La robótica impulsada por inteligencia artificial está experimentando avances importantes, y la llamada inteligencia adaptativa surge como la siguiente etapa de este desarrollo. La startup estadounidense Physical Intelligence ha presentado un modelo capaz de dirigir robots para ejecutar tareas para las que no fueron entrenados específicamente.
Denominado π0.7, el sistema apunta a acercar la robótica hacia cerebros de propósito general, permitiendo que las máquinas interpreten instrucciones en lenguaje natural y resuelvan problemas nuevos en tiempo real.
Un cerebro robótico de propósito general
A diferencia de los enfoques tradicionales que entrenan robots para cada tarea con datos y modelos separados, π0.7 combina y recombina habilidades aprendidas en distintos contextos, lo que los investigadores describen como “generalización compositiva”.
En pruebas prácticas, el modelo consiguió manipular electrodomésticos desconocidos y doblar prendas sin disponer de datos específicos previos, lo que indica la posibilidad de transferir competencias entre dominios y disminuir la rigidez de las soluciones anteriores.
De la especialización a la flexibilidad
El avance clave es la capacidad de π0.7 para aplicar conocimientos adquiridos a situaciones nuevas sin reentrenamiento extenso. A diferencia de sistemas previos, que tenían dificultades al integrar visión, lenguaje y acción, este modelo logra generalizar entre diferentes tipos de robots, entornos y tareas.
Esto abre la puerta a sistemas de IA más flexibles y escalables, capaces de adaptar su comportamiento a las demandas del entorno y de improvisar soluciones combinando habilidades de maneras inéditas.
Cómo logra π0.7 su capacidad adaptativa
Physical Intelligence entrena π0.7 con datos variados: múltiples plataformas robóticas, demostraciones humanas y episodios generados automáticamente. El modelo no depende de un único conjunto de datos ni de tareas repetitivas, sino que incorpora instrucciones multimodales que describen tanto el objetivo como maneras de alcanzarlo.
Esas indicaciones incluyen texto, subobjetivos visuales (por ejemplo, la disposición de objetos) y parámetros de la tarea como duración o secuencia de pasos. La combinación de contexto y flexibilidad permite al sistema interpretar y ejecutar diferentes comportamientos sin necesidad de reentrenamiento.
En ensayos, π0.7 siguió instrucciones en lenguaje natural y admitió sugerencias adicionales —estrategias o metas visuales—, lo que facilitó el uso de objetos desconocidos y la resolución de tareas inéditas con orientación mínima. Su rendimiento mejora con instrucciones detalladas y estructuradas.
Limitaciones y desafíos
Aunque prometedor, π0.7 aún requiere guías precisas para operaciones complejas que implican múltiples pasos y no puede resolver instrucciones muy amplias o abstractas a partir de un único comando. Esto indica que la autonomía total no se ha alcanzado todavía.
Otro reto es la ausencia de métricas estandarizadas e independientes para evaluar estos sistemas en robótica; sin benchmarks consensuados, la validación de resultados depende en gran medida de la transparencia y el rigor de las empresas desarrolladoras.
Hacia una robótica realmente adaptable
Los resultados de Physical Intelligence señalan una nueva fase en la aplicación de la IA a la robótica: robots que aprenden a partir de instrucciones simples y combinan habilidades para abordar tareas no vistas previamente, lo que los hace más versátiles en entornos cambiantes y poco estructurados.
Aunque la plena autonomía sigue siendo un objetivo por alcanzar, la tendencia apunta a sistemas cada vez más adaptativos que amplían sus capacidades más allá del entrenamiento inicial. La inteligencia adaptativa podría marcar el siguiente capítulo en la interacción entre humanos y robots.
