A pesar del gran revuelo y de las declaraciones optimistas de líderes tecnológicos como Elon Musk, los expertos en robótica afirman que los robots humanoides verdaderamente capaces de realizar tareas cotidianas aún están lejos de ser una realidad. ¿La razón principal? Una brecha masiva de datos estimada en 100.000 años que separa lo que los robots necesitan de lo que hay disponible actualmente.
Contenido del artículo:
- Introducción: entre el bombo publicitario y la realidad
- La brecha de datos de 100.000 años
- ¿Por qué el lenguaje superó a la destreza manual?
- Paradoja de Moravec: lo que es fácil para los humanos es difícil para las máquinas
- Datos frente a «ingeniería tradicional»
- Lógica de «arranque automático» (bootstrap): la solución práctica
- Empleos y cronogramas: una perspectiva realista
- La necesidad de cuerpos más inteligentes, no solo de mentes más inteligentes
- Conclusión: un mensaje correctivo, no pesimista
Introducción: entre el bombo publicitario y la realidad
Presenciamos recientemente una ola de entusiasmo en torno a los robots humanoides (humanoid robots), con presentaciones asombrosas por parte de empresas como Tesla, Figure y Boston Dynamics. Los líderes tecnológicos hacen promesas audaces sobre un futuro en el que estos robots puedan reemplazar a los humanos en fábricas, hogares y hospitales. Sin embargo, dos nuevos artículos de investigación publicados por el experto en robótica Ken Goldberg, de la Universidad de California en Berkeley, ofrecen una visión más realista y desafiante, al argumentar que los robots humanoides verdaderamente capaces todavía están mucho más lejos de lo que sugieren los calendarios optimistas.
La brecha de datos de 100.000 años
El punto central del argumento de Goldberg es la existencia de «una brecha de datos de 100.000 años». Explica que los grandes modelos de lenguaje (LLMs) como ChatGPT lograron saltos monumentales porque se entrenaron con cantidades astronómicas de datos de texto disponibles en internet. No obstante, los robots requieren un tipo de datos completamente diferente: datos ricos y corpóreos (embodied data) que describan interacciones físicas precisas con el mundo real. Goldberg calcula que la cantidad de datos físicos necesarios para entrenar a un robot con el fin de que domine las habilidades motoras equivale a lo que se podría recopilar a lo largo de 100.000 años, un abismo enorme en comparación con los datos textuales que impulsaron la revolución de los modelos de lenguaje.
¿Por qué el lenguaje superó a la destreza manual?
Goldberg recalca que la manipulación física sigue siendo el cuello de botella más difícil en el ámbito de la robótica. Tareas sencillas para los humanos, como levantar un vaso de vidrio o cambiar una bombilla, exigen una percepción minuciosa de la postura corporal, la localización de las yemas de los dedos, el control del contacto y una retroalimentación continua. Los seres humanos lo hacen sin esfuerzo, pero los robots no pueden. Las propuestas de recopilar datos de entrenamiento a partir de videos de internet fracasan debido a que las tomas bidimensionales rara vez revelan los movimientos, las fuerzas y los contactos tridimensionales precisos que un robot necesita imitar.
Paradoja de Moravec: lo que es fácil para los humanos es difícil para las máquinas
Esta contradicción refleja lo que se conoce como la «paradoja de Moravec». Dicha paradoja establece que las tareas que exigen un razonamiento de alto nivel (como jugar al ajedrez o resolver ecuaciones) resultan relativamente fáciles para las computadoras, mientras que las actividades que demandan habilidades motoras y sensoriales simples para las personas (como caminar o reconocer rostros) son sumamente difíciles para las máquinas. Dominar el movimiento y la manipulación física constituye un ejemplo clásico de esta paradoja.
