“No se puede perfeccionar la IA general con simples ajustes”, dijo ayer Bernt Børnich, CEO de 1X, durante la presentación del Laboratorio de Modelos Mundiales de la compañía; mientras busca acelerar el desarrollo de robots humanoides plenamente autónomos. Para eso, 1X sumó a Sam Sinha, investigador fundador de la startup de generación de video Luma AI, como director de Modelos Mundiales del nuevo laboratorio.

El movimiento representa un paso más sobre el modelo 1X World Model, que la compañía dio a conocer en enero pasado. Esa tecnología de IA usaba datos de video para que Neo, el robot humanoide de 1X, pudiera transformar una orden en una acción concreta, incluso frente a objetos desconocidos. 

Ahora, la empresa aumentó la producción de robots y quedó más cerca de un lanzamiento a gran escala. Ese avance le da acceso a un mayor volumen de datos, clave para alimentar sistemas capaces de aprender con mayor precisión.

La hoja de ruta apunta a robots plenamente autónomos, aptos para colaborar entre sí en equipo. En el horizonte aparece, además, la ambición de alcanzar una inteligencia real, con rasgos no tan lejanos a los humanos.

“No se puede lograr la IA general mediante ajustes precisos”Esa es la frase de Børnich. En esa definición, el CEO condensó el corazón de su tesis sobre el futuro de la inteligencia artificial.

Børnich sostiene que los grandes saltos de la IA durante los últimos cinco años se apoyaron en modelos alimentados con datos más completos y mejor ordenados. El primer escalón fue el texto, abundante en internet. Luego llegaron el texto combinado con imágenes y, más tarde, con video. Para él, el problema aparece cuando los datos de robots quedan relegados a un rol secundario, como una capa de ajuste fino sobre un modelo entrenado previamente.

"No se puede lograr una IA general mediante ajustes precisos", afirma Børnich. "Es necesario entrenar el modelo correctamente", sostiene. La advertencia funciona como punto de partida para su lectura del mercado.

También hablé con Sam Sinha, quien dedicó los últimos cuatro años a escalar modelos multimodales en Luma. Según Sinha, la robótica quedó durante demasiado tiempo en un lugar secundario. La mayoría de las empresas de robótica humanoide entrena con grandes volúmenes de datos de la web y luego ajusta sus modelos con cientos de horas de demostraciones robóticas. "Ese principio es erróneo", afirmó. "Es fundamental identificar los datos más importantes desde el principio", precisó.

Su síntesis del trabajo fue tajante. "Entran fichas buenas, salen fichas buenas", sintetizó.

La diferencia aparece cuando los robots reales actúan en contextos reales y resuelven tareas cotidianas. En ese escenario, el flujo de datos para entrenar modelos de IA gana una diversidad y una riqueza difíciles de alcanzar con otros métodos. Ya no alcanza con video, texto o imágenes. También pesa la transmisión visual en tiempo real y la información propioceptiva, es decir, dónde están las articulaciones de Neo y qué fuerzas reciben. A eso se agregan los datos de las manos de 1X, capaces de registrar presión y fuerza. El paquete incluye, además, todo lo que queda fuera de los robots con políticas de control, como videos humanos a gran escala, simulaciones y otras recopilaciones centradas en las personas, útiles para sumar volumen y variedad.

Como explicó Sinha, la diferencia entre tomar una botella con la fuerza exacta para levantarla y ejercer una presión insuficiente resulta "tremenda". Una cámara, por sí sola, nunca podría registrar por completo ese nivel de precisión.

Datos y la razón por la que Neo se parece cada vez más a un humano

La tesis central de la compañía apunta a que la robótica, igual que otros grandes desafíos de la IA, puede resolverse con escala. Bajo esa lógica, el entrenamiento debe nutrirse de la mayor cantidad posible de datos. Para aprovechar todos los videos humanos disponibles en internet, el robot necesita parecerse lo suficiente a una persona como para que esa información pueda transferirse con utilidad real a sus movimientos.

"Construís tu modelo de forma tan precisa, con la menor diferencia posible", dijo Børnich. "Así que ahora podés preentrenar con todos los vídeos humanos disponibles, y eso se transfiere directamente a tu robot", agregó.

Siempre queda un margen de error, pero ahí aparece la explicación detrás del diseño de Neo, su aspecto y su forma de moverse. Por eso usa tendones en lugar de engranajes y por eso incorpora una mano de enorme complejidad, con 22 grados de libertad de acción.

Dar Sleeper, jefe de producto y diseño de 1X, me mostró en otra conversación un video de esas manos en acción, con una velocidad que no se parecía a la de ningún robot que vi antes. Børnich llama a la mano "el jefe final de la robótica". La relevancia no reside solo en la destreza. Un cuerpo, en especial una mano, más cercano al humano, vuelve los datos humanos más útiles para entrenar robots.

Datos como ventaja competitiva

El universo de la robótica humanoide ya reúne a más de 400 empresas bajo seguimiento cercano, y la lista crece todo el tiempo. Ayer apareció Galaxea Dynamics. Apenas un día antes, lo hizo VinRobotics, perteneciente a la vietnamita Vingroup.

¿Cómo compiten entre sí? ¿Qué necesitan para construir una ventaja difícil de igualar?

