Los robots humanoides ya corren, bailan y clasifican paquetes ante las cámaras. El salto decisivo, sin embargo, será mucho menos vistoso: lograr que una misma máquina entienda situaciones nuevas, actúe durante horas sin ayuda y aprenda sin que un ingeniero tenga que programar cada movimiento. Una empresa china sitúa ese punto de inflexión a finales de 2027. La predicción es ambiciosa; las pruebas disponibles aconsejan tomarla como una hipótesis, no como una fecha.
Por Redacción Pangea IA ·
Una fecha para el “cerebro” que todavía falta
Wang Xiaogang, presidente de la firma china ACE Robotics, sostiene que los “cerebros” de los robots vivirán un momento comparable al de ChatGPT antes de que termine 2027. No está anunciando un producto listo para esa fecha ni existe un calendario acordado por la industria. Es una previsión empresarial formulada por alguien que dirige una compañía interesada en acelerar ese mercado.
Aun así, la comparación merece atención. La aparición de ChatGPT no inventó los modelos de lenguaje, pero convirtió años de avances técnicos en una herramienta accesible, flexible y fácil de probar. En robótica, un salto equivalente significaría que una máquina pudiera recibir una orden cotidiana —“recoge los productos dañados, separa los que puedan recuperarse y avísame si encuentras algo extraño”— y resolverla en un entorno que cambia, sin una secuencia rígida preparada de antemano.
La propia cautela de Wang revela la distancia entre una demostración y una transformación económica. Según explicó a Reuters, incluso después de ese supuesto avance harían falta otros cuatro o cinco años para una adopción comercial amplia. En el escenario más favorable, por tanto, 2027 sería el comienzo de una nueva etapa de desarrollo, no la llegada inmediata de ayudantes humanoides a hogares y empresas.
El cuerpo ha avanzado más rápido que la inteligencia
La diferencia entre lo que vemos en un vídeo y lo que una empresa puede utilizar cada día es enorme. Un robot puede completar una carrera, encadenar una coreografía o servir una bebida dentro de un escenario ensayado y, al mismo tiempo, fallar al encontrar un objeto parcialmente oculto, reaccionar a una caja colocada fuera de sitio o recuperar el equilibrio mientras sostiene una carga.
Los grandes encuentros celebrados en Pekín muestran un progreso físico real: actuadores más compactos, articulaciones más rápidas, manos con mayor destreza y cadenas de suministro capaces de abaratar componentes. También exhiben el límite actual. El Financial Times, tras hablar con responsables del sector en la World Robot Conference, recoge estimaciones muy dispares: el salto hacia una autonomía verdaderamente general podría tardar entre dos y diez años. Esa horquilla no es una debilidad del análisis; refleja que todavía no existe una medida consensuada de “inteligencia general” para una máquina que trabaja en el mundo físico.
Una acrobacia demuestra control y mecánica. No demuestra que el robot sepa qué hacer cuando aparece un obstáculo imprevisto, una persona interrumpe la tarea o una herramienta está en otro cajón. Para ser útil, además, debe repetir el trabajo con una tasa de error muy baja, durante turnos completos y a un coste inferior o justificable frente a las alternativas.
Qué es la IA corporeizada
La expresión IA corporeizada —embodied AI en inglés— describe sistemas que perciben el entorno y actúan físicamente sobre él. Un modelo de lenguaje trabaja principalmente con símbolos. Un robot debe unir cámaras, micrófonos, sensores de fuerza y posición con memoria, planificación y control de motores. Cada decisión tiene consecuencias: una respuesta incorrecta en una pantalla puede corregirse; un movimiento incorrecto puede romper una pieza o herir a alguien.
Las empresas intentan integrar esas capacidades en modelos del mundo: sistemas que aprenden relaciones físicas y anticipan qué ocurrirá después de una acción. Si el robot empuja una caja, necesita estimar su peso, el rozamiento, el espacio disponible y la posición de sus manos. No tiene que calcular cada ecuación de forma explícita, pero sí construir una representación suficientemente buena para elegir el siguiente movimiento.
ACE presenta Kairos como un modelo de 4.000 millones de parámetros que combina comprensión, generación y predicción de acciones para distintos tipos de robots. Su documentación indica que aprende de vídeos generales, comportamiento humano e interacciones de robots reales. La idea es importante: en lugar de entrenar un cerebro distinto para cada brazo o humanoide, se busca una base común capaz de transferir conocimientos entre cuerpos y tareas.
