Las empresas de IA encarnada compiten por mostrar las capacidades de sus modelos.

Tras la demostración de un robot cocinando *Mapo Tofu* realizada por Xu Huazhe (fundador de Pokek/Poke-Bot), la empresa RoboScience —con sede en Shenzhen y dedicada a la IA encarnada de propósito general— lanzó oficialmente el 24 de junio «Visics», un modelo de gran escala encarnado y de propósito general. La compañía presentó su arquitectura de modelo VLOA (Visión-Lenguaje-Objeto-Acción), centrada en los objetos, y mostró un video durante el evento de lanzamiento en el que dos brazos robóticos se anudaban una corbata.

RoboScience fue fundada en diciembre de 2024 por Tian Ye —exlíder técnico de la plataforma de IA de Apple y graduado de maestría del Laboratorio de IA de Stanford— y Shao Lin, profesor asistente en la Universidad Nacional de Singapur y doctorado por el Laboratorio de IA de Stanford. La empresa se centra en la interacción entre los robots y el mundo físico, con iniciativas estratégicas que abarcan el hardware robótico (encarnación), los efectores finales y la simulación física multimodal.

Para RoboScience, la elección del escenario de anudar una corbata no pretendía sugerir que los robots pronto vestirán a los humanos; más bien, sirvió para validar la capacidad del modelo para comprender objetos complejos y deformables, así como tareas de manipulación de largo alcance temporal. Tian Ye, fundador y director ejecutivo de RoboScience, declaró a “The Paper” (www.thepaper.cn) que, a diferencia de agarrar una taza o mover objetos, anudar una corbata implica la deformación continua de un objeto flexible, el paso de un extremo a través de una abertura, la creación de nudos y la recuperación del estado tras fallos a mitad de la tarea. Cabe destacar que esta tarea se aprendió íntegramente en un entorno de simulación, sin utilizar datos de robots del mundo real.

Sin embargo, el video muestra solo un aspecto de las capacidades del modelo; queda por ver si podrá pasar de la demostración a la implementación en el mundo real.

VLOA pone mayor énfasis en la comprensión de las trayectorias de movimiento de los objetos.

En la industria de la IA encarnada, VLA (Visión-Lenguaje-Acción) es un enfoque técnico muy debatido; generalmente se refiere a modelos que generan acciones robóticas directamente a partir de entradas visuales e instrucciones en lenguaje natural. En términos sencillos, el robot percibe el entorno, comprende las instrucciones y luego ejecuta las acciones correspondientes.

La arquitectura VLOA propuesta por RoboScience introduce una «O» —que significa «Objeto»— en el marco VLA. Aquí, «Objeto» no se refiere simplemente a la modalidad del objeto en sí, sino específicamente a la «Trayectoria del Objeto»: la trayectoria de la nube de puntos 3D del objeto que se está manipulando. Según la definición de RoboScience, esto alude a las trayectorias de movimiento y a los cambios de estado —incluidos los desplazamientos posicionales y las deformaciones— de los objetos manipulados en el espacio 3D.

Tian Ye identifica tres cuellos de botella fundamentales a los que se enfrenta actualmente la manipulación robótica: una capacidad de generalización deficiente, la dificultad para realizar manipulaciones de alta precisión y la acumulación de errores durante tareas de horizonte temporal extenso. Visics no es simplemente un modelo de acción robótica aislado; más bien, es un sistema de modelo de gran escala corporeizado (*embodied large-model system*) que comprende un «modelo de mundo corporeizado» y un «modelo de manipulación general».

El modelo de mundo corporeizado opera en la capa de planificación y se encarga de comprender el entorno, las instrucciones lingüísticas y los objetivos de la tarea, así como de simular las trayectorias de movimiento de los objetos en el mundo físico. El modelo de manipulación general gestiona la ejecución, traduciendo las trayectorias de los objetos en puntos de contacto, fuerzas de contacto y señales de control articular que los robots pueden utilizar para completar las tareas de manipulación.

En términos más simples, Visics busca desacoplar la «comprensión de la tarea» de la «ejecución de la acción» en dos capas distintas: la capa superior simula cómo cambia el objeto, mientras que la capa inferior permite que diversos robots ejecuten las acciones correspondientes.

RoboScience considera que este enfoque ayuda a abordar el desafío de la generalización inherente a la IA corporeizada. Un problema común de los modelos actuales de manipulación robótica es que las habilidades existentes a menudo fallan cuando se cambia el objeto, la escena, la plataforma robótica o el efector final. Esto se debe a que muchos modelos se entrenan con datos de acción vinculados a robots y tareas específicos, lo que genera una fuerte dependencia del hardware.

Si el modelo desplaza su enfoque de aprendizaje de las «acciones del robot» a los «cambios de estado del objeto», teóricamente se puede reducir la dependencia de un hardware específico. Una misma trayectoria de objeto podría ser ejecutada por una pinza de dos dedos, una mano diestra de tres dedos, una mano diestra de cinco dedos o robots con configuraciones totalmente diferentes. Esta capacidad allana el camino para la generalización entre distintas plataformas robóticas, objetos y tareas.

