Autor: merakiki
Traducción: TechFlow
Durante décadas, el alcance de la robótica fue muy limitado, concentrándose principalmente en la ejecución de tareas repetitivas en entornos industriales estructurados. Sin embargo, la inteligencia artificial (IA) actual está revolucionando el campo de la robótica, permitiendo que los robots comprendan y ejecuten instrucciones de los usuarios, adaptándose a entornos dinámicos y cambiantes.
Estamos entrando en una nueva era de rápido crecimiento. Según Citibank, para 2035 se desplegarán 1.3 billones de robots en todo el mundo, expandiendo su uso desde fábricas hasta hogares y sectores de servicios. Al mismo tiempo, Morgan Stanley estima que solo el mercado de robots humanoides podría alcanzar los 5 trillones de dólares para 2050.
A pesar de que esta expansión libera un enorme potencial de mercado, también conlleva importantes desafíos en centralización, confianza, privacidad y escalabilidad. Las tecnologías Web3, al habilitar redes robóticas descentralizadas, verificables, privadas y colaborativas, ofrecen soluciones transformadoras para estos problemas.
En este artículo, profundizaremos en la cadena de valor en constante evolución de los robots con IA, con especial enfoque en el sector de robots humanoides, y revelaremos las oportunidades atractivas que surgen de la fusión entre la robótica con IA y la tecnología Web3.
Cadena de valor de los robots con IA
La cadena de valor de los robots con IA se compone de cuatro capas fundamentales: hardware, inteligencia, datos y agentes. Cada capa se construye sobre las demás, permitiendo que los robots perciban, razonen y actúen en entornos reales complejos.
En los últimos años, la capa de hardware ha avanzado notablemente, liderada por pioneros de la industria como Unitree y Figure AI. Sin embargo, aún existen desafíos clave en las capas no relacionadas con hardware, especialmente la escasez de conjuntos de datos de alta calidad, la falta de modelos base generalistas, la baja compatibilidad entre dispositivos y la necesidad de computación en el borde confiable. Por lo tanto, las mayores oportunidades de desarrollo actualmente se encuentran en las capas de inteligencia, datos y agentes.
1.1 Capa de hardware: “El cuerpo”
Hoy en día, fabricar y desplegar “cuerpos robóticos” modernos es más fácil que nunca. Actualmente existen más de 100 tipos diferentes de robots humanoides en el mercado, incluyendo Optimus de Tesla, G1 de Unitree, Digit de Agility Robotics y Figure 02 de Figure AI.
Fuente: Morgan Stanley, “Humanoid 100: Mapa de la cadena de valor de robots humanoides”
Este avance se debe a tres componentes clave que han experimentado grandes innovaciones:
-
Actuadores: Funcionan como los “músculos” del robot, transformando instrucciones digitales en movimientos precisos. La innovación en motores de alto rendimiento permite movimientos rápidos y exactos, mientras que los actuadores dieléctricos elastoméricos (DEAs) son ideales para tareas delicadas. Estas tecnologías han mejorado notablemente la flexibilidad de los robots; por ejemplo, Optimus Gen 2 de Tesla cuenta con 22 grados de libertad (DoF), y el G1 de Unitree demuestran una flexibilidad cercana a la humana y una impresionante capacidad de movimiento.
Fuente: Unitree mostrando su último robot humanoide en una pelea de boxeo en la WAIC 2025 World Artificial Intelligence Conference
-
Sensores: Sensores avanzados permiten a los robots percibir e interpretar el entorno a través de entradas visuales, LIDAR/RADAR, táctiles y de audio. Estas tecnologías posibilitan la navegación segura, la manipulación precisa y la percepción contextual.
-
Computación embebida: CPUs, GPUs y aceleradores de IA (como TPUs y NPUs) en el dispositivo procesan datos de sensores y ejecutan modelos de IA en tiempo real, permitiendo la toma de decisiones autónoma. La conectividad confiable y de baja latencia asegura una coordinación fluida, mientras que la arquitectura híbrida edge-cloud permite a los robots descargar tareas de cómputo intensivo cuando es necesario.
1.2 Capa de inteligencia: “El cerebro”
A medida que el hardware madura, la atención de la industria se centra en construir el “cerebro robótico”: modelos base potentes y estrategias de control avanzadas.
Antes de la integración de la IA, los robots dependían de automatización basada en reglas, ejecutando movimientos preprogramados sin inteligencia adaptativa.
