La inteligencia artificial física describe sistemas de IA que hacen algo más que interpretar textos, imágenes o datos. Reciben información de cámaras, micrófonos, sensores de fuerza, codificadores articulares y otros dispositivos, y después utilizan esos datos para controlar una máquina en el mundo físico. Esta máquina puede ser un brazo robótico, un vehículo de almacén, un robot humanoide, un dron o un dispositivo autónomo de laboratorio. El principal desafío consiste en que los entornos reales nunca son completamente previsibles. Los objetos se mueven, la iluminación cambia, las superficies se comportan de forma diferente y las personas pueden interrumpir una tarea sin previo aviso. En 2026, la investigación ha avanzado desde movimientos programados para funciones concretas hacia modelos capaces de relacionar la comprensión visual, las instrucciones habladas o escritas, el razonamiento espacial y el control motor. El progreso es considerable, pero debe evaluarse con prudencia: los sistemas actuales pueden realizar una variedad de tareas mayor que los robots anteriores, aunque su funcionamiento fiable en cualquier entorno desconocido continúa siendo un problema sin resolver.
De la inteligencia digital a las máquinas que perciben y se mueven
Un modelo de IA convencional puede identificar un objeto en una fotografía o explicar cómo recogerlo. Un modelo de IA física también debe localizar ese objeto, calcular su forma y posición, elegir una aproximación segura, cerrar una pinza con la fuerza adecuada y comprobar que el agarre se ha realizado correctamente. Esta diferencia suele describirse mediante el concepto de corporeización: la inteligencia está conectada a un cuerpo con dimensiones, articulaciones, sensores y limitaciones concretas. Un pequeño brazo de sobremesa no puede utilizar el mismo movimiento que un humanoide, mientras que un robot con ruedas no puede superar un obstáculo dando un paso. Por ello, los modelos eficaces necesitan conocer tanto la tarea como la máquina que debe ejecutarla. También deben respetar restricciones prácticas relacionadas con el alcance, el equilibrio, el nivel de batería, la carga útil, la velocidad y la presencia de personas en las proximidades.
Muchos sistemas actuales utilizan modelos de visión, lenguaje y acción, conocidos habitualmente como modelos VLA. Estos combinan imágenes de cámaras con una instrucción en lenguaje natural y generan una secuencia de acciones. La orden puede ser «coloca la taza roja en el cajón superior», mientras que la información visual muestra la habitación, los muebles y los objetos disponibles. El modelo relaciona las palabras con los elementos visibles, divide la solicitud en pasos más pequeños y genera movimientos para el robot. Algunos diseños separan el razonamiento de alto nivel del control de bajo nivel. Un componente de razonamiento decide qué debe ocurrir a continuación, mientras que un modelo de control traduce ese plan en movimientos articulares. Esta división resulta útil porque planificar una tarea y mantener un movimiento estable requieren tipos de procesamiento diferentes, aunque ambos funcionen conjuntamente dentro del mismo sistema.
Los ejemplos presentados hasta 2026 muestran la rapidez con la que está evolucionando este enfoque. Google DeepMind presentó Gemini Robotics 2 como un modelo VLA destinado a cuerpos robóticos que van desde dispositivos de sobremesa hasta humanoides, con control de todo el cuerpo, manipulación precisa y capacidad para responder a instrucciones actualizadas. Su modelo On-Device 2 está diseñado para funcionar localmente cuando el acceso a la red es limitado. Physical Intelligence describió π0.7 como un modelo robótico generalista entrenado con demostraciones, intentos autónomos imperfectos y datos procedentes de varios tipos de robots. La investigación Cosmos 3 de NVIDIA se centra en modelos capaces de interpretar y simular escenas físicas, mientras que su trabajo GR00T está orientado al aprendizaje robótico general. Estos desarrollos constituyen referencias importantes para la investigación, pero las demostraciones y los modelos de acceso anticipado no equivalen a un funcionamiento probado y sin supervisión en hogares o fábricas.
