El modelo GROOT 2, entrenado con 100 000 horas de video humano, y el marco de robots agénticos de Berkeley impulsan a la industria robótica más allá del dominio de la marcha, hacia la ejecución de tareas manuales precisas en las fábricas.
Anuncio de GROOT 2 en la conferencia de Austin y la transición hacia habilidades manuales precisas
Marco de robots agénticos de la Universidad de Berkeley y el caso de Ambi Robotics
Entrenamiento de GROOT 2 con 100 000 horas de video y las aplicaciones de Foxconn y Siemens
Productividad de Isaac Lab 3.0 y los límites de la adopción de robots en las tareas domésticas
Preguntas frecuentes
Anuncio de GROOT 2 en la conferencia de Austin y la transición hacia habilidades manuales precisas
Nvidia aprovechó la jornada inaugural de la Conferencia de Aprendizaje de Robots en Austin, Texas, el lunes 9 de noviembre de 2026, para presentar «GROOT 2», un modelo de trabajo general abierto para el procesamiento y movimiento robótico, acompañado de nuevas herramientas de simulación y pruebas estandarizadas, según lo publicado por la compañía en el blog oficial de Nvidia sobre los avances de la conferencia.
En paralelo, investigadores de la Universidad de California en Berkeley que colaboran con Nvidia presentaron un nuevo enfoque conocido como «robots agénticos», en el cual agentes de inteligencia artificial escriben y prueban programas de control para robots dentro de entornos de simulación, depurándolos en caso de fallo. Esto representa un cambio amplio en el sector, que pasa de enseñar a los robots a caminar a entrenarlos en tareas de precisión como conectar cables y ensamblar piezas pequeñas durante el evento, el cual se extiende hasta el 12 de noviembre.
Marco de robots agénticos de la Universidad de Berkeley y el caso de Ambi Robotics
El marco de «grafo como política» desarrollado por Berkeley divide una tarea robótica en habilidades independientes, tales como localizar objetos, planificar agarres y desplazarse sin colisiones; posteriormente, los agentes de inteligencia artificial conectan dichas habilidades en un único programa y se entrenan utilizando diversas variaciones a través de las bibliotecas de simulación «Isaac» de Nvidia. En una de las pruebas, el modelo «Astra» de OpenAI generó una simulación física a partir de un breve video de un robot limpiando tinta de una barra metálica con una esponja, y procedió a producir código de control que funcionó con éxito en un robot real.
Ken Goldberg, profesor de robótica en Berkeley y líder de la investigación, señaló: «Los robots agénticos ofrecen el eslabón perdido entre los métodos basados en modelos y los libres de modelos; constituyen un camino a seguir que no requiere datos adicionales». Por su parte, Ambi Robotics empleó estas metodologías para actualizar sus robots de clasificación de paquetes, dotándolos de una capacidad de procesamiento superior a los 15 000 paquetes por robot al año en el 30% de su flota estadounidense. Adicionalmente, Berkeley y Nvidia lanzaron el estándar «FAPAR», que abarca seis tareas industriales con niveles de dificultad estandarizados.
Entrenamiento de GROOT 2 con 100 000 horas de video y las aplicaciones de Foxconn y Siemens
El modelo GROOT 2 fue construido sobre la plataforma Nvidia Cosmos y entrenado parcialmente con 100 000 horas de videos humanos de código abierto capturados desde una perspectiva de primera persona. De acuerdo con Nvidia, el modelo alcanzó una tasa de éxito promedio del 71% en 50 tareas utilizando una sola demostración por tarea, cifra que aumentó al 95% al proporcionar cinco demostraciones.
La empresa Foxconn ya se encuentra implementando el modelo en sus procesos de fabricación de servidores informáticos, mientras que Siemens evalúa su adopción para aplicaciones industriales avanzadas.
Productividad de Isaac Lab 3.0 y los límites de la adopción de robots en las tareas domésticas
El entorno Isaac Lab 3.0 —cuya disponibilidad general se anunció durante la conferencia de Berlín en octubre— permite a los agentes configurar de manera automática los entornos de entrenamiento. Impulsado por el motor de física Newton, logró una velocidad de entrenamiento hasta 2,5 veces mayor en comparación con la versión 2.3 en pruebas de destreza visual. Asimismo, Nvidia destacó el estándar «DexBench», desarrollado conjuntamente con RL World, y la inclusión de dos artículos de investigación de la compañía entre los seis finalistas a los premios al mejor artículo del congreso.
A pesar de estos avances significativos en tareas industriales repetitivas, Goldberg advirtió que los robots domésticos capaces de doblar la ropa aún se encuentran lejos de la realidad cotidiana, y añadió con entusiasmo: «Para mí, los robots agénticos son el desarrollo tecnológico más emocionante desde la aparición de internet en 1995».
Las conclusiones de la conferencia de aprendizaje de robots en Austin confirman que la convergencia entre los modelos de trabajo general entrenados con video humano y los marcos de simulación física de alta velocidad está rediseñando el mapa de la automatización industrial. Si bien los entornos domésticos desestructurados continúan planteando un desafío a largo plazo, la capacidad de los robots agénticos para redactar y depurar códigos de control y ejecutar tareas de ensamblaje minucioso aporta ganancias tangibles y escalables de productividad a las grandes fábricas y centros logísticos de clasificación.
Preguntas frecuentes
Pregunta: ¿Qué es el modelo GROOT 2 presentado por Nvidia en Austin?
Respuesta: Es un modelo de trabajo general abierto para el movimiento robótico, construido sobre la plataforma Cosmos y entrenado parcialmente con 100 000 horas de video humano para enseñar a los robots tareas manuales precisas.
Pregunta: ¿Cuál fue la tasa de éxito de GROOT 2 y qué empresas destacan en su implementación?
Respuesta: Alcanzó una tasa de éxito promedio del 71% en 50 tareas con una demostración y del 95% con cinco. Es implementado por Foxconn en la fabricación de servidores y evaluado por Siemens a nivel industrial.
Pregunta: ¿Cómo opera el enfoque de robots agénticos desarrollado por los investigadores de Berkeley?
Respuesta: Divide la tarea en habilidades secundarias para que los agentes de inteligencia artificial redacten, prueben y corrijan código de control en la simulación Isaac, habiendo incrementado la productividad de los robots de Ambi Robotics en más de 15 000 paquetes anuales.
Pregunta: ¿Significan estos avances que los robots están listos para realizar tareas domésticas complejas próximamente?
Respuesta: El investigador Ken Goldberg aclaró que los beneficios se concentran actualmente en las tareas industriales repetitivas, mientras que los robots caseros que doblan ropa requerirán más tiempo de desarrollo.