---
Resumen en lenguaje sencillo del contenido principal
Últimamente, el sector de los “robots inteligentes corpóreos” que pueden moverse de manera autónoma en el mundo real, realizar tareas y desplazarse libremente ha experimentado un gran auge, con una alta demanda de financiación y mucha atención por parte de los medios de comunicación. Sin embargo, anteriormente todo el sector seguía el ejemplo de ChatGPT, pensando que acumular datos y parámetros rápidamente llevaría a resultados positivos, lo que llevó a muchos errores. En la conferencia de Bund, varios de los principales emprendedores y científicos del sector compartieron el consenso actual: los robots inteligentes corpóreos no pueden seguir el mismo camino de desarrollo que los grandes modelos de lenguaje. Las preguntas que se planteaban antes, como “cuántos datos reales se deben acumular”, “si los modelos generales competirán con los robots” o “cuándo los robots comenzarán a generar ingresos”, ahora tienen respuestas claras. La competencia futura no se basará únicamente en quién tiene el modelo más avanzado, sino en la capacidad integral de acumular datos, hardware, sistemas y escenarios. El sector está pasando de un enfoque basado en conceptos y demostraciones a uno que busca generar ingresos reales.
---
Desglose detallado del contenido
1. El sector acaba de cometer su primer gran error: pensar que copiar el enfoque de ChatGPT (acumular datos) sería suficiente, pero ahora se ha dado cuenta de que no funciona.
Los grandes modelos de lenguaje mejoraron drásticamente al alimentarlos con billones de palabras de texto de internet, por lo que muchos pensaron que lo mismo ocurriría con los robots inteligentes corpóreos: acumulando datos de videos de robots moviendo objetos o caminando, los modelos mejorarían automáticamente. Sin embargo, ahora se ha reconocido que este enfoque es completamente erróneo. La mayoría de los datos acumulados son inútiles; por ejemplo, hacer que un robot repita acciones como llevar una botella de agua durante millones de horas no le enseñará a sostener una taza térmica o una jarra con agua caliente. El consenso actual es que la “calidad” de los datos es mucho más importante que su cantidad. Solo los datos que reflejan las leyes del mundo físico real son valiosos: cómo atrapar objetos que se deslizan, cómo evitar caerse en superficies resbaladizas o cómo manejar objetos blandos sin deformarlos. Estos datos, obtenidos a través de tareas complejas y prolongadas, son cien veces más útiles que los datos recolectados de manera repetida e ineficaz.
2. La estrategia de datos ha cambiado radicalmente: ya no se compite por cuántos datos se almacenan, sino por la capacidad de trasladar las características del mundo real al ordenador.
Durante mucho tiempo, el sector se preguntó si era mejor usar datos recopilados en escenarios reales o datos generados en entornos virtuales de simulación. Ahora los expertos sugieren que no hay necesidad de elegir entre uno u otro; lo importante es trasladar las características físicas del mundo real al ordenador de manera precisa. Por ejemplo, al simular cómo el agua se distribuye en azulejos, cómo cambia la textura del suelo al ser manchado o cómo se deforman los objetos de diferentes pesos, el robot puede practicar estas acciones en el ordenador sin gastar recursos reales. La competencia en datos no será sobre quién tiene más datos, sino sobre quién puede replicar con mayor fidelidad las leyes del mundo físico.
3. El temor de que los modelos generales afecten al sector de los robots se ha demostrado infundado.
Recientemente, OpenAI lanzó GPT-6 Astra, que puede controlar directamente los robots, lo que provocó preocupaciones de que las empresas de modelos generales destruirían a las empresas de robots inteligentes corpóreos. Sin embargo, este temor es infundado. La capacidad del AI se deriva de datos específicos de sus campos de aplicación; los modelos generales no pueden ayudar a controlar robots sin datos relacionados con sensores, hardware o sistemas de entrenamiento. Para desarrollar robots, es necesario recopilar datos físicos, adaptarlos a diferentes tipos de motores y crear sistemas de simulación, tareas que no son menos complejas que las que enfrentan las empresas emergentes. Además, los datos acumulados por las empresas de robots inteligentes corpóreos son únicos y más relevantes que las capacidades de los modelos generales.
4. El criterio para la comercialización de robots es simple: no basta con demostraciones, sino que los robots deben ser rentables.
Antes, las exhibiciones de robots se centraban en demostraciones de habilidades como servir té, doblar ropa o atornillar; sin embargo, estos robots no eran útiles en situaciones reales. Ahora, el éxito comercial se mide por si los clientes están dispuestos a pagar continuamente, y si la relación entre inversión y beneficio es positiva. Un robot que sea más eficiente que un empleado o que cumpla con los requisitos de un proceso automatizado tradicional será rentable. No es necesario buscar aplicaciones “revolucionarias”; cualquier escenario en el que el robot pueda funcionar de manera eficiente y rentable (como entregar platos en un restaurante, organizar mercancías en un almacén o cuidar a personas en un asilo) es potencialmente rentable. Se espera que en tres años se vean robots inteligentes corpóreos comercialmente viables en muchos entornos reales, marcando el inicio de una nueva era en la transformación del mundo físico por parte del AI.