Resumen de los contenidos clave
Este año, la industria de los robots humanoides ha experimentado dos cambios cruciales: primero, ha habido un aumento significativo en las ventas (más de 40.000 unidades en el primer semestre en China, lo que representa el 97% del mercado mundial), aunque todavía está lejos de la comercialización a gran escala; segundo, el enfoque de la industria ha pasado de mostrar habilidades espectaculares (correr, saltar, jugar al tenis) a su utilidad práctica (capacidad para realizar tareas). La competencia ya no se centra en el rendimiento deportivo, sino en la capacidad de los robots para completar tareas de manera eficiente en entornos desconocidos. Al mismo tiempo, los profesionales de la industria están definiendo los estándares para el "momento de ChatGPT con inteligencia corpórea" (cuando los robots puedan completar el 80% de las tareas sin instrucciones previas) y consideran que la generalización y la acumulación de datos son los principales obstáculos actuales. El modelo de negocio también está evolucionando de vender los robots en sí a vender su capacidad para realizar tareas.
I. De mostrar habilidades a convertirse en trabajadores: el giro hacia la utilidad práctica de los robots
En los últimos años, los robots humanoides han demostrado habilidades extremadamente difíciles, como el robot Yuzhu, que puede correr a 12.65 metros por segundo (superando la velocidad humana máxima), o el robot Galaxy General, que juega al tenis. Sin embargo, estas habilidades son poco relevantes para aplicaciones reales: las fábricas necesitan robots para ensamblar piezas, los hogares necesitan ayuda para organizar espacios y los almacenes requieren robots para recoger y empacar productos. Este año, la industria se ha centrado en tareas más prácticas, como el robot Yuzhu organizando salas de reuniones (cambiando entre 7-8 tareas y manejando distracciones) o el robot colaborativo de StarSeaMap y JD.com, que puede completar más de 100 pedidos al día sin intervención humana. Wang Xingxing afirma que estas tareas, aunque no parecen impresionantes, tienen un valor práctico significativo y no son demasiado complejas, marcando el comienzo de la integración de los robots en la vida cotidiana.
II. ¿Qué falta para una aplicación a gran escala con 40.000 unidades vendidas?
Las 40.000 unidades vendidas en el primer semestre parecen muchas, pero la mayoría son pruebas en pequeñas cantidades sin una promoción masiva. Hay tres razones principales:
1. Eficiencia inferior a la humana: por ejemplo, un robot puede tardar 2 minutos en doblar una camiseta, lo que representa solo el 70-80% de la eficiencia de un ser humano; además, los robots en las fábricas ensamblan piezas de manera lenta en comparación con los trabajadores.
2. Poca generalización: los robots tienen dificultades para aprender nuevas tareas; actualmente, necesitan 10 horas de entrenamiento para cada nueva tarea y su éxito disminuye si el entorno cambia (por ejemplo, si la ubicación de los objetos varía). Esto es similar a un empleado que solo puede realizar tareas en un puesto específico y necesita reentrenamiento para otros puestos.
3. Precisión insuficiente: los robots pueden realizar operaciones a nivel centimétrico con precisión, pero necesitan mejorar su capacidad en operaciones a nivel milimétrico (como ensamblajes detallados).
Estos problemas limitan la aplicación de los robots a entornos específicos y impiden su uso en situaciones más complejas.
III. El cambio en el modelo de negocio: de vender robots a vender su capacidad para realizar tareas
Antes, las empresas de robots ganaban dinero vendiendo los dispositivos en sí (con márgenes brutos del 40-60%). Ahora, el enfoque es vender la capacidad que los robots ofrecen:
- Fase 1: venta de unidades completas.
- Fase 2: suscripciones a servicios basados en las tareas realizadas por los robots (con márgenes brutos del 20%).
- Fase 3: monetización basada en el valor creado por los robots (por ejemplo, cobrando por cada tarea completada), lo que implica un cambio de enfoque desde el hardware hacia las capacidades inteligentes.
StarSeaMap ya ha entregado pedidos de miles de unidades y podría llegar a decenas de miles el próximo año. Esto significa que en el futuro, las empresas serán evaluadas no por la cantidad de robots vendidos, sino por su capacidad para realizar tareas, la eficiencia del entrenamiento y la tasa de éxito.
IV. ¿Cuánto falta para el "momento de ChatGPT"? Estándares y obstáculos
El año pasado, todos se preguntaban cuándo llegaría el momento de ChatGPT con inteligencia corpórea. Este año, los profesionales han definido criterios específicos:
- Wang Xingxing (Yuzhu): cuando los robots puedan completar el 80% de las tareas en entornos desconocidos con instrucciones verbales; esto podría ocurrir en 2-3 años como máximo, o quizás en 5-10 años.
- Wang He (Galaxy General): los modelos actuales son similares al nivel de GPT2, pero para alcanzar el nivel de ChatGPT, es necesario que los robots tengan una tasa de éxito del 70-80% en tareas comunes y que las personas puedan entrenar rápidamente a los robots para realizar tareas específicas. El objetivo de la empresa es lograrlo en 2028.
Los principales obstáculos son:
- Falta de generalización: los robots tienen altas tasas de éxito en entornos estables, pero fallan cuando el entorno cambia.
- Escasez de datos: se necesitan millones de horas de datos para entrenar a los robots, pero actualmente solo contamos con cientos de miles.
- Desajuste entre IA y robots: los robots saben qué hacer (por ejemplo, recoger objetos), pero errores en las últimas centímetros (debidos a problemas visuales o táctiles) impiden el éxito.
V. La competencia futura: datos y modelos como elementos clave
Antes, la competencia se centraba en el hardware (velocidad de movimiento, flexibilidad de los articulaciones). Ahora, lo importante son el software y los datos:
- Yuzhu está trabajando en la "autoevolución del AI físico": permite que los modelos generen código de control automáticamente y luego lo prueban en simulaciones y con robots reales para mejorar continuamente sus capacidades.
- Todas las empresas compiten por datos, ya que estos son esenciales para entrenar a los robots. Quienes tengan más datos de entornos reales serán los primeros en superar las limitaciones de generalización.
En resumen, para que los robots pasen de ser muestras de laboratorio a herramientas útiles en la vida real, lo importante no es su velocidad, sino su capacidad para funcionar de manera estable en entornos cambiantes. Este es el verdadero "ritual de maduración" de la industria.
Esta noticia indica que la industria de los robots está avanzando de una era basada en habilidades espectaculares a una era centrada en su utilidad práctica, y los próximos años se verá quién logra convertir a los robots en trabajadores confiables.