Una respuesta posible está en los datos. Para Sinha, el modelo de base que impulsará los robots de 1X aparece casi como resultado de otro proceso: el círculo virtuoso de la información.

1X fabrica Neo, como él mismo dijo, "literalmente a partir de cables de cobre en bruto", en sus instalaciones de Hayward, California. Esa integración vertical le permite producir a gran escala. Esa escala habilita a los robots a recopilar datos. Luego, esos datos nutren modelos más precisos, ayudan a asumir más tareas, elevan la rentabilidad, aceleran la llegada de más unidades al mercado y refuerzan la recolección de información.

En el fondo, se trata de un círculo virtuoso. "Creo que 1X tiene la oportunidad de crear una ventaja competitiva basada en datos", dijo Sinha. "Y eso, para mí, es lo más importante", completó.

La comparación que usa es Cursor. La empresa de herramientas de programación lanzó su modelo Composer antes de que fuera de última generación, porque salir al mercado le permitía reunir los datos de interacción que necesitaba para mejorar. "Eso no les impidió lanzarlo", señaló Sinha. Aquel producto, aún imperfecto pero ya en manos de usuarios, funcionaba como motor de recopilación de datos.

Es una carta de presentación potente para un robot doméstico de US$ 20.000. Las primeras unidades no representan solo un producto. También son sensores en movimiento que reúnen cada vez más información.

Por qué el laboratorio funciona dentro de la fábrica

La pregunta surge casi sola. ¿Por qué un laboratorio de IA de avanzada necesita operar dentro de una compañía de hardware? Para Børnich, la respuesta no admite demasiadas vueltas. No podría estar en otro lugar.

"Mente y cuerpo son inseparables", dijo. Según su mirada, la cantidad de cambios de hardware que 1X incorpora para que los modelos funcionen resulta enorme. También sostiene que el avance pierde velocidad cuando los equipos de IA y robótica deben negociar a través de límites corporativos.

"Toda la empresa existe para que podamos generar los datos y la información necesaria para obtener inteligencia", afirmó.

Børnich describe la integración vertical extrema de 1X en fabricación como la única respuesta posible frente a la ventaja de escala de China. Fabricantes como Unitree y UBTech desarrollan sus propios motores, engranajes y componentes electrónicos de punta a punta. 1X sigue una lógica similar, aunque sustituye los engranajes por tendones. Su diferencial, asegura, aparece en la velocidad de iteración. La compañía tarda apenas cuatro semanas entre los cambios relevantes en el diseño asistido por computadora (CAD) y la salida del robot de su nueva línea de producción.

El dato impacta.

1X trabaja con lotes rápidos, no con grandes volúmenes continuos. Esa dinámica permite que el diseño avance a partir del feedback que recibe. En los hechos, funciona como una versión de hardware del desarrollo ágil de software.

Børnich asegura que es la versión más veloz del planeta, aunque admite que se trata de "una afirmación audaz".

La competencia, claro, es intensa. Physical Intelligence, Google DeepMind y NVIDIA ya preentrenan modelos fundacionales para robots. Figure tiene Helix. Apptronik trabaja con DeepMind. Unitree, Agibot y decenas de compañías chinas de robótica humanoide desarrollan y ajustan sus propios modelos. En algunos casos, con producción a gran escala, el flujo de datos ya se activó.

La diferencia de la propuesta de 1X pasa por su decisión de sumar, desde el inicio, datos de fuerza y de acción-consecuencia, junto con un cuerpo lo más parecido posible al humano. Además, el envío de los 20.000 robots humanoides ya reservados, previsto para este año y reconfirmado por Børnich durante la entrevista, le dará a la compañía una fuente continua de información.

El laboratorio también tendrá avances este año

El laboratorio debería presentar resultados preliminares antes de que termine 2026, en una coincidencia oportuna con el calendario del hardware, que también llegará en un período similar.

La pregunta, claro, es qué producto llegará efectivamente al mercado.

Børnich asegura que Neo debutará con "un producto útil y con total autonomía para finales de año". De todos modos, modera las expectativas. 2026 y comienzos de 2027 estarán orientados a los primeros usuarios, un grupo que deberá tener paciencia. En 2027, explica, Neo pasará de ser "útil a ser algo que realmente me gustaría tener".

La buena noticia para esos primeros compradores es que el hardware de Neo podrá recibir numerosas actualizaciones remotas de software a medida que la IA mejore. Además, Børnich afirma que, si fuera necesario optimizar otros componentes físicos, también lo harán.

La apuesta de fondo resulta ambiciosa y difícil de ejecutar. El plan combina un hardware lo suficientemente sólido como para salir al mercado ahora, con un diseño capaz de mejorar a medida que los modelos aprendan de los datos que ese mismo robot recopile. La promesa es que las actualizaciones remotas vuelvan al equipo mucho más capaz con el paso del tiempo.

Børnich cree que el salto entre ser "sorprendentemente útil" y dominar casi cualquier tarea humana es "mucho más corto de lo que la mayoría de la gente piensa".

Los próximos 18 meses pondrán a prueba esa tesis. También marcarán hasta dónde puede llegar Neo en la carrera hacia la IAG, la inteligencia artificial general.

*Este artículo fue publicado originalmente por Forbes.com