El mundo físico recibe una actualización de AI
La conferencia anual de desarrolladores GTC de Nvidia se ha convertido en el evento más importante del calendario de la industria de AI, y la edición 2026 no fue excepción. Mientras que años anteriores establecieron el dominio de Nvidia en la computación de AI de centros de datos, GTC 2026 marcó un giro decisivo hacia lo que el CEO Jensen Huang describió como Physical AI – el despliegue de inteligencia de AI en sistemas que interactúan con el mundo físico en lugar de solo procesar datos digitales. Los anuncios abarcando vehículos autónomos, robótica industrial y plataformas de robots humanoides representan una expansión estratégica que podría remodelar múltiples industrias simultáneamente.
El hilo conductor es la ambición de Nvidia de convertirse en el sustrato computacional de la era de Physical AI de la manera en que se convirtió en el sustrato de la era de AI de centros de datos. Si la compañía tiene éxito, los chips de AI, plataformas de software y herramientas de simulación que vende serán tan centrales para la próxima generación de robots industriales y autos autónomos como lo son sus clústeres de GPU para los modelos de lenguaje grandes de hoy.
Vehículos autónomos llegan a las calles de Los Angeles
Quizás el anuncio más visible para los consumidores fue una asociación con Uber para desplegar vehículos autónomos en Los Angeles comenzando en 2027. Los vehículos utilizarán la plataforma Drive Orin de Nvidia para percepción y toma de decisiones, ejecutando redes neuronales entrenadas y probadas en el entorno de simulación Omniverse de Nvidia antes del despliegue en carreteras públicas. La asociación posiciona a Nvidia como proveedor clave de infraestructura para la industria de AV en lugar de operador – la compañía suministra la inteligencia computacional mientras que asociados como Uber manejan la gestión de flota, mapeo y relaciones regulatorias.
Los Angeles presenta un entorno de despliegue particularmente desafiante para vehículos autónomos: intersecciones complejas, cultura de conducción agresiva, construcción frecuente y alta actividad de peatones en distritos comerciales. La decisión de Nvidia de mostrar su plataforma en LA en lugar de un entorno más controlado refleja confianza en la robustez de su generación actual de software y hardware de AV.
Robots industriales obtienen cerebros Nvidia
Dos de los mayores fabricantes mundiales de robots industriales, FANUC y ABB, anunciaron integraciones con la plataforma Isaac de robótica de Nvidia. FANUC, que construye aproximadamente un tercio de todos los robots industriales globales, y ABB, cuyos robots son ubicuos en la fabricación automotriz y electrónica, incorporarán hardware y software de Nvidia en sus próximos controladores de robots.
La plataforma Isaac proporciona las herramientas de simulación, entrenamiento e implementación que permiten a los robots aprender tareas de demostración en lugar de requerir programación manual para cada nueva operación. Para fabricantes, esto significa robots que pueden ser reentrenados para nuevas piezas o secuencias de ensamblaje en horas en lugar de semanas – una flexibilidad que es cada vez más esencial a medida que los ciclos de producción se acortan y la variedad de productos aumenta. Las asociaciones de FANUC y ABB dan a Nvidia acceso directo a la base instalada de robots en plantas de manufactura en todo el mundo.
Resolviendo el problema de datos de la robótica
Jensen Huang caracterizó un desafío central para el desarrollo de Physical AI de una manera memorable: la industria de robótica tiene un problema de datos que necesita convertirse en un problema de computación. Esta formulación captura algo importante. A diferencia de los modelos de lenguaje, que fueron entrenados en el vasto corpus de texto de internet ya en forma digital, los modelos de aprendizaje de robots requieren datos de interacción física – videos de robots manipulando objetos, flujos de sensores de articulaciones de robots, imágenes de piezas industriales – que simplemente no existen en las cantidades necesarias para entrenamiento a gran escala.
La solución de Nvidia es la generación de datos sintéticos a escala utilizando Omniverse, su plataforma de simulación 3D físicamente precisa. En lugar de recopilar datos de entrenamiento de robots físicos en fábricas, los desarrolladores pueden generar millones de ejemplos simulados de interacción robot-objeto en Omniverse y usarlos para pre-entrenar modelos que luego requieren solo ajustes modestos en hardware real. El costo computacional de este enfoque es enorme – de ahí la caracterización de Huang de convertir un problema de datos en un problema de computación – pero es un problema que Nvidia puede resolver de manera rentable.
Modelos de robots humanoides
GTC 2026 también presentó nuevos modelos fundacionales específicamente diseñados para robots humanoides. La serie de modelos GR00T de Nvidia, actualizada con una nueva arquitectura de generación, proporciona una base pre-entrenada que desarrolladores de robots humanoides incluyendo Figure, 1X y Agility Robotics pueden ajustar para tareas específicas de manipulación y locomoción.
El segmento humanoide se mantiene en desarrollo temprano, con la mayoría de unidades desplegadas en entornos piloto controlados en lugar de manufacturación de piso abierto. Pero la trayectoria es clara: conforme los modelos fundacionales mejoran y los pipelines de entrenamiento de Physical AI maduran, la brecha entre lo que los robots humanoides pueden hacer en un laboratorio y lo que pueden hacer en una fábrica real se cierra más rápido de lo que la mayoría de observadores predijeron.
El juego de plataforma
En conjunto, los anuncios de GTC 2026 de Nvidia describen una compañía ejecutando una estrategia de plataforma a través de aplicaciones de Physical AI: proporcionando los chips, software de simulación, infraestructura de entrenamiento y modelos pre-entrenados que cualquier desarrollador de Physical AI necesita. Para inversores y participantes de la industria, la pregunta es si esta estrategia de plataforma producirá la dinámica de ganador-se-lo-lleva-todo que caracterizó el negocio de GPU de centros de datos de Nvidia – o si la diversidad de aplicaciones y requisitos de hardware de Physical AI sostendrá un panorama competitivo más fragmentado.
Este artículo se basa en reportes de The Decoder. Lea el artículo original.
Originally published on the-decoder.com