La producción del Optimus de Tesla sube a cientos por semana
Tesla ahora ensambla varios cientos de robots humanoides Optimus cada semana en su instalación de Fremont, según un nuevo informe, un ritmo aproximadamente diez veces mayor que el que la compañía logró en el segundo trimestre. La cifra representa un cambio significativo en la trayectoria del programa, desplazando al Optimus de algo más cercano a un ejercicio de ingeniería construido a mano hacia una verdadera línea de producción.
Durante la mayor parte de la vida pública del robot, la conversación se ha centrado en prototipos, demostraciones en escenario y promesas a largo plazo. Producir cientos de unidades semanalmente sugiere que al menos una parte del rompecabezas se ha resuelto: la capacidad de ensamblar repetidamente una compleja máquina bípeda construida con docenas de actuadores, sensores y sistemas de energía, y hacerlo a un ritmo medido en unidades por semana en lugar de por trimestre.
La cifra principal sigue siendo modesta en comparación con la fabricación automotriz, donde Tesla mide la producción en miles de vehículos por semana. Pero los robots humanoides no son automóviles. Cada unidad contiene electrónica densa, articulaciones articuladas y sistemas de control con gran carga de software, y ninguna empresa había demostrado antes este tipo de cadencia.
Los robots todavía no pueden generalizar
El mismo informe señala una limitación que las cifras de producción no resuelven. Según los informes, las unidades Optimus que salen de la línea siguen siendo incapaces de manejar tareas generales: no pueden adaptarse de manera confiable a trabajos desconocidos, objetos desconocidos o entornos desconocidos.
Esa distinción es la que más peso tiene en esta historia. Un robot que repite un movimiento ensayado dentro de una celda controlada es un dispositivo de automatización, funcionalmente similar a la maquinaria fija que ha poblado las plantas de fabricación durante décadas. Un robot al que se le puede asignar una nueva tarea y que puede determinar cómo completarla es algo completamente distinto, y la distancia entre esas dos categorías es donde reside gran parte del valor anticipado en la robótica humanoide.
Caminar y pensar son problemas diferentes
El progreso visible de Tesla en la locomoción ha sido real. El equilibrio, la marcha y el movimiento coordinado son desafíos de ingeniería con criterios de éxito razonablemente claros: o la máquina se mantiene erguida y se mueve adonde se le indica, o no lo hace. La generalización es una clase de problema diferente. No tiene un único punto de referencia que resuelva la cuestión, y la mejora a menudo se parece a una lenta acumulación de capacidad en lugar de un cambio radical.
Un robot que ha sido entrenado para recoger un tipo de componente de un tipo de contenedor puede realizar esa acción a la perfección miles de veces. Coloque un objeto con una forma diferente en un entorno con iluminación diferente, y el mismo sistema puede fallar de maneras que parecen triviales para un observador humano. Esa brecha es lo que el informe describe como el estado actual de la flota.
Por qué la generalización es tan difícil
Los entornos humanos se definen por la variación. La iluminación cambia, las superficies cambian, los objetos se colocan en ángulos inesperados y las instrucciones llegan en un lenguaje ambiguo. Un sistema ajustado estrechamente a una configuración tiende a tratar cada desviación como ruido en lugar de como información. Cerrar esa brecha normalmente requiere datos de entrenamiento amplios, percepción robusta y modelos que transfieran conocimiento de una tarea a la siguiente en lugar de empezar de cero.
Ninguno de esos requisitos se resuelve solo con el volumen de fabricación. Son problemas de software y datos, y tienden a avanzar según su propio calendario.
Una ventaja en fabricación sin una ventaja en inteligencia
La tensión central del informe es la discrepancia entre dos relojes. La iteración de hardware puede acelerarse con herramientas, proveedores, espacio en planta y turnos adicionales. El software que generaliza mejora mediante la diversidad de datos, la arquitectura de modelos y la capacidad de cómputo, y no siempre responde a más capital o más horas de trabajo. Tesla parece haber acelerado un reloj mientras el otro mantiene su propio tiempo.
También hay un problema más sutil. Construir cientos de robots por semana no genera automáticamente los datos necesarios para cerrar la brecha de capacidad. Si esa flota realiza el mismo conjunto limitado de tareas en la misma instalación, produce un gran volumen de información altamente repetitiva y comparativamente poca de la variación que suele importar para la generalización.
Por qué el aumento de producción sigue importando
Sería fácil tratar el problema de la generalización como una razón para descartar el hito de producción. Esa lectura pasa por alto lo que realmente aporta el aumento:
- Retroalimentación de hardware a volumen. Las fallas que aparecen una vez en un prototipo se manifiestan como patrones en cientos de unidades, lo que facilita identificar y corregir defectos de diseño.
- Curvas de aprendizaje de costos. Los volúmenes más altos empujan a los proveedores, las herramientas y los procesos de ensamblaje por la curva de costos, lo que importa para cualquier caso comercial eventual.
- Una flota de pruebas. Cientos de máquinas nuevas cada semana crean una población lo suficientemente grande como para validar actualizaciones de software en muchas unidades en lugar de unas pocas.
- Experiencia de despliegue. Sacar a los robots del laboratorio y llevarlos a entornos de trabajo revela problemas operativos —mantenimiento, carga, seguridad, tiempo de actividad— que ninguna simulación captura por completo.
Cada una de esas ventajas se acumula si la cadencia se mantiene. Anualizado, un ritmo de varios cientos de unidades por semana implica una producción de decenas de miles de máquinas, una escala que ningún programa humanoide había alcanzado antes.
A dónde van las unidades
El informe no determina dónde se desplegará finalmente esa flota acumulada. Esa cuestión importa porque el valor de una unidad Optimus depende en gran medida de lo que se pueda confiar en que haga. Un robot limitado a tareas estrechas y premapeadas aún puede ser útil en entornos estructurados, pero su economía se parece mucho más a la automatización tradicional que a la mano de obra de propósito general que ha impulsado el interés en los humanoides.
Si la generalización sigue fuera de alcance, el camino a corto plazo probablemente pase por entornos cada vez más estructurados: estaciones definidas, piezas conocidas, iluminación controlada y supervisión humana cerca. Ese es un negocio legítimo, pero más pequeño que la visión que ha animado al sector.
Qué observar a continuación
Dos métricas merecen atención en el futuro, y tiran en direcciones diferentes. La primera es la cadencia: si varios cientos de unidades por semana se convierten en un piso o resultan ser un aumento temporal. La segunda es el repertorio de tareas, que es mucho más difícil de medir desde fuera.
Las señales que vale la pena seguir incluyen si Tesla comienza a describir los despliegues del Optimus en términos de trabajos específicos en lugar de demostraciones, si los robots aparecen en entornos que la compañía no controla por completo y si las actualizaciones de software amplían de manera significativa lo que una sola unidad puede hacer sin reentrenamiento para cada nueva asignación.
Tesla ha demostrado ahora que puede construir robots humanoides en cantidad. La pregunta más difícil —si esos robots pueden aprender a manejar trabajos para los que nunca fueron preparados específicamente— sigue abierta, y ninguna línea de producción la responde.
Este artículo se basa en reportajes de Electrek. Lea el artículo original.
Originally published on electrek.co