El ciclo de percepción, razonamiento y acción
La IA física funciona mediante un ciclo continuo, no a través de una única predicción. En primer lugar, los sensores registran el estado actual del entorno. Las cámaras proporcionan información sobre el color, la profundidad y el movimiento; los codificadores articulares indican la posición de las extremidades del robot; los sensores de fuerza y par detectan el contacto, y los sensores táctiles pueden mostrar si un objeto está resbalando. El modelo utiliza estas señales para reconocer objetos, calcular distancias y comprender relaciones como «dentro», «detrás», «al alcance» o «bloqueado». Un sistema útil también debe separar la información relevante de los detalles del fondo. En una mesa de trabajo llena de objetos, por ejemplo, debe concentrarse en el componente solicitado y, al mismo tiempo, detectar la mano de una persona que entra en su zona de trabajo.
Después llega el razonamiento y la planificación. El robot convierte una instrucción general en una secuencia ordenada que puede ejecutar. «Recoge la mesa» puede requerir identificar qué objetos deben guardarse, decidir dónde debe colocarse cada uno, elegir un orden seguro y desplazarse alrededor de los obstáculos. Las tareas largas son difíciles porque cada paso modifica el siguiente. Una taza puede haberse movido correctamente, pero un plato podría desplazarse, un cajón podría no abrirse o la zona de destino podría estar ocupada. Los modelos modernos utilizan cada vez más conocimientos visuales y lingüísticos para revisar sus planes en lugar de seguir un guion fijo. También pueden comprobar si una subtarea se ha completado antes de continuar, lo que reduce la posibilidad de que un error no detectado afecte a toda la secuencia.
Finalmente, el sistema actúa y observa el resultado. Esta fase de retroalimentación es fundamental porque un movimiento planificado rara vez produce exactamente el resultado esperado. Las ruedas resbalan, las articulaciones se flexionan y los objetos blandos se deforman. Un controlador de ciclo cerrado compara el estado previsto con las últimas lecturas de los sensores y ajusta la velocidad, la dirección o la fuerza de agarre. Si el agarre falla, el robot puede cambiar la posición de la cámara, seleccionar otro punto de contacto o solicitar ayuda. Esta corrección constante es una de las razones por las que la IA física se diferencia de la generación de una frase: la respuesta es puesta a prueba inmediatamente por el mundo real. Cada movimiento genera nuevas pruebas y el modelo debe utilizarlas con suficiente rapidez para mantener la tarea estable y segura.
Cómo aprenden habilidades prácticas los modelos de IA física
El método de entrenamiento más directo es la demostración. Una persona puede guiar manualmente un brazo robótico, controlarlo con joysticks, utilizar equipos de captura de movimiento o manejarlo a distancia mientras las cámaras y los sensores registran cada paso. El conjunto de datos resultante relaciona observaciones, instrucciones y acciones. El aprendizaje por imitación enseña después al modelo a reproducir los patrones presentes en los ejemplos satisfactorios. Los grandes conjuntos de datos compartidos ayudan a reducir la dependencia de una sola máquina o un único laboratorio. El proyecto Open X-Embodiment, por ejemplo, reunió datos de 22 robots de 21 instituciones e incluyó 527 habilidades correspondientes a más de 160.000 tareas. Estas colecciones permiten que un modelo aprenda conceptos comunes —agarrar, colocar, abrir o limpiar— a partir de diferentes equipos y entornos, en lugar de memorizar una sola configuración.
El lenguaje, las imágenes y el vídeo pueden aportar conocimientos más amplios que no aparecen únicamente en las demostraciones robóticas. Los datos visuales procedentes de internet pueden ayudar a un modelo a reconocer miles de objetos y comprender instrucciones cotidianas, mientras que las grabaciones robóticas muestran cómo se relacionan esos conceptos con el movimiento. La investigación sobre π0.5 de Physical Intelligence combinó datos de distintos robots con lenguaje, información sobre objetos, descripciones generales de tareas y datos de internet. En los experimentos, el modelo completó tareas de limpieza de varias etapas en viviendas que no se habían utilizado durante el entrenamiento. Esto no significa que observar vídeos convencionales enseñe directamente a una máquina a realizar un control motor seguro. El conocimiento visual resulta más útil cuando se combina con datos de acción que registran qué hizo el robot, cómo respondió el entorno y si la tarea se completó correctamente.