Los resultados publicados por la compañía en bancos de pruebas son prometedores, pero no equivalen todavía a una auditoría independiente de desempeño en fábricas, comercios u hogares. Un benchmark mide una colección limitada de tareas bajo condiciones definidas; el mundo real introduce objetos desconocidos, cambios de iluminación, desgaste, personas imprevisibles y combinaciones de problemas que no estaban en el examen.
El gran cuello de botella son los datos
Los modelos de lenguaje pudieron alimentarse con cantidades gigantescas de texto e imágenes disponibles en internet. Para un robot no basta con observar: necesita ejemplos que relacionen percepción, intención, fuerza, trayectoria y resultado. Registrar una hora de manipulación útil exige sensores, una máquina, un entorno preparado y, con frecuencia, una persona que la guíe o corrija. Obtenerla cuesta mucho más que descargar una hora de vídeo.
Reuters recoge una estimación de ACE según la cual el sector dispone hoy de unas 100.000 horas de datos de entrenamiento robótico. La empresa aspira a reunir decenas de millones en dos años mediante sensores ligeros instalados en líneas de producción. Son cifras proporcionadas por la propia compañía y deben leerse con cautela, pero ilustran la escala del problema: se intenta multiplicar el corpus no por dos o por diez, sino por varios órdenes de magnitud.
La simulación ayuda. Un robot virtual puede practicar millones de intentos sin romper nada ni detener una fábrica. El problema es la brecha entre simulación y realidad: pequeñas diferencias en materiales, fricción, luz o latencia pueden convertir una estrategia perfecta en el ordenador en un fracaso físico. Los mejores sistemas combinan simulación, vídeo humano, teleoperación y experiencia real; ninguno elimina por completo esa brecha.
Por qué 2027 no es una fecha imposible
Hay razones para pensar que el progreso puede acelerarse. La visión artificial y los modelos multimodales ya reconocen objetos, interpretan instrucciones y razonan sobre imágenes con mucha más soltura que hace pocos años. Los chips permiten ejecutar modelos más capaces cerca de la máquina. China, además, reúne fabricantes de motores, reductores, baterías, cámaras y electrónica, junto con apoyo público y un mercado industrial dispuesto a probar sistemas nuevos.
La competición está empujando a las empresas a salir del laboratorio. ACE afirma que pretende ampliar despliegues desde unos 1.000 hasta 10.000 comercios en dos años. AiMOGA, vinculada al fabricante de automóviles Chery, asegura haber desplegado más de 3.000 robots. Estas cifras no prueban autonomía general: “desplegado” puede abarcar funciones acotadas, supervisadas o promocionales. Sí indican que hay más máquinas recogiendo experiencia fuera de las demostraciones.
El calendario también puede beneficiarse de un efecto acumulativo. Más robots generan más datos; mejores datos producen modelos más competentes; y esos modelos vuelven útiles más instalaciones. Si ese círculo se cierra, una mejora aparentemente gradual podría cruzar un umbral de utilidad con rapidez.
Por qué el salto también puede retrasarse
El argumento contrario es igualmente sólido. El lenguaje permite aproximaciones: una frase puede expresarse de varias formas y seguir siendo correcta. La manipulación física tolera menos margen. Sujetar un vaso con demasiada fuerza lo rompe; hacerlo con poca lo deja caer. Y una tasa de acierto del 95 % que parece excelente en un laboratorio implica un fallo cada veinte operaciones, inaceptable en numerosos trabajos.
También aparece el problema de la “cola larga”: situaciones raras que apenas figuran en los datos. Una bolsa transparente, un reflejo, un cable suelto o una persona que cambia de dirección pueden confundir al sistema. En espacios públicos, la seguridad exige anticipar combinaciones casi infinitas. Resolver el caso medio no basta.
Hay obstáculos económicos. Reuters sitúa algunos humanoides mostrados en la conferencia china entre 300.000 y 500.000 yuanes. El precio de compra es solo una parte: cuentan el mantenimiento, la energía, la supervisión, las pausas, las reparaciones y la integración con el proceso existente. Una empresa no compra una silueta humana; compra horas de trabajo fiables. Si un brazo fijo o un carro autónomo resuelven la tarea mejor y más barato, el humanoide no tiene ventaja.
