Genesis: el motor físico generativo que quiere acelerar la robótica
Un consorcio de universidades presenta Genesis, un motor de simulación física de código abierto que genera mundos 4D a partir de texto y promete acelerar drásticamente el entrenamiento de robots.
Un simulador que nace de la comunidad académica
En diciembre de 2024 un equipo académico ha presentado Genesis, un motor de simulación física pensado específicamente para entrenar robots y agentes con cuerpo virtual (lo que en el campo se llama "embodied AI"). El proyecto, liderado por un equipo de investigadores de varias universidades e instituciones de investigación en robótica, se ha publicado como código abierto, una decisión poco habitual para un sistema de esta envergadura y que facilita que cualquier laboratorio pueda usarlo, auditarlo o modificarlo desde el primer día.
Genesis no es un simulador más. Se presenta como una plataforma que combina tres capas en una sola herramienta: un motor de físicas de propósito general, una infraestructura de simulación robótica y un marco generativo capaz de crear entornos completos —geometría, física y comportamiento a lo largo del tiempo, de ahí lo de "4D"— a partir de simples descripciones en lenguaje natural.
Por qué la velocidad es el argumento central
El equipo reivindica velocidades de simulación notablemente superiores a las de las herramientas existentes. Es una diferencia relevante porque entrenar un robot mediante aprendizaje por refuerzo requiere millones de intentos de prueba y error: cuantas más simulaciones se puedan ejecutar por segundo, menos tiempo y menos hardware hacen falta para que un algoritmo aprenda a caminar, agarrar objetos o moverse por un espacio desconocido.
Hasta ahora, ese entrenamiento se apoyaba en simuladores existentes, herramientas sólidas pero limitadas por motores de físicas que suelen modelar bien un tipo de material o interacción —cuerpos rígidos, fluidos, tejidos blandos— a la vez. Genesis busca unificar distintos tipos de física bajo una misma arquitectura, para que un mismo entorno pueda incluir, por ejemplo, un robot rígido manipulando un objeto blando dentro de un líquido, sin tener que cambiar de motor.
El problema que intenta resolver: la escasez de datos del mundo real
La robótica encarnada arrastra desde hace años el mismo obstáculo que frenó a la visión por computador antes de la llegada de grandes conjuntos de datos como ImageNet: no existen suficientes datos reales de robots interactuando con el mundo para entrenar modelos generalistas. Recoger esos datos con robots físicos es lento, caro y difícil de escalar.
La apuesta de Genesis —y de otros proyectos de simulación generativa que han ido apareciendo en 2024— es generar sintéticamente esa variedad: describir en texto una cocina, un almacén o una calle, y que el sistema construya automáticamente un entorno físicamente coherente donde entrenar al robot antes de que toque nada real. Es la misma lógica del llamado "sim-to-real": entrenar en un mundo virtual barato y transferir después lo aprendido a una máquina física.
Qué queda por demostrar
Que un motor sea rápido y genere mundos variados no garantiza que lo aprendido en esos mundos funcione fuera de ellos. El salto de la simulación a la realidad sigue siendo el cuello de botella clásico de la robótica: pequeñas diferencias de fricción, luz o peso entre el mundo simulado y el real pueden hacer que un robot que camina perfectamente en Genesis tropiece nada más tocar el suelo de un laboratorio. La comunidad robótica llevará meses evaluando si la promesa de velocidad y generatividad de Genesis se traduce en robots más capaces fuera de la pantalla, o si se queda en una herramienta más para acelerar la investigación sin resolver del todo ese salto.
Por ahora, su publicación en abierto —con el código disponible para que cualquier grupo de investigación lo pruebe— es en sí misma una noticia relevante para un campo donde los avances más llamativos suelen quedar encerrados en laboratorios privados con acceso restringido.