Compartir

Carlos del Porto Blanco

Durante años, cuando se habló de inteligencia artificial se pensaba en una aplicación que respondía preguntas o proporcionaba soluciones a problemas, más recientemente en un chat o en un programa que genera imágenes: todo ocurría dentro de una pantalla. Pero desde 2024 un nuevo término ha empezado a dominar congresos tecnológicos, laboratorios universitarios y titulares de prensa: la IA física (physical AI). Se trata de sistemas que ya no solo procesan texto o datos, sino que perciben el mundo real, razonan sobre él y actúan físicamente para modificarlo. El mercado de la IA física, valorado actualmente en unos 92 000 millones de dólares, superará, según las previsiones de PwC, los 489 000 millones de dólares en 2030. A este nuevo escalón del desarrollo informático se dedicará la columna de hoy.

En el siglo XXI, el robot ocupará el lugar que ocupaba el trabajo esclavo en la civilización antigua”.Nikola Tesla

Para entender la IA física, primero se debe distinguir de la robótica tradicional. Durante décadas, los robots industriales han sido máquinas ciegas y sordas, programadas para repetir un movimiento exacto miles de veces en líneas de ensamblaje. Si un objeto se desplazaba unos centímetros, el robot fallaba.

Se puede pensar en la evolución de la IA reciente en tres etapas. La primera fue la IA Generativa, capaz de crear contenido digital. La segunda, la IA Agentica, que planifica y coordina acciones en el entorno digital. La tercera y actual es la IA Física, que extiende estas capacidades al mundo material.

En términos sencillos, la IA Física es la disciplina que une la inteligencia computacional avanzada con el cuerpo de una máquina (como un robot, un dron o un vehículo autónomo). No se trata simplemente de programar a un robot para que repita una secuencia de movimientos mecánicos en una línea de ensamblaje. La IA Física dota a los sistemas de la capacidad de sentir, razonar y actuar en entornos reales, dinámicos e impredecibles. Para entender la diferencia, piense en un juego de ajedrez en la computadora. Un modelo de IA tradicional analiza las jugadas y decide el mejor movimiento en milisegundos. Pero mover una pieza de ajedrez de madera con la mano, calculando la presión justa de los dedos para no derribar las piezas vecinas y adaptándose si la mesa se mueve, requiere IA Física.

El concepto de inteligencia artificial física se popularizó por Jensen Huang, director ejecutivo de NVIDIA, aunque el fenómeno que describe tiene raíces mucho más antiguas en la robótica. Según recoge un reportaje de Northeastern Global News, el término «IA física» se atribuye en gran medida a Huang, quien lo acuñó para describir la evolución de la IA desde la pantalla digital hacia el mundo físico. La propia NVIDIA marca esa frontera de forma clara: mientras la IA «agéntica» opera en entornos digitales, la IA física está compuesta por modelos capaces de percibir, razonar, interactuar y desplazarse por el mundo real.

Para que un robot pase de seguir órdenes fijas a comportarse de forma inteligente en un entorno cambiante, necesita tres capacidades que trabajan en cadena: percibir, razonar y actuar. Según explican especialistas en robótica de la Northeastern University, esos sistemas deben ser capaces de detectar y aprender de su entorno mediante sensores especializados, y también de actuar de forma independiente a partir de esa información. Entre percibir y actuar se encuentra el paso más difícil: razonar sobre lo percibido, es decir, anticipar cómo se comportará un objeto antes de tocarlo.

La IA1 Física se apoya en tres elementos fundamentales:

  • Acoplamiento sensorio-motor: El robot combina la información de sus sensores (cámaras, sensores de presión táctil, lidar) con sus actuadores (motores, articulaciones) en tiempo real.
  • Modelos de Visión-Lenguaje-Acción (VLA): Son los «cerebros» modernos de esos robots. Esos modelos permiten que una máquina entienda una instrucción en lenguaje natural (por ejemplo: «Recoge la taza roja sin tirarla»), procese lo que ve a través de sus cámaras y traduzca esa orden directamente en movimientos mecánicos.
  • Transferencia de lo virtual a lo real (Sim-to-Real): Entrenar a un robot en el mundo físico puede ser lento y destructivo. Por ello, los científicos entrenan a la IA dentro de simulación digitales hiperrealistas (gemelos digitales) durante millones de horas antes de transferir ese conocimiento al robot físico.

