Desde la calle, la única señal que he encontrado de la sede de Physical Intelligence en San Francisco es un símbolo de pi de un color ligeramente diferente al del resto de la puerta. Al entrar, me encuentro inmediatamente con actividad. No hay mostrador de recepción ni logotipo brillante bajo luces fluorescentes.

Dentro, el espacio es una gigantesca caja de hormigón, un poco menos austera gracias a una desordenada extensión de largas mesas de madera clara. Algunas están claramente destinadas al almuerzo, salpicadas de cajas de galletas de las Girl Scouts, tarros de Vegemite (alguien aquí es australiano) y pequeñas cestas de alambre llenas de condimentos de más. El resto de las mesas cuentan una historia completamente distinta. Muchas más están cargadas de monitores, piezas de robótica de repuesto, marañas de cables negros y brazos robóticos completamente ensamblados en diversos estados de intentos de dominar lo mundano.

Durante mi visita, un brazo está doblando un pantalón negro, o intentándolo. No va bien. Otro intenta darle la vuelta a una camisa con la determinación que sugiere que al final lo logrará, pero no hoy. Un tercero —este parece haber encontrado su vocación— pela rápidamente un calabacín, tras lo cual se supone que debe depositar las virutas en un recipiente aparte. Al menos, las virutas van bien.

«Piénsalo como ChatGPT, pero para robots», me dice Sergey Levine, señalando el ballet motorizado que se despliega al otro lado de la sala. Levine, profesor asociado de la Universidad de California en Berkeley y uno de los cofundadores de Physical Intelligence, tiene el porte amable y con gafas de alguien que ha dedicado mucho tiempo a explicar conceptos complejos a personas que no los comprenden al instante.

Lo que estoy observando, explica, es la fase de prueba de un bucle continuo: se recopilan datos en estaciones robóticas aquí y en otros lugares —almacenes, casas, dondequiera que el equipo pueda establecerse— y esos datos entrenan modelos de cimientos robóticos de uso general. Cuando los investigadores entrenan un nuevo modelo, este regresa a estaciones como estas para su evaluación. El que dobla los pantalones es el experimento de alguien. También lo es el que voltea las camisas. El que pela calabacines podría estar probando si el modelo puede generalizar su aplicación a diferentes verduras, aprendiendo los movimientos fundamentales del pelado lo suficientemente bien como para manejar una manzana o una patata que nunca ha visto.

La empresa también opera una cocina de pruebas en este edificio y en otros lugares, utilizando hardware estándar para exponer a los robots a diferentes entornos y desafíos. Hay una sofisticada máquina de café expreso cerca, y supongo que es para el personal hasta que Levine aclara que no, está ahí para que los robots aprendan. Cualquier lámina de espuma es información, no una ventaja para las docenas de ingenieros presentes, quienes se dedican principalmente a revisar sus computadoras o a supervisar sus experimentos mecanizados.

El hardware en sí es deliberadamente poco atractivo. Estos brazos se venden por unos 3.500 dólares, con lo que Levine describe como un «enorme margen de beneficio» del vendedor. Si los fabricaran internamente, el coste del material bajaría a menos de 1.000 dólares. Hace unos años, dice, un experto en robótica se habría sorprendido de que estas cosas pudieran hacer algo. Pero esa es la cuestión: una buena inteligencia compensa un hardware deficiente.

Mientras Levine se disculpa, Lachy Groom se me acerca, moviéndose por el espacio con la determinación de quien tiene media docena de cosas en marcha a la vez. A sus 31 años, Groom aún conserva la frescura de uno de los jóvenes prodigio de Silicon Valley, una designación que se ganó pronto, tras vender su primera empresa nueve meses después de fundarla a los 13 años en su Australia natal (esto explica el Vegemite).

Cuando me acerqué a él por primera vez, mientras recibía a un pequeño grupo de visitantes con sudadera en el edificio, su respuesta a mi solicitud de tiempo con él fue inmediata: «Para nada, tengo reuniones». Ahora tiene 10 minutos, quizás.

Groom encontró lo que buscaba cuando empezó a seguir el trabajo académico de los laboratorios de Levine y Chelsea Finn, una exalumna de doctorado de Levine en Berkeley que ahora dirige su propio laboratorio en Stanford, centrado en el aprendizaje robótico. Sus nombres aparecían constantemente en todo lo interesante que sucedía en robótica. Cuando oyó rumores de que podrían estar empezando algo, localizó a Karol Hausman, investigadora de Google DeepMind que también impartía clases en Stanford y de quien Groom sabía que estaba involucrada. «Fue una de esas reuniones en las que sales y piensas: ‘¡Esto es todo!'».

Groom nunca tuvo la intención de convertirse en inversor a tiempo completo, me cuenta, aunque algunos se pregunten por qué no, dada su trayectoria. Tras dejar Stripe, donde fue uno de los primeros empleados, pasó aproximadamente cinco años como inversor ángel, invirtiendo en empresas como Figma, Notion, Ramp y Lattice mientras buscaba la empresa adecuada para fundar o a la que unirse. Su primera inversión en robótica, Standard Bots, llegó en 2021 y lo reintrodujo en un campo que le encantaba de niño, construyendo Lego Mindstorms. Como bromea, «como inversor, estaba más de vacaciones». Pero invertir era solo una forma de mantenerse activo y conocer gente, no el objetivo final. «Estuve esperando durante cinco años que la empresa arrancara después de Stripe», dice. «Buenas ideas en un buen momento con un buen equipo; eso es extremadamente raro. Todo es cuestión de ejecución, pero puedes ejecutar a la perfección una mala idea, y sigue siendo una mala idea».