Partiendo de datos de simulación.

La decisión de RoboScience de adoptar el enfoque VLOA también está motivada por la escasez de datos que afecta a toda la industria.

Durante el evento de lanzamiento, Wang Tao, cofundador y presidente ejecutivo de RoboScience, afirmó que los datos y la arquitectura del modelo son los dos aspectos más críticos de los modelos de gran escala para sistemas físicos (o «embodied large models») y que no pueden considerarse de forma aislada. La arquitectura del modelo dicta el tipo de datos necesarios y determina cómo estos retroalimentan y mejoran el propio modelo.

Actualmente, muchas empresas de IA aplicada a sistemas físicos optan por construir sus propias instalaciones de recopilación de datos, obteniendo información física del mundo real mediante métodos como la teleoperación y demostraciones con robots reales. Si bien estos datos —que capturan interacciones, fricciones, fallos y procesos de recuperación del mundo real— reflejan fielmente los entornos operativos auténticos, presentan inconvenientes evidentes: elevados costes de adquisición, un volumen de datos limitado y una frecuente dependencia de plataformas robóticas específicas.

RoboScience ha optado por una estrategia de datos que combina vídeos de Internet con simulaciones basadas en la física. La empresa señala que el preentrenamiento de Visics se basa en dos fuentes principales de datos: información sobre el movimiento de objetos extraída de vídeos de Internet y datos de manipulación simulada generados por su motor físico propietario, RoboMirage.

Según la compañía, RoboScience ya ha acumulado millones de horas de datos de vídeo centrados en objetos y aspira a crear un conjunto de datos que abarque decenas de millones de horas para el año 2026. Paralelamente, utiliza RoboMirage para recopilar decenas de miles de millones de trayectorias de manipulación de alta calidad, con el objetivo de generar un conjunto de datos que supere el billón de trayectorias.

La lógica fundamental de este enfoque es superar los cuellos de botella en la escala de datos que enfrenta la IA aplicada a sistemas físicos, empleando métodos que ofrecen costes más bajos y un mayor volumen de procesamiento de datos. Wang Tao considera que depender exclusivamente de la recopilación manual o de la teleoperación impone limitaciones de volumen y costes; por el contrario, la simulación y los datos de vídeo permiten escalar mediante la potencia de cálculo, acelerando así el preentrenamiento de los modelos.

Enfoque gradual para el despliegue comercial.

Para las empresas de IA aplicada a sistemas físicos, una demostración es solo el primer paso; el éxito depende, en última instancia, del rendimiento en escenarios reales y de la validación comercial.

Actualmente, las empresas de IA centrada en modelos para sistemas físicos aún no han alcanzado la fase de despliegue a gran escala. No obstante, empiezan a surgir vías de implementación más claras en sectores como las farmacias inteligentes, el comercio minorista automatizado, la preparación y entrega de café, la logística y manipulación de mercancías, y puestos de trabajo industriales específicos. Por ejemplo, Galbot (de Galaxy General) ha realizado pruebas de validación en farmacias inteligentes, entornos comerciales sin personal y logística industrial; Qiongche Intelligence también ha priorizado las farmacias inteligentes, contando ya con una primera ubicación piloto operativa en Shenyang. Por su parte, la empresa internacional Skild AI ha implementado su «cerebro» robótico en la línea de producción de Foxconn para racks de servidores con GPU NVIDIA Blackwell en Houston, un paso considerado como una implementación comercial temprana de IA física de propósito general.

En general, las empresas de IA encarnada centradas en modelos aún trabajan para demostrar tres aspectos: primero, si sus modelos pueden operar de manera fiable en entornos complejos del mundo real; segundo, si pueden desarrollar soluciones industriales replicables; y tercero, si pueden establecer un modelo de coste-beneficio viable para casos de uso específicos.

Wang Tao declaró que RoboScience planea avanzar en su despliegue comercial por fases. La fase actual se centra en perfeccionar las capacidades del modelo de gran tamaño Visics —específicamente su capacidad de generalización— y en completar validaciones de prueba de concepto (POC) en entornos de alta frecuencia y múltiples categorías, como supermercados y logística de comercio electrónico. Los objetivos a corto y medio plazo incluyen lograr la producción en masa de hardware robótico propio, lanzar un sistema operativo y una plataforma de desarrollo para IA encarnada, y ampliar los escenarios de aplicación a otros sectores B2B, como hoteles y fábricas.

En cuanto al despliegue comercial, la empresa prevé iniciar este año la producción en masa de hardware robótico estandarizado, adaptado a entornos industriales y comerciales. Su modelo de negocio separa el software de la venta de hardware; gracias al uso de principios técnicos multiplataforma, el proceso de aprendizaje del modelo no depende de datos específicos de ningún hardware concreto, lo que permite opciones de entrega flexibles, como licencias exclusivas de software o soluciones basadas en controladores.