NVIDIA anunció en GTC 2026 un 'momento ChatGPT' para los vehículos autónomos y los robots

NVIDIA en GTC 2026 trasladó la conversación sobre IA física de demostraciones a un plan de despliegue. La empresa anunció que ha llegado un "momento ChatGPT" para los vehículos autónomos, mientras que simultáneamente muestra cómo planea escalar la misma pila a robotaxis, robots industriales y gemelos digitales.

Un giro para la industria automotriz

La tesis principal de NVIDIA suena maximalmente ambiciosa: la conducción autónoma deja de ser un proyecto interminable de I+D y se convierte en una plataforma comercial. En GTC 2026, la empresa anunció que BYD, Geely, Isuzu y Nissan están construyendo programas listos para L4 basados en NVIDIA DRIVE Hyperion, mientras que Uber está expandiendo su asociación con NVIDIA para lanzar una flota de robotaxi completamente gestionada por IA en 28 ciudades en cuatro continentes para 2028. El lanzamiento está programado para Los Ángeles y el área de la bahía de San Francisco en la primera mitad de 2027.

Un énfasis importante aquí no es solo en la computación, sino también en la seguridad. NVIDIA está promoviendo Halos OS como una arquitectura de seguridad unificada para vehículos con IA y vinculándola al modelo abierto Alpamayo 1.5, que debe ayudar a los vehículos a analizar escenarios de carretera raros y complejos. Este es un intento de alejarse del esquema antiguo donde cada equipo resolvía por separado las tareas de sensores, planificación y validación, y en su lugar ensamblar una pila unificada para la producción en serie.

"La revolución del transporte autónomo ya ha comenzado — esta es la primera industria robótica de billones", dijo el CEO de NVIDIA,

Jensen Huang.

Herramientas para robots

Más allá de la industria automotriz, NVIDIA expandió su pila de IA física para robótica. La empresa mostró Cosmos 3 para generación y simulación de mundos, Isaac Lab 3.0 para el entrenamiento de robots a gran escala en simulación, y GR00T N1.7 como un modelo abierto para habilidades robóticas universales. La empresa también anunció el próximo modelo GR00T N2, que, según NVIDIA, maneja nuevas tareas en nuevos entornos más del doble de veces mejor que los principales sistemas de visión-lenguaje-acción.

El punto de estos lanzamientos es que NVIDIA ya no está vendiendo solo un chip separado o solo un SDK, sino un camino completo del entrenamiento al despliegue. Fabricantes como ABB Robotics, FANUC, KUKA, YASKAWA, Figure, Agility y Boston Dynamics utilizan Omniverse, Isaac y Jetson para ejecutar primero robots a través de gemelos digitales físicamente precisos, y luego transferir modelos a hardware real. Para la industria, esto reduce el costo de los errores: los experimentos costosos se trasladan del piso de la fábrica a la simulación.

Apostando por datos

Una capa separada de anuncios se dedica a entrenar IA física de forma más rápida y barata. NVIDIA presentó el Physical AI Data Factory Blueprint — una arquitectura de referencia abierta que combina recopilación de datos, generación sintética, aumento y evaluación de modelos en un pipeline. La lógica es simple: el mundo real es escaso, es demasiado caótico, y los casos más peligrosos para vehículos autónomos y robots son ocurrencias raras. Esto significa que los datos no solo necesitan ser recopilados, sino producidos en masa.

Esta capa incluye varios componentes:

• Alpamayo 1.5 para conducción autónoma basada en razonamiento y análisis de escenarios de cola larga
• Omniverse NuRec para reconstrucción y refinamiento de escenas al entrenar sistemas AV
• Cosmos 3 para generación de mundos sintéticos y simulación de acciones
• Isaac Lab 3.0 y Jetson Thor para la transición del entrenamiento a la ejecución real
• Despliegues en la nube a través de Microsoft Azure y Nebius para escalar la data factory

Esta estrategia explica bien por qué NVIDIA habla cada vez más no sobre GPUs por separado, sino sobre infraestructura. Si el enfoque tiene éxito en el que el compute se transforma en datos, y los datos se transforman en políticas listas para máquinas, la empresa podrá capturar valor en varios niveles a la vez: modelos, simulación, orquestación, ordenadores de borde y nubes asociadas.

Lo que esto significa

NVIDIA está intentando establecerse como un proveedor de IA física central de la misma manera que se estableció anteriormente en IA generativa. Si la empresa ejecuta su plan para Uber, socios automotrices y la pila de robótica, el mercado recibirá no solo otro escaparate con demos, sino infraestructura operativa para el despliegue masivo de sistemas autónomos en carreteras, almacenes, fábricas y robótica de servicio.