Los modelos base están siendo aplicados gradualmente en robótica. Sin embargo, los grandes modelos de lenguaje (LLMs) generalistas no son suficientes, ya que los robots deben percibir, razonar y actuar en entornos físicos dinámicos. Para satisfacer estas necesidades, la industria está desarrollando modelos base robóticos de extremo a extremo basados en políticas. Estos modelos permiten que los robots:
-
Perciban: Reciban datos multimodales de sensores (visión, audio, tacto)
-
Planifiquen: Estimen su estado, creen mapas del entorno e interpreten instrucciones complejas, mapeando la percepción directamente a la acción y reduciendo la intervención manual
-
Actúen: Generen planes de movimiento y emitan comandos de control para la ejecución en tiempo real
Estos modelos aprenden “políticas” generales de interacción con el mundo, permitiendo que los robots se adapten a diversas tareas y operen con mayor inteligencia y autonomía. Los modelos avanzados también utilizan retroalimentación continua, permitiendo que los robots aprendan de la experiencia y mejoren su adaptabilidad en entornos dinámicos.
Los modelos VLA mapean directamente las entradas sensoriales (principalmente datos visuales e instrucciones en lenguaje natural) a acciones robóticas, permitiendo que los robots emitan comandos de control apropiados según lo que “ven” y “oyen”. Ejemplos notables incluyen RT-2 de Google, Isaac GR00T N1 de Nvidia y π0 de Physical Intelligence.
Para potenciar estos modelos, a menudo se integran varios enfoques complementarios, como:
-
Modelos del mundo: Construyen simulaciones internas del entorno físico, ayudando a los robots a aprender comportamientos complejos, predecir resultados y planificar acciones. Por ejemplo, Genie 3 de Google es un modelo del mundo generalista capaz de generar entornos interactivos diversos y sin precedentes.
-
Aprendizaje profundo por refuerzo: Ayuda a los robots a aprender comportamientos mediante prueba y error.
-
Teleoperación: Permite el control remoto y la provisión de datos de entrenamiento.
-
Aprendizaje por demostración (LfD)/Aprendizaje por imitación: Enseña nuevas habilidades a los robots imitando acciones humanas.
La siguiente imagen muestra cómo estos métodos funcionan en los modelos base robóticos.
Fuente: Modelos del mundo: el núcleo de inteligencia física que impulsa el avance hacia la AGI (World models: the physical intelligence core driving us toward AGI)
Algunos avances recientes de código abierto, como π0 de Physical Intelligence e Isaac GR00T N1 de Nvidia, marcan progresos importantes en el campo. Sin embargo, la mayoría de los modelos base robóticos siguen siendo centralizados y de código cerrado. Empresas como Covariant y Tesla mantienen su código y conjuntos de datos como propiedad exclusiva, principalmente por la falta de mecanismos de incentivos abiertos.
La falta de transparencia limita la colaboración y la interoperabilidad entre plataformas robóticas, destacando la necesidad de estándares on-chain para compartir modelos de manera segura y transparente, gobernanza comunitaria y capas de interoperabilidad entre dispositivos. Este enfoque fomentará la confianza, la cooperación y el desarrollo más robusto del sector.
1.3 Capa de datos: “El conocimiento” del cerebro
Los conjuntos de datos robustos para robótica dependen de tres pilares: cantidad, calidad y diversidad.
Aunque la industria ha avanzado en la acumulación de datos, la escala de los conjuntos de datos robóticos existentes sigue siendo insuficiente. Por ejemplo, GPT-3 de OpenAI fue entrenado con 300 mil millones de tokens, mientras que el mayor conjunto de datos robóticos de código abierto, Open X-Embodiment, solo contiene más de 1 millón de trayectorias robóticas reales, cubriendo 22 tipos de robots. Esto está muy lejos de la escala necesaria para lograr una gran capacidad de generalización.
Algunos métodos propietarios, como la recolección de datos de Tesla a través de fábricas de datos y trajes de captura de movimiento usados por empleados, ayudan a reunir más datos de movimiento reales. Sin embargo, estos métodos son costosos, tienen diversidad limitada y son difíciles de escalar.
Para enfrentar estos desafíos, la robótica está aprovechando tres fuentes principales de datos:
-
Datos de Internet: Son masivos y fáciles de escalar, pero principalmente observacionales y carecen de señales de sensores y movimiento. El preentrenamiento de grandes modelos de visión y lenguaje (como GPT-4V y Gemini) en estos datos puede proporcionar valiosos conocimientos semánticos y visuales. Además, agregar etiquetas cinemáticas a videos puede convertir videos crudos en datos de entrenamiento utilizables.