Este campo de estudio surgió en 1991, el investigador del MIT, Rodney Brooks planteó en la revista Science que la inteligencia robótica útil debía surgir de la interacción directa entre el cuerpo de la máquina y su entorno, y no solo de reglas abstractas programadas de antemano. La idea —que un sistema inteligente necesita un «cuerpo» para aprender del mundo— es la que hoy se conoce en el ámbito académico como embodied AI o inteligencia artificial incorporada, y sirve de base conceptual a la IA física.

Lo que ha cambiado en los últimos años no son los sensores ni los motores —eso ya existía en la robótica industrial clásica—, sino el «cerebro» que coordina todo. Los modelos de visión-lenguaje-acción (VLA) permiten que un robot reciba una instrucción en lenguaje natural, la relacione con lo que está viendo a través de su cámara y traduzca ambas cosas en un movimiento concreto. Ese tipo de sistema unifica la percepción visual y el procesamiento del lenguaje para tomar decisiones y actuar, y ya cuenta con ejemplos tempranos como GR00T N1, de NVIDIA, y RT-1, de Google DeepMind.

Uno de los hitos técnicos de esa familia de modelos es RT-2, desarrollado por investigadores de Google DeepMind, que demostró que un robot podía aprovechar el conocimiento adquirido por modelos entrenados con texto e imágenes de internet para mejorar su control físico en tareas del mundo real. En otras palabras: el mismo tipo de aprendizaje que permite a un modelo de lenguaje describir una manzana también puede ayudar a un brazo robótico a reconocerla y agarrarla correctamente.

La IA física no es ciencia ficción reservada a robots humanoides futuristas: ya opera, de forma más discreta, en varios sectores. De acuerdo con reportes recientes, ya se despliega en la manufactura, con brazos robóticos que ensamblan productos en líneas de producción y robots autónomos de almacén que transportan inventario, clasifican paquetes y realizan tareas repetitivas con una intervención humana mínima. La diferencia frente a la robótica industrial tradicional es que esos sistemas están pensados para adaptarse a condiciones cambiantes, identificar objetos y desplazarse por espacios de forma autónoma, en lugar de repetir siempre los mismos movimientos programados. Más allá de las fábricas, el concepto también abarca vehículos autónomos, drones, dispositivos médicos y sistemas de manufactura inteligente.

El principal desafío de la IA Física es el coste y el peligro de entrenar robots en el mundo real. La solución es el entrenamiento en simuladores. Empresas como NVIDIA han creado ecosistemas completos para ese fin. En enero de 2025, en el CES, Jensen Huang presentó la plataforma Cosmos, un conjunto de modelos del mundo para generar vídeos y simulaciones con física realista. Huang declaró entonces: «El momento ChatGPT para la robótica está aquí”.

Un hecho que ilustra perfectamente esta evolución ocurrió a principios de 2025. En una demostración que se volvió viral en la comunidad científica, un robot humanoide de la empresa Figure AI no solo fue capaz de preparar una taza de café en una cocina desordenada, sino que resolvió un problema imprevisto: al tomar una manzana, el sistema de visión detectó que estaba magullada. En fracciones de segundo, el modelo VLA recalculó la presión de sus pinzas articuladas para no aplastar la fruta y la colocó en un recipiente diferente al de las manzanas en perfecto estado. Esto no fue programación preestablecida; fue razonamiento espacial en tiempo real. El robot entendió el concepto de «fragilidad» y «daño» y adaptó su física corporal en consecuencia.

La IA Física ya no forma parte del terreno de la ciencia ficción; sus aplicaciones prácticas transforman múltiples sectores:

  • Medicina y salud: Robots quirúrgicos asistidos por IA Física capaces de realizar incisiones de precisión milimétrica adaptándose a los micromovimientos respiratorios del paciente.
  • Logística y manufactura: Cadena de suministro donde los robots no solo transportan paquetes, sino que pueden manipular objetos de diferentes formas, texturas y pesos sin dañarlos.
  • Respuesta ante desastres: Drones y robots cuadrúpedos capaces de desplazarse por escombros inestables en zonas de terremotos o incendios para buscar supervivientes.

