Ha llegado el momento de la GPT para la robótica

Hasta hace pocos años, si querías fundar una startup de robótica, tenías que prever años de trabajo solo para conseguir que un brazo mecánico se moviera, gastar sumas absurdas en hardware personalizado y contar con un equipo de especialistas que pareciera salido de la NASA. Hoy ya no es así. Hoy en día, puedes tener un robot que doble la ropa en una lavandería real, aprendiendo de datos recopilados también por otros robots, y el modelo de inteligencia que lo dirige se ejecuta incluso en la nube, no en un superordenador escondido en su mochila. La idea es la siguiente: estamos en el momento «GPT» de la robótica. Del mismo modo que los modelos lingüísticos han democratizado la IA, ahora la robótica está pasando de ser un oficio de élite a algo accesible, escalable y sorprendentemente rápido de llevar al mercado. Ya no hace falta ser un genio de la ingeniería mecánica: hoy en día se necesita más creatividad, capacidad para recopilar datos y ganas de integrar hardware, incluso económico, porque la inteligencia la aporta el modelo, no el metal. Detrás de esta revolución hay un equipo que parece sacado de una serie de televisión: Quan Vang, cofundador de Physical Intelligence, junto con Brian, Chelsea, Sergey, Locky y Adnan. Dejaron Google X, donde trabajaban en proyectos de robótica avanzada, para fundar una startup con una misión casi descabellada: crear un modelo capaz de controlar cualquier robot en cualquier entorno para cualquier tarea físicamente posible. Quan explica que, durante años, doblar la ropa ha sido el «test de Turing» de la robótica: ningún algoritmo clásico era capaz de gestionar la variedad y la deformabilidad de los tejidos, así como la aleatoriedad del mundo real. Luego, en dos semanas de trabajo con Weave, una startup creada por antiguos empleados de Apple, lograron poner en funcionamiento un robot que realmente dobla la ropa de clientes reales. Otro caso: Ultra, una empresa emergente del sector de la logística, utiliza ahora robots que empaquetan pedidos de Amazon en almacenes reales, con una autonomía casi total durante horas. Mientras que antes cada robot era una torre de marfil, optimizada únicamente para sí mismo, ahora los modelos se entrenan con datos procedentes de decenas de plataformas diferentes. Un dato concreto: OpenX, la plataforma que agrega datos de una flota de robots heterogéneos, ha demostrado que un modelo «generalista» supera a un modelo «especialista» en un 50 % en las mismas tareas. Y si alguna vez has oído que se necesita hardware de muy alto nivel para ejecutar estos algoritmos, olvídalo: la mayoría de las demostraciones de inteligencia física funcionan con el cerebro en la nube, y el robot sobre el terreno es poco más que una cámara web inteligente. La verdadera innovación está aquí: el problema ya no es «cómo programo cada movimiento», sino «cómo recopilo los datos adecuados e integro un modelo que ya sabe moverse en entornos diferentes». Hay otro cambio radical que nadie te cuenta: incluso los robots idénticos cambian con el tiempo, con pequeñas modificaciones de hardware o software que hacen que los datos recopilados queden obsoletos. Por lo tanto, es mejor entrenar modelos en diversos robots, para que aprendan a gestionar la diversidad y resulten más robustos. Y esta variedad ya se traduce hoy en la capacidad de realizar tareas «zero-shot», es decir, sin necesidad de datos específicos recopilados para esa tarea: el año pasado hacían falta cientos de horas de entrenamiento, pero ahora el robot es capaz de generalizar. Sin embargo, hay un aspecto que pocas personas tienen en cuenta: el verdadero obstáculo para una empresa emergente de robótica ya no es la tecnología, sino la integración en el flujo de trabajo real. Quan lo repite: hay que entender en qué ámbitos el robot realmente marca la diferencia —a menudo en tareas aburridas y repetitivas, en las que es aceptable cometer algún error y en las que se puede empezar con supervisión humana y luego automatizar cada vez más—. El coste inicial ha disminuido: hardware más barato, modelos de código abierto (Physical Intelligence ha publicado PI0 y PI05 con los mismos pesos que el modelo utilizado internamente) y la posibilidad de realizar pruebas y mejoras en entornos reales. Estamos en los albores de una auténtica «explosión cámbrica» de startups verticales: al igual que el ordenador personal multiplicó las empresas tecnológicas en los años 80, ahora cada sector —desde la logística hasta la limpieza, desde la restauración hasta la asistencia— puede tener su propia startup de robótica, creada por equipos pequeños y ágiles que ya no tienen que reinventarlo todo desde cero. Pero atención: el reto no es solo tecnológico, sino también de producto y de negocio. Es necesario comprender las verdaderas necesidades del cliente, adaptarse a los flujos de trabajo existentes y aspirar a alcanzar rápidamente el «break-even», es decir, lograr la sostenibilidad económica con pocos robots antes de escalar. ¿Y la opinión contraria? Todo el mundo espera que la revolución provenga de los robots domésticos, pero el verdadero auge podría surgir de las tareas industriales invisibles —como empaquetar pedidos o gestionar la micrologística—, donde se tolera un margen de error y la demanda es enorme. Prepárate: la pregunta clave en el futuro no será «qué robot puedo comprar», sino «qué flujo de trabajo puedo mejorar integrando un modelo inteligente que aprenda de todos». La frase que hay que recordar: la robótica ya no es una cuestión de hardware sofisticado, sino de datos, modelos e integración creativa. Si, después de esta historia, te has dado cuenta de que tu forma de pensar sobre las startups de robótica ha cambiado, en Lara Notes puedes indicarlo con «I'm In». No es un «Me gusta»; es el gesto de quien adopta una nueva perspectiva y se reconoce en ella. Y si mañana le cuentas a alguien por qué doblar la ropa ha sido la verdadera «prueba de Turing» de la robótica o cómo Ultra está revolucionando la logística, puedes usar Shared Offline en Lara Notes para etiquetar a los presentes: así, esa conversación realmente cuenta. Esta nota procede de Y Combinator y te ha ahorrado más de una hora y media de escucha.