La empresa, con dos años de antigüedad, ya ha recaudado más de mil millones de dólares, y cuando le pregunto sobre su margen de inversión, aclara rápidamente que, en realidad, no gasta tanto. La mayor parte de su inversión se destina a informática. Un momento después, reconoce que, con las condiciones adecuadas y los socios adecuados, recaudaría más. «No hay límite a la cantidad de dinero que realmente podemos invertir», afirma. «Siempre se puede invertir más informática en el problema».

Lo inusual de este acuerdo es lo que Groom no ofrece a sus inversores: un plazo para convertir Physical Intelligence en una iniciativa rentable. «No doy respuestas a los inversores sobre la comercialización», comenta sobre inversores como Khosla Ventures, Sequoia Capital y Thrive Capital, entre otros, que han valorado la empresa en 5.600 millones de dólares. «Es un poco raro que la gente lo tolere». Pero lo toleran, y puede que no siempre, por eso es fundamental que la empresa esté bien capitalizada ahora.

Entonces, ¿cuál es la estrategia, si no es la comercialización? Quan Vuong, otro cofundador proveniente de Google DeepMind, explica que gira en torno al aprendizaje entre encarnaciones y diversas fuentes de datos. Si alguien construye una nueva plataforma de hardware mañana, no necesitará empezar a recopilar datos desde cero; podrá transferir todo el conocimiento que el modelo ya posee. «El coste marginal de integrar la autonomía en una nueva plataforma robótica, sea cual sea, es mucho menor», afirma.

La empresa ya está trabajando con un pequeño número de empresas de diferentes sectores (logística, alimentación, una chocolatería al otro lado de la calle) para comprobar si sus sistemas son lo suficientemente buenos para la automatización en el mundo real. Vuong afirma que, en algunos casos, ya lo son. Con su enfoque de «cualquier plataforma, cualquier tarea», el margen de éxito es lo suficientemente amplio como para empezar a marcar las tareas que están listas para la automatización hoy mismo.

Physical Intelligence no es la única empresa que persigue esta visión. La carrera por desarrollar inteligencia robótica de propósito general —la base sobre la que se pueden construir aplicaciones más especializadas, como los modelos LLM que cautivaron al mundo hace tres años— se está intensificando. Skild AI, con sede en Pittsburgh y fundada en 2023, recaudó este mes 1.400 millones de dólares, con una valoración de 14.000 millones, y está adoptando un enfoque notablemente diferente. Mientras Physical Intelligence sigue centrada en la investigación pura, Skild AI ya ha desplegado comercialmente su Skild Brain «omnicarrocería», afirmando haber generado 30 millones de dólares en ingresos en tan solo unos meses el año pasado en áreas como seguridad, almacenes y fabricación.

Skild incluso ha criticado públicamente a sus competidores, argumentando en su blog que la mayoría de los «modelos básicos de robótica» son simplemente modelos de lenguaje visual «disfrazados» que carecen de «verdadero sentido común físico» porque se basan demasiado en el preentrenamiento a escala de internet en lugar de en la simulación basada en la física y en datos robóticos reales.

Es una división filosófica bastante marcada. Skild AI apuesta a que la implementación comercial crea un ciclo de datos que mejora el modelo con cada caso de uso real. Physical Intelligence apuesta a que resistir la tentación de la comercialización a corto plazo le permitirá producir inteligencia general superior. Quién tiene «más razón» tardará años en resolverse.

Mientras tanto, Physical Intelligence opera con lo que Groom describe como una claridad inusual. «Es una empresa muy pura. Un investigador tiene una necesidad, nosotros recopilamos datos para satisfacerla —o nuevo hardware o lo que sea— y luego lo implementamos. No está impulsado externamente». La empresa tenía una hoja de ruta de 5 a 10 años sobre lo que el equipo creía que sería posible. Para el mes 18, la habían superado con creces, afirma.

La empresa tiene unos 80 empleados y planea crecer, aunque Groom espera que sea «lo más lento posible». El mayor desafío, afirma, es el hardware. «El hardware es realmente complejo. Todo lo que hacemos es mucho más complejo que una empresa de software». El hardware se rompe. Llega lentamente, lo que retrasa las pruebas. Las consideraciones de seguridad lo complican todo.

Mientras Groom se levanta de un salto para acudir a su siguiente compromiso, me quedo observando cómo los robots continúan practicando. Los pantalones aún no están del todo doblados. La camisa permanece obstinadamente al derecho. Las virutas de calabacín se acumulan sin problemas.

Hay preguntas obvias, incluida la mía, sobre si alguien realmente quiere un robot en su cocina pelando verduras, sobre la seguridad, sobre si los perros se vuelven locos con los intrusos mecánicos en sus casas, sobre si todo el tiempo y el dinero que se invierten aquí resuelven problemas suficientemente grandes o crean otros nuevos. Mientras tanto, personas externas cuestionan el progreso de la empresa, si su visión es alcanzable y si tiene sentido apostar por la inteligencia general en lugar de por aplicaciones específicas.

Si Groom tiene alguna duda, no la demuestra. Trabaja con personas que llevan décadas trabajando en este problema y que creen que por fin ha llegado el momento adecuado, que es todo lo que necesita saber.

Además, Silicon Valley ha apoyado a empresas como Groom y les ha dado mucha libertad desde el inicio de la industria, sabiendo que hay una buena probabilidad de que, incluso sin un camino claro hacia la comercialización, sin un cronograma, sin certeza sobre cómo será el mercado cuando lleguen allí, lo resuelvan. No siempre funciona. Pero cuando funciona, suele justificar muchas veces los fracasos.