Datos frente a «ingeniería tradicional»
El profesor Goldberg describe un debate vigente en el campo de la robótica. Un sector sostiene que una mayor cantidad de datos por sí sola abrirá el camino hacia los robots humanoides multipropósito. En cambio, el otro sector, al que denomina de la «buena ingeniería tradicional», se apoya en la física, las matemáticas y el modelado explícito del mundo. Goldberg visualiza una vía intermedia y práctica: usar la ingeniería para que los robots funcionen de manera fiable en tareas acotadas, y luego permitir que esos robots desplegados recopilen los datos del mundo real necesarios para perfeccionar su rendimiento.
Lógica de «arranque automático» (bootstrap): la solución práctica
Goldberg apunta a ejemplos que ya aplican esta lógica. Los vehículos autónomos de Waymo recopilan datos de manera continua durante su funcionamiento, lo cual mejora el rendimiento con el paso del tiempo. La compañía Ambi Robotics emplea el mismo patrón para clasificar paquetes en almacenes: implementación, recolección, mejora e iteración. Desde la perspectiva de Goldberg, el camino práctico hacia mejores robots no es una avalancha repentina de datos, sino información obtenida de forma iterativa a partir de sistemas que ya ejecutan una labor útil.
Empleos y cronogramas: una perspectiva realista
Respecto a los plazos, Goldberg descarta las proyecciones confiadas sobre una rápida equiparación de los robots con los humanos. No prevé avances revolucionarios en los próximos dos, cinco o diez años. En cuanto al empleo, argumenta que los oficios artesanales y las profesiones que requieren destreza manual (como la fontanería, la electricidad y la construcción) se han mantenido «muy seguros» durante mucho tiempo porque exigen precisamente la manipulación experta y la capacidad de adaptación de las que todavía carecen los robots.
La necesidad de cuerpos más inteligentes, no solo de mentes más inteligentes
El problema no radica exclusivamente en los datos o los algoritmos. A pesar de los vistosos escaparates, muchos robots humanoides continúan limitados por sus propios cuerpos. Con frecuencia, los robots actuales consumen una gran cantidad de energía y dependen de correcciones computacionales constantes debido a que su hardware carece de «inteligencia mecánica». Los informes sobre sobrecalentamiento o fallas de robots humanoides en competencias, así como su consumo de energía muy superior al humano para una simple caminata, ponen de relieve este punto. El siguiente salto requerirá probablemente cuerpos más adaptables e inspirados en la biología, tanto como programas de control más inteligentes.
Conclusión: un mensaje correctivo, no pesimista
El mensaje de Goldberg no es pesimista, sino correctivo. El progreso es real, pero desigual, y los problemas más complejos se concentran en la intersección de los datos, el control y el diseño físico. Gestionar las expectativas en el presente, sostiene, protegerá al sector de los ciclos de exageración publicitaria y mantendrá la atención en el trabajo poco llamativo —ingeniería, experimentación y despliegue continuo— que verdaderamente traslada a los robots desde las demostraciones de laboratorio hacia herramientas fiables.
Preguntas frecuentes (FAQs)
1. ¿Qué es la «brecha de datos de 100.000 años»?
Es una estimación del tiempo necesario para reunir suficientes datos de interacción física con el objeto de entrenar a un robot humanoide para que sea tan diestro como un ser humano, lo que subraya la escasez de este tipo de datos frente a los registros de texto.
2. ¿Por qué los modelos de lenguaje tuvieron éxito mientras los robots aún enfrentan dificultades?
Debido a que los modelos de lenguaje se entrenaron con enormes textos de internet, mientras que los robots carecen de una fuente de datos equivalente para interacciones físicas complejas.
3. ¿Qué es la paradoja de Moravec?
Es la observación de que las tareas intelectualmente difíciles para los humanos (como las matemáticas) resultan fáciles para las computadoras, al tiempo que las tareas motrices sencillas para las personas (como caminar) son sumamente difíciles para las máquinas.
4. ¿Reemplazarán pronto los robots humanoides a los trabajos manuales?
Según los expertos, todavía no. Los empleos que demandan destreza manual y adaptabilidad en entornos impredecibles están muy lejos del alcance de las capacidades robóticas actuales.
