Robótica encarnada: qué demuestra un cuerpo sobre la inteligencia

Esta guía, revisada el 30 de julio de 2026, parte de una diferencia pequeña en apariencia y enorme en la práctica. Un sistema de texto puede proponer «agarra la taza por el asa»; un robot debe localizar la taza, estimar su pose, acercar una mano con geometría y fuerza suficientes, comprobar el contacto y corregir el movimiento si el objeto resbala. La primera salida es una secuencia plausible de palabras. La segunda cierra un bucle con un mundo que ofrece resistencia y consecuencias.

Eso es la encarnación o embodiment: la inteligencia se estudia en relación con un cuerpo, sus sensores, actuadores, límites y entorno. No prueba por sí sola inteligencia artificial general (AGI). Sí introduce una pregunta que un benchmark estático puede ocultar: ¿el sistema mantiene su objetivo cuando cada acción cambia la siguiente observación? La capacidad útil para el lector será auditar ese bucle.

Del significado verbal al anclaje físico

Las palabras no especifican todas las condiciones de una acción. «Lleva el vaso» omite si está lleno, si es frágil, cuánto pesa, qué obstáculos hay o dónde puede apoyarse. El artículo académico «Experience Grounds Language» argumenta que la comunicación depende de experiencias físicas y sociales compartidas, y que los modelos entrenados solo con grandes corpus de texto no cubren por ello todo el contexto del lenguaje.

En robótica, anclar una expresión no consiste en pegar una palabra a un píxel. Implica relacionarla con una percepción que cambia, una capacidad de actuar y una consecuencia. «Recipiente» puede ser una categoría visual; «agarrable ahora» depende además de alcance, orientación, obstáculos y efector. El proyecto SayCan hace explícita esta separación: combina la plausibilidad de un plan lingüístico con estimaciones de qué habilidades puede ejecutar el robot en su estado actual. Su arquitectura es una demostración de grounding por asequibilidad, no una AGI.

El bucle que hay que reconstruir

Una explicación seria de un robot debería permitir seguir al menos seis pasos. Los sensores generan observaciones; un estimador construye el estado relevante; un plan selecciona una meta intermedia; una política o controlador produce una acción; los actuadores la ejecutan; y la nueva observación informa del resultado. Los nombres técnicos pueden variar y algunos sistemas aprenden varios pasos de extremo a extremo, pero el bucle sigue existiendo.

Para auditarlo, conviene preguntar dónde entra el feedback. Una política de lazo abierto reproduce una secuencia sin corregirse; una de lazo cerrado ajusta acciones con observaciones recientes. El trabajo ALOHA sobre manipulación bimanual subraya que tareas de contacto fino exigen coordinación y realimentación visual cerrada, y estudia aprendizaje por imitación con acciones agrupadas. El ejemplo enseña una propiedad concreta del control, no que el robot haya comprendido toda la cocina o la intención humana.

Planificar no basta: cada paso debe ser ejecutable

Un plan puede ser semánticamente razonable y físicamente imposible. «Pon la lata en la balda alta» falla si el brazo no llega; «limpia el derrame con la esponja» falla si la esponja está detrás de una puerta que la pinza no puede abrir. Por eso hay que distinguir éxito del plan, éxito de cada habilidad y recuperación tras un fallo.

Un resultado agregado puede ocultar que casi todos los errores se concentran en percepción, agarre o transición entre habilidades. La evaluación debería publicar tasas por etapa y tipos de fallo: objeto no detectado, pose errónea, colisión, pérdida de agarre, plan inviable, tiempo agotado o parada de seguridad. También debe declarar quién reinicia la escena y cuánta intervención humana se necesitó. Un vídeo editado muestra el recorrido exitoso; un protocolo revela la distribución de recorridos.

Generalizar tiene varios ejes

En robótica, «nuevo» puede significar un objeto no visto, otra posición, iluminación distinta, una instrucción reformulada, una habitación nueva, una tarea nueva o incluso otro cuerpo. Cada eje plantea una transferencia diferente. PaLM-E incorpora observaciones visuales y de estado continuo en un modelo lingüístico y lo evalúa en varias tareas y encarnaciones. RT-2 representa acciones robóticas como tokens y coentrena con datos de visión y lenguaje para estudiar transferencia de conocimiento web al control.

