Modelo Fundacional de Robótica

Un modelo fundacional de robótica es un modelo grande, preentrenado sobre datos amplios, que abarca muchas tareas e, idealmente, muchos cuerpos robóticos — de forma análoga a los modelos fundacionales de lenguaje como GPT. Sirve como base generalista que puede ajustarse a nuevas tareas con comparativamente pocos datos adicionales.

La apuesta central

En lugar de programar cada robot individualmente para cada tarea, la idea es que un modelo base generalice a partir de datos de demostración, vídeos y simulación — así, las nuevas tareas solo necesitan un ajuste fino mínimo o incluso pueden invocarse mediante lenguaje natural. La cuestión de si los datos son transferibles entre distintos cuerpos robóticos se aborda en Cross-Embodiment.

Tres formas constructivas

• Modelos Visión-Lenguaje-Acción (VLA) traducen la imagen de cámara + la orden en lenguaje directamente en acciones de control. La arquitectura dominante hoy (p. ej. π0, Gemini Robotics, GR00T N1, Helix).
• VLM de razonamiento/embodied planifican y «piensan» sobre una escena, sin controlar ellos mismos los motores (p. ej. Gemini Robotics-ER). A menudo son el sistema de pensamiento «lento» situado por encima de una política rápida.
• World Models predicen el estado futuro del mundo y sirven como simulador aprendido para generar datos o para «pensar por adelantado».

El cuello de botella de los datos

A diferencia del texto, no existe una «internet de las acciones robóticas». Por eso, el reto central es la obtención de datos. Se combinan tres vías: Teleoperación (demostraciones humanas de alta calidad, pero costosas), Simulación (escalable de forma barata, pero con una «reality gap») y, cada vez más, datos sintéticos a partir de World Models así como vídeos egocéntricos humanos.

Qué modelos lideran en 2026 y en qué estado se encuentran lo resume la Visión general del panorama de los modelos fundacionales.