La robótica ha evolucionado de manera sorprendente en las últimas décadas. En el pasado, los investigadores soñaban con crear máquinas que pudieran igualar o superar la complejidad del cuerpo humano, pero la realidad era que sus esfuerzos se limitaban a perfeccionar brazos robóticos para plantas automotrices. A menudo, las expectativas eran altas, pero los resultados eran modestos; como se dice, aspiraban a crear un C-3PO y terminaban con un Roomba.
La verdadera ambición de muchos de estos investigadores era desarrollar un robot de ciencia ficción, uno capaz de moverse por el mundo, adaptarse a diferentes entornos e interactuar de manera segura y útil con las personas. Para aquellos con una perspectiva social, una máquina de este tipo podría ayudar a personas con dificultades de movilidad, aliviar la soledad o realizar trabajos peligrosos para los humanos. Para aquellos más enfocados en las finanzas, significaría contar con una fuente interminable de mano de obra sin salario. Sin embargo, una larga historia de fracasos había dejado a muchos en Silicon Valley reacios a invertir en robots útiles.
Un cambio de paradigma en la robótica
Afortunadamente, esta situación está cambiando. Aunque las máquinas aún no están completamente construidas, la inversión en robots humanoides ha crecido exponencialmente; en 2025, se inyectaron $6.1 mil millones en este sector, cuatro veces más que en 2024. ¿Qué causó este cambio? Un avance notable en la forma en que las máquinas aprenden a interactuar con el mundo.
Imaginemos que deseas instalar un par de brazos robóticos en tu hogar solo para una tarea específica: doblar ropa. ¿Cómo aprenderían a hacerlo? En un principio, se podrían establecer reglas. Comenzarían por evaluar el tejido para determinar cuánto puede deformarse antes de rasgarse. Identificarían el cuello de una camisa, moverían el agarre hacia la manga izquierda, la levantarían y la doblarían hacia adentro. Este proceso se repetiría para la manga derecha. Sin embargo, rápidamente el número de reglas se dispararía y, aunque una contabilización completa produciría resultados fiables, resultaría poco práctico. Esta era la antigua forma de hacer robótica: anticipar cada posibilidad y codificarla de antemano.
El aprendizaje por prueba y error
Alrededor de 2015, la vanguardia de la robótica comenzó a adoptar un enfoque diferente: crear una simulación digital de los brazos robóticos y las prendas, y otorgar una señal de recompensa cada vez que lograban doblar con éxito. Así, los robots mejoraban al probar diversas técnicas a través de ensayo y error, con millones de iteraciones, de manera similar a cómo la inteligencia artificial se volvió competente en ciertos juegos.
La llegada de ChatGPT en 2022 aceleró este auge. Los modelos de lenguaje grande, entrenados con vastas cantidades de texto, no funcionan mediante prueba y error, sino aprendiendo a predecir qué palabra debe seguir en una oración. Modelos similares adaptados a la robótica pronto fueron capaces de absorber imágenes, lecturas de sensores y la posición de las articulaciones del robot, prediciendo la siguiente acción que debería tomar, emitiendo docenas de comandos motores cada segundo.
Este cambio conceptual—la dependencia de modelos de IA que ingieren grandes volúmenes de datos—parece ser efectivo, ya sea que el robot útil esté destinado a interactuar con personas, moverse en un entorno o realizar tareas complicadas. Además, se complementa con nuevas ideas sobre cómo lograr este aprendizaje, como desplegar robots incluso si no son perfectos para que puedan aprender del entorno donde se espera que trabajen. Hoy en día, los robóticos de Silicon Valley están soñando en grande nuevamente.
Proyectos representativos en la robótica actual
Jibo
Un robot social que inició conversaciones mucho antes de la era de los modelos de lenguaje grandes.
En 2014, la investigadora de robótica del MIT, Cynthia Breazeal, presentó al mundo a Jibo, un robot sin brazos ni piernas, que contaba con un diseño similar al de una lámpara. Su objetivo era crear un robot social para familias, lo que atrajo $3.7 millones en una campaña de financiamiento colectivo. Jibo podía presentarse y bailar para entretener a los niños, pero su funcionalidad era limitada. La visión original era que se convirtiera en un asistente que pudiera gestionar desde agendas y correos electrónicos hasta contar historias. A pesar de tener una base de usuarios leales, la empresa cerró en 2019.
Dactyl
Una mano robótica entrenada con simulaciones que intenta modelar la imprevisibilidad del mundo real.
Para 2018, todos los laboratorios de robótica líderes intentaban abandonar las antiguas reglas programadas y entrenar a los robots mediante prueba y error. OpenAI trató de entrenar su mano robótica, Dactyl, virtualmente, utilizando modelos digitales de la mano y de cubos que debía manipular. Sin embargo, al trasladar este programa a una versión real, las diferencias sutiles podían causar problemas. La solución fue la aleatorización de dominios, creando millones de mundos simulados que variaban ligeramente entre sí, lo que mejoró la capacidad del robot para manipular objetos en el mundo real.
RT-2 de Google DeepMind
Entrenar imágenes de internet ayuda a los robots a traducir el lenguaje en acción.
Aproximadamente en 2022, el equipo de robótica de Google se dedicó a crear un modelo de fundamento a gran escala para la robótica. Después de catalogar 700 tareas diferentes, desarrollaron RT-1, capaz de recibir instrucciones y traducirlas en comandos motores. La segunda iteración, RT-2, amplió su enfoque, entrenándose con imágenes generales de internet, lo que permitió al robot interpretar la ubicación de ciertos objetos en su entorno.
Otros artículos relacionados:
- Tendencias tecnológicas para 2023
- Avances en inteligencia artificial para la sostenibilidad
- Impacto de la robótica en Latinoamérica