-
Datos sintéticos: Generados por simulación, permiten experimentos a gran escala y cubren escenarios diversos rápidamente, pero no reflejan completamente la complejidad del mundo real, lo que se conoce como la “brecha sim-to-real”. Los investigadores abordan esto mediante adaptación de dominio (como aumento de datos, aleatorización de dominio y aprendizaje adversarial) y transferencia sim-to-real, optimizando modelos iterativamente y ajustándolos en entornos reales.
-
Datos del mundo real: Aunque escasos y costosos, son esenciales para la implementación de modelos y para cerrar la brecha entre simulación y despliegue real. Los datos reales de alta calidad suelen incluir vistas egocéntricas, registrando lo que el robot “ve” durante las tareas, y datos de movimiento que documentan sus acciones precisas. Estos datos suelen recopilarse mediante demostraciones humanas o teleoperación, utilizando realidad virtual (VR), dispositivos de captura de movimiento o enseñanza táctil, asegurando que los modelos aprendan de ejemplos reales y precisos.
La investigación muestra que combinar datos de Internet, del mundo real y sintéticos para entrenar robots mejora significativamente la eficiencia del entrenamiento y la robustez del modelo, en comparación con depender de una sola fuente (nota de TechFlow: robustez se refiere a la capacidad del sistema de mantenerse fuerte y estable ante situaciones anómalas o peligrosas).
Al mismo tiempo, aunque aumentar la cantidad de datos ayuda, la diversidad de los datos es aún más importante, especialmente para lograr la generalización a nuevas tareas y morfologías robóticas. Para lograr esta diversidad, se necesitan plataformas de datos abiertas y compartidas de manera colaborativa, incluyendo la creación de conjuntos de datos interinstancia que soporten múltiples morfologías robóticas, impulsando el desarrollo de modelos base más potentes.
1.4 Capa de agentes: “Agentes físicos de IA”
La tendencia hacia agentes físicos de IA está acelerándose, permitiendo que robots autónomos actúen de manera independiente en el mundo real. El progreso en la capa de agentes depende del ajuste fino de modelos, el aprendizaje continuo y la adaptación práctica a la morfología única de cada robot.
A continuación, algunas oportunidades emergentes para acelerar el desarrollo de agentes físicos de IA:
-
Aprendizaje continuo e infraestructura adaptativa: Mediante bucles de retroalimentación en tiempo real y el intercambio de experiencias durante el despliegue, los robots pueden mejorar continuamente.
-
Economía de agentes autónomos: Los robots operan como entidades económicas independientes, comerciando recursos como capacidad de cómputo y datos de sensores en mercados entre robots, y generando ingresos mediante servicios tokenizados.
-
Sistemas multiagente: Plataformas y algoritmos de próxima generación permiten que enjambres de robots coordinen, colaboren y optimicen comportamientos colectivos.
Fusión de robots con IA y Web3: liberando un enorme potencial de mercado
A medida que los robots con IA pasan de la investigación al despliegue en el mundo real, varios cuellos de botella de larga data están frenando la innovación y limitando la escalabilidad, robustez y viabilidad económica del ecosistema robótico. Estos cuellos de botella incluyen islas centralizadas de datos y modelos, falta de confianza y trazabilidad, restricciones de privacidad y cumplimiento, y falta de interoperabilidad.
2.1 Dolor de los robots con IA
-
Islas centralizadas de datos y modelos
Los modelos robóticos requieren conjuntos de datos grandes y diversos. Sin embargo, hoy en día el desarrollo de datos y modelos es altamente centralizado, fragmentado y costoso, lo que conduce a sistemas aislados y poca adaptabilidad. Los robots desplegados en entornos dinámicos suelen tener un rendimiento deficiente debido a la falta de diversidad de datos y robustez de los modelos.
-
Confianza, trazabilidad y fiabilidad
La falta de registros transparentes y auditables (incluyendo fuentes de datos, procesos de entrenamiento de modelos e historial operativo de robots) debilita la confianza y la responsabilidad. Esto es un obstáculo clave para la adopción de robots por parte de usuarios, reguladores y empresas.
-
Privacidad, seguridad y cumplimiento
En aplicaciones sensibles como robótica médica y doméstica, la protección de la privacidad es fundamental y debe cumplir con regulaciones regionales estrictas (como el GDPR europeo). Las infraestructuras centralizadas tienen dificultades para soportar la colaboración de IA segura y privada, limitando el intercambio de datos y frenando la innovación en sectores regulados o sensibles.