Los datos de entrenamiento también incluyen errores. Los sistemas anteriores solían aprender principalmente a partir de demostraciones satisfactorias cuidadosamente seleccionadas, pero este enfoque los prepara mal para afrontar fallos. Los métodos más recientes pueden utilizar agarres fallidos, movimientos interrumpidos y tareas parcialmente completadas para enseñar estrategias de recuperación. Un intento fallido muestra qué estados deben evitarse y de qué manera puede salir mal una acción. El aprendizaje por refuerzo ofrece otra vía: el robot recibe una recompensa por avanzar y una penalización por adoptar un comportamiento inseguro o ineficaz, y después mejora mediante intentos repetidos. La mayor parte del entrenamiento mediante prueba y error a gran escala se realiza en simulación, ya que dañar un objeto virtual es más económico y seguro que dañar un robot real. Posteriormente se utiliza una cantidad limitada de práctica en el mundo físico para corregir las diferencias restantes.
Por qué la simulación no puede sustituir la experiencia real
La simulación permite a los desarrolladores controlar la iluminación, la posición de los objetos, la distribución del espacio y la configuración del robot. Miles de robots virtuales pueden practicar simultáneamente y generar mucha más experiencia de la que podría recopilar una sola máquina física. Los desarrolladores pueden modificar las texturas, la fricción, los ángulos de las cámaras y el peso de los objetos para evitar que el modelo dependa de una única escena perfecta. Los modelos del mundo amplían esta idea al predecir cómo podría cambiar una escena después de realizar una acción. Un modelo puede comparar varios movimientos posibles antes de que el robot ejecute uno de ellos. En 2026, sistemas de investigación como NVIDIA Cosmos y métodos de generación de escenas como SimFoundry están orientados a crear entornos simulados más completos y datos sintéticos de entrenamiento para la robótica y las máquinas autónomas.
Sin embargo, el entrenamiento virtual siempre simplifica la realidad. El contacto entre materiales duros y blandos resulta difícil de reproducir con precisión. Los objetos transparentes confunden a las cámaras, los cables se enganchan en los bordes, los envases se doblan y los líquidos se mueven de formas difíciles de modelar. Los sensores también presentan ruido y retrasos que una simulación limpia puede subestimar. Esta diferencia se conoce como brecha entre la simulación y la realidad. Una estrategia que parece fiable en una prueba virtual puede volverse inestable cuando una rueda pierde tracción, una almohadilla de la pinza se desgasta o la luz solar modifica la imagen de la cámara. Por este motivo, los equipos utilizan la simulación como una amplia zona de práctica y después validan el comportamiento en equipos reales bajo condiciones progresivamente más variadas.
La experiencia real es especialmente importante para la recuperación y la toma de decisiones. Un robot competente no solo debe saber cómo completar una tarea, sino también cuándo debe reducir la velocidad, detenerse o solicitar ayuda. Necesita ejemplos de espacios concurridos, posiciones poco habituales de los objetos, herramientas dañadas e instrucciones incompletas. Los supervisores humanos continúan siendo valiosos porque pueden identificar fallos sutiles que una puntuación automática podría pasar por alto, como colocar un objeto frágil demasiado cerca de un borde. Por tanto, unos datos de alta calidad no consisten únicamente en una gran cantidad de grabaciones. Se necesita una sincronización precisa de los sensores, descripciones claras de las tareas, condiciones variadas y registros fiables tanto de los aciertos como de los errores. Sin esta base, un modelo de gran tamaño puede aprender atajos poco fiables.
