótica tiene menos que ver con un nuevo tipo de cuerpo que con un nuevo modelo de aprendizaje. El sector está pasando de un mundo en el que cada movimiento debía programarse de antemano a otro en el que el comportamiento puede aprenderse primero, transferirse después a otro robot y seguir mejorándose en operación.
Todavía no es el androide doméstico prometido por la ciencia ficción, pero sí una trayectoria de ingeniería clara, y por eso los robots vuelven a ser una gran apuesta para investigadores e inversores.
- 19 nov 2026La palabra «videojuego» elevó la disposición de GPT-6 Astra a elegir objetivos del 6% al 92%
- 19 nov 2026La IA de OpenAI mejoró en 5 meses el diseño de GPU de AMD hasta un 14% en energía, velocidad y área
- 19 nov 2026Los agentes de OpenAI resuelven por sí solos el 46% de las tareas de investigación de 2–4 horas; en marzo era el 23%
- 18 nov 2026AWS integra Dynamo en HyperPod: Qwen3-235B pasa de 101 a 207 tokens/s por GPU
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.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.