Artículos · Robótica
Los robots aprenden de las personas
Los modelos de lenguaje aprendieron de billones de palabras. Los robots aún no tienen esa biblioteca. En robótica, lo escaso ahora son los datos sobre cómo trabaja la gente.

En 1988, el investigador en robótica Hans Moravec escribió que «es comparativamente fácil conseguir que los ordenadores muestren un rendimiento de nivel adulto en tests de inteligencia o jugando a las damas, y difícil o imposible darles las habilidades de un niño de un año en cuanto a percepción y movilidad». Casi cuatro décadas después, su paradoja sigue en pie. Un modelo de lenguaje puede aprobar el examen de acceso a la abogacía. Un robot que dobla la ropa todavía es noticia.
La biblioteca que falta
Parte de la razón son los datos. Meta entrenó sus modelos de lenguaje Llama 3 con más de 15 billones de tokens de texto, recogidos de fuentes públicas y escritos en su mayoría por personas para otras personas. No existe un archivo así de lo que hacen las manos. Nadie ha pasado décadas anotando las fuerzas que actúan en una mano cuando abre un frasco.
El mayor esfuerzo abierto hasta ahora muestra la distancia. En 2023, Google DeepMind y colaboradores de 21 instituciones reunieron datos de 22 tipos de robot en el conjunto de datos Open X-Embodiment: más de un millón de episodios grabados que abarcan más de 500 habilidades. Fue un hito para el sector. Al lado del texto con el que se entrena un modelo de lenguaje, es un folleto.
Todo el mundo recopila
El dinero ha seguido al problema. Physical Intelligence, una startup de San Francisco fundada en 2024 para crear modelos generales para robots, captó 400 millones de dólares en noviembre de 2024 y otros 600 millones un año después, con una valoración de 5.600 millones de dólares. Desde entonces se ha informado de que negocia una nueva ronda a un precio muy superior. La empresa cita entre sus principales retos conseguir datos suficientes, de muchas tareas y de muchos robots.
Los métodos varían. Algunas empresas manejan robots a distancia y graban cada movimiento. Otras visten a personas con trajes de captura de movimiento. En 2025, Tesla comunicó al personal que entrena a su robot Optimus que en su lugar se apoyaría sobre todo en vídeo, con trabajadores que llevan equipos de cámaras mientras doblan camisas y recogen objetos, porque el vídeo escala más rápido.
Dónde entramos nosotros
Todos estos enfoques comparten una idea: el mejor maestro del trabajo físico es una persona que lo hace bien. Un mecánico nota cuándo un perno está a punto de pasarse de rosca. Una enfermera sabe dar la vuelta a un paciente sin hacerle daño. Ese saber es lo que les falta a los robots, y la mayor parte nunca se ha registrado.
Por eso dos de nuestras empresas trabajan en ello. Archaí Physics registra cómo trabaja realmente la gente, para que los robots puedan aprender de ello. physical.wiki recoge lo que hacen los objetos en la mano: su peso, su agarre, cómo se abren y cómo se rompen.
El hardware se abarata cada año. Las buenas grabaciones de trabajo cualificado, hechas con el consentimiento de quienes lo realizan, siguen siendo escasas, y ahí es donde ponemos nuestro dinero.
Fuentes
Las fuentes figuran en su idioma original.
- Hans Moravec: Mind Children, Harvard University Press, 1988
- Wikipedia: Moravec’s paradox
- OpenAI: GPT-4, March 2023
- Meta AI: Introducing Meta Llama 3, April 2024
- Google DeepMind: Scaling up learning across many different robot types, October 2023
- Open X-Embodiment: Robotic learning datasets and RT-X models
- Bloomberg: Robotics startup Physical Intelligence valued at $5.6 billion, November 2025
- Dataconomy: Bezos-backed Physical Intelligence raises $600M, November 2025
- eWeek, reporting Business Insider: Tesla’s Optimus has a new training strategy, August 2025
- TechCrunch: Physical Intelligence in talks to raise $1 billion again, March 2026
Más artículos
CapitalLa eficiencia es el nuevo foso defensivoNvidia perdió 589.000 millones de dólares en un día porque DeepSeek hizo más con menos. La lección para los fundadores es anterior a la IA: quien menos dinero necesita es el más difícil de alcanzar.
FundadoresUn plan de negocio es una prueba de criterioEisenhower dijo que los planes no valen nada, pero que la planificación lo es todo. Leemos los planes de negocio por la planificación. Esto es lo primero que miramos.
SociosLa química es due diligenceNoam Wasserman observó que el 65 % de las startups de alto potencial fracasan por conflictos entre cofundadores. Por eso evaluamos a las personas antes de leer el plan.