La promesa de los coches autónomos caló en la conciencia pública hace varios años, según Global Market Insights, ese mercado —independiente del mercado de la IA física— superó los 200 000 millones de dólares en 2025.

Los taxis autónomos también están cobrando impulso, Waymo y Tesla lanzaron en 2025 pruebas con robotaxis en zonas limitadas. Uber también tiene grandes planes para los robotaxis.

El mercado de los vehículos autónomos va mucho más allá de los autos que circulan por las calles. La maquinaria agrícola autónoma, incluidos tractores, cosechadoras y drones, representa un mercado en crecimiento, con estimaciones sobre su tamaño que varían enormemente. Global Market Insights estimó que se venderían 70 900 millones de dólares en 2025, con previsiones de llegar a los 144 700 millones de dólares en 2035.

Los drones también pueden ser controlados por una IA, lo que da lugar a todo tipo de aplicaciones, desde reparto de alimentos y paquetes, hasta usos militares.

A pesar del optimismo, la introducción de la inteligencia en cuerpos físicos presenta reservas críticas que la comunidad científica y la sociedad deben abordar:

  1. Seguridad física y el «Problema de la Alineación»: Si un modelo de lenguaje genera una alucinación (un error factual), el resultado es un texto incorrecto. Si un modelo de IA física alucina o malinterpreta una instrucción, las consecuencias son cinéticas: un robot de 80 kilogramos que calcula mal la fuerza al entregar un objeto podría causar lesiones graves a un humano. La seguridad física requiere márgenes de error prácticamente nulos.
  2. Privacidad y mapeo del entorno: Para navegar en un hogar, un robot debe escanear y cartografiar constantemente su entorno en 3D. Eso plantea interrogantes masivos sobre la privacidad: ¿de quién son los datos espaciales de la casa? ¿Cómo se garantiza que esa información no sea utilizada para fines comerciales o de vigilancia?
  3. Impacto socioeconómico: A diferencia de la IA generativa, que afecta principalmente a trabajos de «cuello blanco» o creativos, la IA física apunta directamente a los trabajos manuales y de servicios. Existe una reserva legítima sobre la displasia laboral a gran escala en sectores como la agricultura, la construcción y la logística, requiriendo una reestructuración profunda de las redes de seguridad social.
  4. Limitaciones de hardware: La IA avanza más rápido que la física de los materiales. Las baterías actuales limitan la autonomía de esos robots a pocas horas de trabajo intenso, y la fabricación de actuadores (los «músculos» del robot) sigue siendo costosa y compleja.

Cronología

  • Décadas de 1980–1990: los primeros algoritmos de aprendizaje profundo (machine learning) se aplicaron al análisis de datos en física de altas energías, especialmente en experimentos de colisionadores como el CERN.
  • 2000–2010: la explosión de datos en astrofísica y física de partículas impulsó el uso de redes neuronales para identificar patrones invisibles al ojo humano.
  • 2020 en adelante: la convergencia entre física estadística y aprendizaje automático se intensificó, dando lugar a conceptos como laboratorios autónomos capaces de diseñar nuevos materiales con mínima intervención humana.

La IA física está atrayendo enormes cantidades de inversión y atención empresarial porque promete resolver un problema muy concreto: hasta ahora, la revolución de la IA generativa se había quedado en el terreno de la información —textos, imágenes, código—, sin tocar directamente la producción de bienes físicos, el transporte o el cuidado de personas. Si esos sistemas logran madurar, el salto no sería solo tecnológico, sino económico y laboral, con implicaciones que todavía se debaten entre ingenieros, empresas y reguladores.

Aunque los avances son acelerados, la IA Física enfrenta retos técnicos y de seguridad complejos. El mundo físico es caótico: la luz cambia, las superficies resbalan y los objetos se rompen. Lograr que un robot garantice un 99.9 % de seguridad cuando interactúa cerca de seres humanos requiere «resguardos» (guardrails) algorítmicos extremadamente estrictas. Por ahora, la promesa de un robot capaz de doblar cualquier prenda de ropa o cocinar una cena completa sigue siendo, como reconocen los propios investigadores del sector, una meta ambiciosa pero no evidentemente inalcanzable.

Referencias

Etiquetas: - -