Estos trabajos son relevantes porque hacen pruebas de transferencia más específicas que la frase «robot generalista». Sin embargo, un repertorio amplio sigue siendo finito. La evidencia debe indicar qué eje quedó fuera del entrenamiento, cuántos intentos se hicieron, qué referencia se superó y si el éxito dependió de ajustes para la nueva escena. Cambiar el color de un objeto no equivale a aprender una habilidad nueva; cambiar de brazo tampoco equivale necesariamente a transferir una estrategia causal.

Datos de muchos robots: amplitud y heterogeneidad

Open X-Embodiment reunió datos de 22 tipos de robots aportados por 21 instituciones y describió 527 habilidades en su publicación inicial. La cifra importa porque evidencia una respuesta concreta a un cuello de botella: los datos físicos no se descargan de internet con la misma facilidad que el texto. También muestra el reto: cámaras, frecuencias, cinemáticas, instrucciones y definiciones de éxito no son uniformes.

Al leer un resultado multirrobot, hay que buscar si cada plataforma aporta datos al entrenamiento, si la prueba usa una encarnación retenida y cómo se armonizan acciones incompatibles. La transferencia positiva en los robots participantes no demuestra que el modelo funcione en cualquier hardware. Sí puede demostrar que compartir experiencia mejora frente a entrenar cada política de manera aislada, bajo el protocolo publicado.

La brecha entre simulación y realidad

La simulación permite repetir caídas y colisiones sin romper hardware, generar muchas trayectorias y controlar variables. Pero el simulador aproxima fricción, deformación, ruido, latencia, iluminación y desgaste. Una política puede explotar una regularidad que no existe fuera de él. Esa discrepancia se conoce como brecha simulación-real.

La aleatorización de dominio entrena sobre variaciones de apariencia u otras propiedades para que el mundo real se parezca a una posibilidad más entre muchas. Es una estrategia, no una garantía. Una evaluación sólida separa rendimiento en simulación, transferencia directa, adaptación con datos reales y resultado final. También informa cuántas interacciones físicas fueron necesarias; esconderlas hace que una transferencia parezca más automática de lo que fue.

Un rover autónomo tampoco es una AGI

Perseverance ofrece un contraste útil con los falsos «casos de AGI». La NASA describe AutoNav como una combinación de algoritmos y software para detectar peligros y conducir con mayor autonomía. Es una capacidad valiosa porque la supervisión continua desde la Tierra no es viable, pero sigue teniendo misión, sensores, límites y procedimientos diseñados.

Llamarlo AGI borraría justo lo que permite evaluarlo: terreno, distancia, seguridad, intervención y objetivos. La autonomía es gradual y multidimensional. Un sistema puede elegir una trayectoria local sin elegir su misión; puede evitar rocas sin reparar una rueda; puede operar durante un intervalo sin aprender cualquier tarea. Describir el perímetro no rebaja el logro: lo convierte en evidencia.

El cuerpo también convierte la seguridad en dinámica

En texto, un error puede corregirse antes de actuar. En un robot, la acción puede golpear a una persona, romper un objeto o dejar el sistema en un estado del que no sabe recuperarse. Por eso deben existir límites de fuerza y velocidad, zonas de exclusión, detección de anomalías, parada segura y un criterio para ceder el control. La tasa de éxito sin gravedad y frecuencia de fallos es incompleta.

También importa la distribución temporal. Una política puede funcionar en intentos cortos pero acumular pequeños errores durante una tarea larga. Probar perturbaciones —mover un objeto, ocluir una cámara, introducir una instrucción ambigua— permite observar si replanifica, pide ayuda o insiste peligrosamente. La recuperación es una capacidad, no un apéndice del éxito.

La matriz para juzgar «generalidad encarnada»

Ante un robot presentado como paso hacia AGI, el lector puede construir una matriz con filas de tarea, objeto, entorno, cuerpo y perturbación. Para cada celda debe anotar si apareció en entrenamiento, cuántos ensayos hubo, éxito, intervención, tiempo, daño y recuperación. Después debe identificar el componente que cambió: percepción, plan, habilidad o controlador. Esa matriz distingue amplitud demostrada de novedad real.

La capacidad transferible es reconstruir cualquier demostración como observación → estado → plan → acción → feedback → recuperación y exigir pruebas fuera de cada frontera entrenada. Un cuerpo puede aportar anclaje y consecuencias que el texto no ofrece, pero no concede generalidad por decreto. La inteligencia encarnada se demuestra cuando el sistema conserva objetivos, aprende de resultados y falla de forma segura bajo variaciones claramente documentadas.