El auge de la robótica es, en realidad, una historia sobre métodos de aprendizaje

La robótica humanoide vuelve a atraer capital serio, pero el cambio más importante no es la ambición estética ni el marketing de ciencia ficción. Es metodológico. La nueva oleada de entusiasmo sigue a un cambio en la forma en que se enseña a los robots a operar en el mundo, y ese cambio está ayudando a convertir una aspiración de larga data en un campo más apto para la inversión.

Según el material de origen, empresas e inversores aportaron 6.100 millones de dólares a los robots humanoides en 2025, cuatro veces la cantidad invertida en 2024. Es una cifra llamativa por sí sola. Pero la explicación más sólida del repunte es la que destaca el artículo: la robótica se ha alejado de depender principalmente de reglas codificadas a mano y se ha orientado hacia formas de aprendizaje más adecuadas para entornos reales desordenados.

Por qué el enfoque anterior encontró límites

Durante años, la robótica apuntó alto en lo conceptual y de forma más limitada en la práctica. Los investigadores querían máquinas adaptables y útiles que pudieran moverse por entornos variados e interactuar con seguridad con las personas. Sin embargo, gran parte de la producción real del sector seguía siendo especializada y restringida. El artículo capta bien esa brecha con un contraste agudo entre las ambiciones de la ciencia ficción y la realidad de los brazos industriales y los robots domésticos.

El oficio anterior de la robótica exigía que los ingenieros anticiparan las posibilidades de antemano y las codificaran explícitamente. Si un robot necesitaba doblar ropa, por ejemplo, los ingenieros podían intentar definir reglas para identificar un cuello, localizar las mangas, ajustar la rotación, corregir torceduras y controlar la deformación. Eso puede funcionar para tareas muy acotadas, pero el número de reglas crece rápidamente a medida que los entornos se vuelven más variables.

Este enfoque produjo sistemas fiables en entornos estructurados, pero tuvo dificultades para generalizar. Cuanto más tenía que lidiar un robot con objetos inciertos, condiciones cambiantes e información incompleta, más frágiles se volvían los conjuntos de instrucciones escritos a mano.

El giro hacia el aprendizaje

El artículo señala un punto de inflexión alrededor de 2015, cuando la robótica avanzada se volcó cada vez más hacia el entrenamiento en simulación y la mejora mediante prueba y error. En lugar de escribir manualmente cada instrucción, los investigadores podían construir entornos digitales, definir señales de recompensa para el éxito y dejar que los sistemas mejoraran mediante intentos repetidos. Conceptualmente, se parece a la forma en que algunos sistemas de IA anteriores aprendían juegos.

Esta transición importó porque cambió adónde iba el esfuerzo. En vez de intentar enumerar todos los casos posibles del mundo físico, los ingenieros podían centrarse en diseñar entornos, objetivos y modelos capaces de aprender comportamientos útiles a través de la experiencia. Eso no eliminó la dificultad. La robótica del mundo real sigue siendo implacable. Pero hizo que el sector fuera más compatible con la revolución más amplia del aprendizaje automático.

La siguiente aceleración llegó después de 2022, cuando los modelos de lenguaje grandes demostraron que los sistemas entrenados con grandes conjuntos de datos podían convertirse en potentes predictores. La fuente dice que modelos relacionados adaptados a la robótica podían recibir imágenes, lecturas de sensores y posiciones de las articulaciones, y luego predecir la siguiente acción que debía tomar un robot. Eso supone una evolución significativa tanto respecto de la programación basada en reglas como de los bucles puros de prueba y error.

Por qué interesan ahora los inversores

El capital suele seguir los cambios en la capacidad, no solo los cambios en la narrativa. El artículo sugiere que los inversores están respondiendo a la convicción de que los robots ahora pueden aprender de maneras que se ajustan mejor a la imprevisibilidad de los entornos físicos. Un sistema que puede absorber entradas multimodales e inferir las siguientes acciones parece más cerca de una adaptabilidad práctica que uno que depende de que los ingenieros escriban cada caso límite por adelantado.

Esto es especialmente importante en la categoría humanoide. Los inversores no respaldan a los humanoides solo porque se parezcan a nosotros. Respaldan la posibilidad de que métodos de aprendizaje más generales por fin puedan sostener máquinas más generales.

Eso sigue siendo una propuesta y no un hecho consumado. El artículo deja claro que las máquinas que mucha gente imagina todavía no están completamente construidas. Pero el auge de la financiación indica que el mercado ve una brecha menor entre aspiración y ejecución que hace apenas unos años.

La importancia más profunda

La verdadera importancia del momento actual es que la robótica se está integrando más estrechamente con la pila moderna de IA. Los modelos que funcionan mediante predicción, los sistemas entrenados en simulación y una fusión de sensores más rica empujan la robótica hacia un régimen en el que el progreso puede acumularse más rápido que bajo enfoques mayormente artesanales.

Eso no garantiza una implantación doméstica generalizada ni una transformación laboral en una fecha fija. La robótica todavía tiene que lidiar con el costo del hardware, la seguridad, la durabilidad, la complejidad del despliegue y el reto de operar de forma fiable fuera de entornos controlados. Pero el avance en aprendizaje descrito en la fuente cambia el centro de gravedad del sector.

También replantea la conversación sobre la utilidad. Un robot no necesita empezar como un sirviente general perfecto para ser económicamente significativo. Si los nuevos métodos de aprendizaje permiten que las máquinas manejen una gama más amplia de tareas con una programación menos frágil, pueden volverse valiosas de forma incremental, primero en entornos restringidos pero menos rígidos, y después potencialmente más allá de ellos.

Un nuevo capítulo, no una historia terminada

El auge de la robótica en 2025 se parece menos a un milagro repentino que al resultado de una reorientación técnica construida durante años. El sector pasó de anticipar cada contingencia a construir sistemas que pueden aprender patrones de acción a partir de datos, simulación y contexto multimodal. Los inversores se han dado cuenta, y la cifra de 6.100 millones de dólares subraya ese cambio.

Si ese dinero produce resultados duraderos dependerá de cuánto bien traduzcan estos métodos de aprendizaje las demostraciones prometedoras en sistemas físicos fiables. Pero el artículo plantea de forma convincente que algo fundamental ha cambiado. La robótica ya no avanza solo escribiendo mejores reglas. Avanza cambiando cómo aprenden las máquinas qué hacer después.

Este artículo se basa en la cobertura de MIT Technology Review. Leer el artículo original.