-
Escalabilidad e interoperabilidad
Los sistemas robóticos enfrentan grandes desafíos en el intercambio de recursos, el aprendizaje colaborativo y la integración entre múltiples plataformas y morfologías. Estas limitaciones fragmentan los efectos de red y dificultan la transferencia rápida de capacidades entre diferentes tipos de robots.
2.2 Robots con IA x Web3: soluciones estructurales impulsan oportunidades de inversión
Las tecnologías Web3 resuelven fundamentalmente los problemas anteriores mediante redes robóticas descentralizadas, verificables, privadas y colaborativas. Esta fusión está abriendo nuevas oportunidades de mercado para la inversión:
-
Desarrollo colaborativo descentralizado: Redes incentivadas permiten que los robots compartan datos y desarrollen conjuntamente modelos y agentes inteligentes.
-
Trazabilidad y responsabilidad verificables: La tecnología blockchain garantiza registros inmutables de la procedencia de datos y modelos, identidad robótica e historial operativo, fundamentales para la confianza y el cumplimiento.
-
Colaboración con privacidad protegida: Soluciones criptográficas avanzadas permiten que los robots entrenen modelos y compartan conocimientos sin exponer datos sensibles o propietarios.
-
Gobernanza impulsada por la comunidad: Las DAOs descentralizadas guían y supervisan las operaciones robóticas mediante reglas y políticas transparentes y abiertas on-chain.
-
Interoperabilidad entre morfologías: Marcos abiertos basados en blockchain facilitan la colaboración fluida entre diferentes plataformas robóticas, reduciendo costos de desarrollo y acelerando la transferencia de capacidades.
-
Economía de agentes autónomos: La infraestructura Web3 otorga a los robots identidad económica independiente, permitiéndoles realizar transacciones peer-to-peer, negociar y participar en mercados tokenizados sin intervención humana.
-
Redes de infraestructura física descentralizada (DePIN): Compartición de recursos de cómputo, percepción, almacenamiento y conectividad peer-to-peer basada en blockchain, mejorando la escalabilidad y resiliencia de las redes robóticas.
A continuación, algunos proyectos innovadores que están impulsando el desarrollo en este campo, mostrando el potencial y las tendencias de la fusión entre robots con IA y Web3. Por supuesto, esto es solo para referencia y no constituye asesoramiento de inversión.
Desarrollo descentralizado de datos y modelos
Las plataformas impulsadas por Web3 democratizan el desarrollo de datos y modelos incentivando a los contribuyentes (mediante trajes de captura de movimiento, compartición de sensores, carga de imágenes, etiquetado de datos e incluso generación de datos sintéticos). Este enfoque permite construir conjuntos de datos y modelos más ricos, diversos y representativos, superando lo que cualquier empresa individual podría lograr. Los marcos descentralizados también mejoran la cobertura de casos límite, crucial para robots que operan en entornos impredecibles.
Ejemplos:
-
Frodobots: Protocolo de crowdsourcing de conjuntos de datos del mundo real a través de juegos robóticos. Lanzaron el proyecto “Earth Rovers”, un robot de acera y juego global “Drive to Earn”, creando exitosamente el conjunto de datos FrodoBots 2K, que incluye imágenes de cámara, datos GPS, grabaciones de audio y datos de control humano, cubriendo más de 10 ciudades y acumulando alrededor de 2,000 horas de conducción remota de robots.
-
BitRobot: Plataforma incentivada cripto desarrollada por FrodoBots Lab y Protocol Labs, basada en la blockchain Solana y arquitectura de subredes. Cada subred se configura como un desafío público, donde los contribuyentes reciben recompensas en tokens por enviar modelos o datos, incentivando la colaboración global y la innovación open source.
-
Reborn Network: Capa base para el ecosistema abierto de robots AGI, que ofrece el traje de captura de movimiento Rebocap, permitiendo que cualquiera registre y monetice sus propios datos de movimiento reales, promoviendo la apertura de conjuntos de datos complejos de robots humanoides.
-
PrismaX: Aprovecha la fuerza de la comunidad global de contribuyentes y garantiza la diversidad y autenticidad de los datos mediante infraestructura descentralizada, implementando mecanismos sólidos de verificación e incentivos para escalar conjuntos de datos robóticos.
Prueba de trazabilidad y fiabilidad
La tecnología blockchain proporciona transparencia de extremo a extremo y responsabilidad en el ecosistema robótico. Garantiza la trazabilidad verificable de datos y modelos, certifica la identidad y ubicación física de los robots, y mantiene registros claros del historial operativo y la participación de los contribuyentes. Además, la verificación colaborativa, los sistemas de reputación on-chain y los mecanismos de validación basados en staking aseguran la calidad de los datos y modelos, evitando que entradas de baja calidad o fraudulentas dañen el ecosistema.
