La carrera por construir un robot humanoide funcional ha dejado de ser una cuestión de tuercas y tornillos para convertirse en un dilema filosófico fundamental: ¿cuál es la mejor manera de enseñar a una máquina? Por un lado, compañías como Sunday apuestan por un ejército de profesores humanos. Por el otro, gigantes como Tesla y Nvidia confían en que sus robots aprendan simplemente devorando vídeos de YouTube. Este cisma estratégico divide actualmente al sector, y nadie parece tener la respuesta definitiva.
Sunday ha decidido jugárselo todo al aprendizaje por imitación. Han reclutado a 500 “desarrolladores de memoria” equipados con guantes especiales para registrar, con una precisión quirúrgica, cada movimiento necesario para realizar cualquier tarea doméstica imaginable. La empresa asegura que este método les permite entrenar y evaluar una nueva habilidad cada una o dos semanas, creando lo que ellos denominan “el robot que aprende más rápido del mundo”. Es un enfoque artesanal, casi de orfebrería de datos, donde la calidad prima sobre la cantidad bruta.
Este modelo centrado en el ser humano tiene sus variantes. La firma noruega 1X Technologies también recurre al criterio humano, pero en lugar de sesiones de captura controladas, despliega sus robots 1X Neo: Tu Mayordomo IA Ya Está Aquí, Y Tiene Precio directamente en escenarios del mundo real para que aprendan mediante teleoperación. No es tanto un aula como un aprendizaje “en el barro”, a base de práctica directa. Mientras tanto, Figure está levantando sus propios “Neura Gyms”, entornos físicos estructurados donde sus robots entrenan tareas específicas, en ocasiones bajo la tutela de socios industriales como BMW.
En la otra esquina del cuadrilátero está el bando del “aprendizaje por observación”. Tesla ha sido muy vocal sobre su objetivo para el bot Optimus: que sea capaz de dominar tareas simplemente analizando vídeos de humanos en acción. Nvidia, a través de su plataforma NVIDIA y Cosmos: Construyendo la Matrix de la robótica , también está exprimiendo la simulación y el inabarcable volumen de datos de vídeo de internet para entrenar sus modelos fundacionales de robótica. Este método promete una escala sin precedentes —hay más horas de tutoriales en la red de las que cualquier equipo de “desarrolladores de memoria” podría grabar jamás—, pero se enfrenta a problemas de contexto, de ejecución física y al ruido masivo de los datos sin estructurar.
¿Por qué es esto vital?
Este cisma en la metodología de entrenamiento representa el mayor obstáculo para crear un robot de propósito general que sea verdaderamente útil. El núcleo del debate es el clásico problema de calidad frente a cantidad, amplificado por las complejidades de la interacción física con el mundo.
¿Es un conjunto de datos meticulosamente curado por humanos —como el que está construyendo Sunday AI: ¡Robots aprenden tareas del hogar con un guante! — la clave para una ejecución fiable? ¿O será el volumen caótico de los datos de internet el que acabe ofreciendo un camino más robusto y escalable hacia la inteligencia, como creen Tesla y Nvidia? La empresa que logre resolver este rompecabezas del aprendizaje escalable no solo fabricará un robot mejor; probablemente definirá el rumbo de la inteligencia artificial y la automatización durante la próxima década.