Dónde llegarán primero los robots realmente útiles
Las primeras aplicaciones relevantes probablemente estarán en entornos controlados: almacenes, fábricas, centros logísticos y comercios con recorridos definidos. Allí es posible limitar velocidades, separar zonas, estandarizar contenedores y recurrir a un operador cuando surge una excepción. Las tareas repetitivas, físicamente exigentes o realizadas en horarios difíciles ofrecen una justificación económica más clara.
El hogar es un reto mayor. Cada vivienda tiene muebles, objetos y hábitos distintos; conviven niños, animales y superficies delicadas. Cocinar, limpiar o ayudar a una persona mayor reúne percepción, tacto, planificación y responsabilidad. Un robot doméstico general necesitará no solo capacidad, sino confianza, privacidad y un marco claro sobre quién responde cuando algo sale mal.
Las métricas que importan más que un vídeo viral
Para saber si se acerca un verdadero “momento ChatGPT”, conviene observar indicadores menos espectaculares. El primero es la tasa de intervención humana: cuántas veces necesita ayuda el robot por cada hora de trabajo. El segundo es la generalización: si aprende una tarea en una fábrica, ¿puede adaptarla a otra planta, a otro objeto o incluso a otro cuerpo?
También importan las horas continuas de operación, el coste por hora productiva, la frecuencia de incidentes y el tiempo necesario para enseñar una tarea nueva. Un avance decisivo no será que un prototipo complete una prueba una vez, sino que miles de unidades sostengan resultados verificables durante meses.
La transparencia será otra señal. Las demostraciones editadas y los resultados internos sirven para mostrar posibilidades, no para calcular fiabilidad. Harán falta evaluaciones comparables, informes de fallos y pruebas en escenarios no preparados por el fabricante. Sin ellas, la industria corre el riesgo de confundir capacidad técnica con publicidad.
Trabajo, seguridad y una regulación que llegará después
Si los robots generalistas funcionan, no sustituirán de golpe profesiones completas. Empezarán absorbiendo tareas: mover cajas, inspeccionar estanterías, alimentar una máquina o realizar rondas. Algunos puestos se reducirán, otros cambiarán y aparecerán funciones de supervisión, mantenimiento y diseño de procesos. El impacto dependerá del coste, la velocidad de adopción y la capacidad de trabajadores y empresas para adaptarse.
La seguridad no puede añadirse al final. Estos sistemas necesitarán límites físicos, paradas verificables, registro de decisiones, protección frente a accesos no autorizados y reglas sobre el uso de imágenes captadas en lugares de trabajo. Cuanto más general sea el modelo, más difícil será certificar cada conducta posible. La regulación deberá equilibrar pruebas reales con responsabilidad, sin asumir que una máquina autónoma es simplemente una herramienta industrial tradicional.
Conclusión: el hito no será 2027, sino la autonomía comprobable
La previsión de ACE Robotics resume una ambición compartida por buena parte del sector: trasladar la flexibilidad de la IA generativa al mundo físico. El horizonte de finales de 2027 es plausible como objetivo de investigación y demasiado incierto como promesa. Depende de avances en datos, modelos del mundo, destreza, coste y seguridad que todavía no se han demostrado juntos a gran escala.
El auténtico momento ChatGPT de la robótica llegará cuando una persona pueda enseñar una tarea nueva con lenguaje y unas pocas demostraciones, y el mismo sistema la ejecute en distintos lugares con muy pocas intervenciones. No hará falta que el robot corra más rápido ni que gane un combate. Bastará con que trabaje una jornada ordinaria, resuelva lo inesperado y resulte aburridamente fiable. Esa será la señal de que ha dejado de ser espectáculo para convertirse en infraestructura.
Fuentes consultadas
- Reuters: la previsión de ACE Robotics sobre el salto de los “cerebros” robóticos.
- Financial Times: avances y límites de los humanoides presentados en Pekín.
- Reuters: la prueba comercial de los robots humanoides chinos.
- Reuters: evolución de los juegos de robots y estrategia industrial china.
- ACE Robotics: ficha oficial del modelo Kairos 3.1-4B para robótica.
Deja una respuesta