Ejemplo:
-
OpenLedger: Infraestructura blockchain de IA que utiliza conjuntos de datos de propiedad comunitaria para entrenar y desplegar modelos dedicados. Su mecanismo “Proof of Attribution” garantiza que los contribuyentes de datos de alta calidad reciban recompensas justas.
Propiedad, licenciamiento y monetización tokenizados
Las herramientas nativas de propiedad intelectual de Web3 permiten el licenciamiento tokenizado de conjuntos de datos, capacidades robóticas, modelos y agentes inteligentes. Los contribuyentes pueden usar smart contracts para incrustar términos de licencia directamente en sus activos, asegurando el pago automático de regalías cuando los datos o modelos se reutilizan o monetizan. Este enfoque fomenta el acceso transparente y sin permisos, y crea un mercado abierto y justo para datos y modelos robóticos.
Ejemplo:
-
Poseidon: Capa de datos descentralizada full-stack basada en el protocolo Story centrado en IP, que proporciona datos de entrenamiento de IA con autorización legal.
Soluciones de privacidad
Los datos generados en hospitales, habitaciones de hotel o hogares, aunque difíciles de obtener públicamente, contienen información contextual valiosa que puede mejorar significativamente el rendimiento de los modelos base. Las soluciones criptográficas permiten convertir datos privados en activos on-chain, haciéndolos rastreables, componibles y monetizables, mientras se protege la privacidad. Tecnologías como entornos de ejecución confiables (TEEs) y pruebas de conocimiento cero (ZKPs) permiten cálculos seguros y verificación de resultados sin exponer los datos originales. Estas herramientas permiten que las organizaciones entrenen modelos de IA en datos sensibles distribuidos, manteniendo la privacidad y el cumplimiento.
Ejemplo:
-
Phala Network: Permite a los desarrolladores desplegar aplicaciones en TEEs seguros para procesamiento confidencial de IA y datos.
Gobernanza abierta y auditable
El entrenamiento robótico suele depender de sistemas propietarios opacos y poco adaptativos. La gobernanza transparente y verificable es esencial para reducir riesgos y aumentar la confianza de usuarios, reguladores y empresas. La tecnología Web3 permite la supervisión comunitaria on-chain y el desarrollo colaborativo de inteligencia robótica open source.
Ejemplo:
-
Openmind: Stack de software open source nativo de IA que ayuda a los robots a pensar, aprender y colaborar. Han propuesto el estándar ERC7777 para establecer un ecosistema robótico verificable y regulado, enfocado en seguridad, transparencia y escalabilidad. Este estándar define interfaces para gestionar identidades humanas y robóticas, ejecutar reglas sociales y registrar/remover participantes, aclarando derechos y responsabilidades.
Reflexiones finales
A medida que la robótica con IA y la tecnología Web3 convergen, estamos entrando en una nueva era donde los sistemas autónomos pueden colaborar y adaptarse a gran escala. Los próximos 3 a 5 años serán cruciales, con el rápido desarrollo del hardware impulsando modelos de IA más potentes, basados en conjuntos de datos del mundo real más ricos y mecanismos de colaboración descentralizada. Se espera que agentes de IA especializados surjan en sectores como hotelería y logística, creando enormes oportunidades de mercado.
Sin embargo, esta fusión entre robótica con IA y tecnología cripto también trae desafíos. Diseñar mecanismos de incentivos equilibrados y efectivos sigue siendo complejo y está en constante evolución; el sistema debe recompensar justamente a los contribuyentes y evitar abusos. La complejidad técnica es otro reto importante, requiriendo el desarrollo de soluciones robustas y escalables para integrar sin problemas múltiples tipos de robots. Además, las tecnologías de privacidad deben ser lo suficientemente confiables para ganar la confianza de los stakeholders, especialmente al manejar datos sensibles. El entorno regulatorio cambiante exige cautela para garantizar el cumplimiento en diferentes jurisdicciones. Abordar estos riesgos y lograr retornos sostenibles es clave para impulsar el avance tecnológico y su adopción generalizada.
Sigamos de cerca el desarrollo de este campo, promoviendo el progreso a través de la colaboración y aprovechando las oportunidades que surgen en este mercado en rápida expansión.
La innovación en robótica es un viaje que se disfruta mejor en compañía :)
Finalmente, agradezco a Chain of Thought y su “Robotics & The Age of Physical AI” por el valioso apoyo a mi investigación.
