Una firma de San Francisco asegura haber logrado un avance que puede acelerar la adopción de robots en tareas cotidianas: su nuevo sistema, llamado π0.7, permite dirigir máquinas para ejecutar labores para las que no fueron entrenadas explícitamente. El hallazgo promete cambiar la forma en que se desarrollan y despliegan robots, con consecuencias inmediatas para la industria, la investigación y la inversión.
Durante años la robótica dependió de soluciones específicas: recopilar datos concretos para cada tarea y entrenar modelos por separado. Ese enfoque está siendo cuestionado por la llamada generalización compositiva, una capacidad que permite a un sistema combinar habilidades aprendidas en contextos distintos para afrontar retos nuevos sin programación dedicada.
Cómo funciona la nueva aproximación
En lugar de “memorizar” pasos aislados, el modelo aprende a recomponer fragmentos de conocimiento. Según sus creadores, con suficiente diversidad de datos el sistema deja de mejorar de forma incremental y empieza a desbloquear múltiples competencias de golpe. Es un comportamiento que muchos comparan con lo que ocurrió con los grandes modelos de lenguaje cuando empezaron a desempeñar funciones imprevistas.
La novedad no es teórica: el equipo probó π0.7 con tareas inesperadas para el robot. En uno de los ensayos más divulgados, el aparato tuvo que interactuar con una freidora de aire, un objeto prácticamente ausente en su entrenamiento. A partir de dos referencias parciales —un robot cerrando la puerta de una freidora y otro introduciendo una botella en un hueco similar— el sistema combinó esa información con conocimientos generales y dedujo cómo manipular el electrodoméstico.
Los resultados fueron contundentes en proceso: la tasa de éxito inicial fue muy baja, apenas 5%, pero al guiar al robot mediante instrucciones verbales paso a paso —una técnica parecida a explicar una tarea a un nuevo operario— la eficacia subió hasta un 95% en aproximadamente media hora.
Limitaciones actuales
No obstante, los responsables de la investigación insisten en la prudencia. El modelo todavía requiere supervisión humana y no opera de forma totalmente autónoma; a menudo necesita que se le especifiquen fases intermedias de la tarea. Además, hay tareas físicas complejas donde la capacidad de generalizar aún no alcanza niveles industriales.
Aun así, los desarrolladores defienden que la verdadera relevancia es práctica: no se trata de gestos llamativos, sino de lograr que un robot reconozca un objeto nuevo y decida qué hacer con él sin que un ingeniero tenga que escribir código para ese caso concreto.
Dinero y expectativas
La propuesta ha llamado la atención de capitales: la compañía ha recaudado más de mil millones de dólares y figura con una valoración cercana a los 5.600 millones, cifra que algunos analistas creen que podría elevarse en la próxima ronda. Inversores que antes apostaban sólo por modelos de software ahora destinan recursos crecientes a empresas que integran IA y mecánica real.
- Qué cambia: menos dependencia de datasets específicos y despliegues más rápidos de capacidades nuevas.
- Para la industria: potencial para automatizar tareas domésticas, logísticas y de manufactura con menores costes de adaptación.
- Riesgos: supervisión insuficiente, errores en entornos no controlados y desafíos en seguridad física.
- Horizonte: avance prometedor pero todavía en fase de ajuste; la comercialización masiva no es inmediata.
En términos prácticos, el episodio refleja un cambio de paradigma: la atención pasa de diseñar modelos para tareas puntuales a desarrollar “cerebros” capaces de recombinar aprendizajes. Esa transición, si se consolida, aceleraría la llegada de robots más versátiles a sectores que hoy resultan costosos de automatizar.
Quedan por delante preguntas técnicas y éticas: cómo garantizar seguridad en entornos humanos, cómo regular prestaciones que emergen de combinaciones inesperadas de capacidades y qué impacto tendrá en el empleo especializado. Mientras tanto, Physical Intelligence y su π0.7 se posicionan como una de las apuestas con mayor potencial para definir la siguiente etapa de la robótica.
Hola, soy María, parte del equipo de MuyMac. Me dedico a analizar las tendencias que marcan nuestro día a día, desde innovaciones tecnológicas hasta nuevas modas, para mantenerte siempre actualizado.