Qué puede hacer la IA física en 2026 y cuáles son todavía sus limitaciones
Los entornos industriales y logísticos se encuentran entre las aplicaciones más viables a corto plazo porque las tareas pueden definirse y las zonas de trabajo pueden controlarse. La IA física puede ayudar a los robots a reconocer piezas mezcladas, adaptar el agarre a pequeñas variaciones, inspeccionar productos, clasificar paquetes y responder a instrucciones expresadas en lenguaje natural. Esto ofrece una mayor flexibilidad que la automatización tradicional, que espera que cada objeto llegue siempre en la misma posición. Sin embargo, el uso industrial fiable sigue requiriendo una ingeniería cuidadosa alrededor del modelo. Los elementos de sujeción, las cámaras calibradas, las pinzas verificadas, los controles de acceso y los sistemas de emergencia continúan siendo esenciales. Un modelo fundacional puede mejorar la selección y adaptación de tareas, pero no elimina la necesidad de diseñar procesos, realizar mantenimiento y aplicar controles de calidad medibles.
Las demostraciones de investigación también abarcan el trabajo doméstico, la agricultura, los laboratorios y la atención sanitaria. Los manipuladores móviles han limpiado habitaciones, trasladado objetos entre distintas ubicaciones y seguido instrucciones de varios pasos en viviendas desconocidas. Las máquinas agrícolas pueden utilizar la visión artificial para identificar cultivos o malas hierbas, mientras que los robots de laboratorio pueden automatizar operaciones repetitivas de manipulación y medición. La robótica médica avanza mediante conjuntos de datos compartidos de mayor tamaño y modelos destinados a tareas como la manipulación quirúrgica, las ecografías y las endoscopias, pero estas áreas requieren una supervisión estricta, pruebas clínicas y autorización regulatoria. En 2026, resulta más preciso describir muchos de estos sistemas como herramientas avanzadas de investigación o dispositivos destinados a funciones limitadas, y no como sustitutos autónomos de profesionales cualificados.
Los vehículos autónomos, los drones y los robots de campo también son formas de IA física porque deben percibir entornos cambiantes y actuar bajo presión temporal. Sus modelos combinan mapas, cámaras, radares, lidar u otros sensores con sistemas de planificación de movimientos y control. El problema operativo es diferente al de la manipulación sobre una mesa, pero el desafío de aprendizaje es similar: los acontecimientos poco frecuentes pueden tener una gran importancia y un error cometido con aparente seguridad puede producir consecuencias físicas. El clima, las carreteras dañadas, el comportamiento humano inesperado y la obstrucción de los sensores generan situaciones que quizá aparezcan pocas veces en los datos de entrenamiento. Por ello, un despliegue fiable depende de condiciones de funcionamiento restringidas, validaciones repetidas y comportamientos de respaldo, no únicamente de una mejor capacidad de reconocimiento o comprensión del lenguaje.
Seguridad, fiabilidad y la siguiente etapa de desarrollo
Un robot capaz de razonar de forma amplia continúa necesitando sistemas de seguridad independientes. Estos pueden incluir límites de velocidad y fuerza, detección de colisiones, zonas de trabajo protegidas, paradas de emergencia, sensores de seguridad específicos y un controlador capaz de rechazar una acción peligrosa. Las comprobaciones semánticas también están adquiriendo importancia. Un robot debe reconocer que una instrucción técnicamente posible puede ser inadecuada, como mover una herramienta afilada hacia una persona o colocar un objeto caliente sobre una superficie inestable. La investigación actual favorece cada vez más las medidas de protección modulares, en lugar de confiar todas las decisiones a un único modelo integral. En los entornos industriales, las normas actualizadas ISO 10218-1:2025 e ISO 10218-2:2025 regulan el diseño de los robots y la integración segura de las aplicaciones robóticas, reforzando la necesidad de reducir los riesgos más allá del propio modelo de IA.
La fiabilidad debe medirse en condiciones similares a las de uso real. Una tasa elevada de éxito en una prueba conocida aporta poca información sobre el funcionamiento en una habitación desordenada, después de una desviación de los sensores o durante una secuencia prolongada de tareas. Una evaluación útil incluye la finalización de la tarea, la frecuencia de colisiones, la intervención humana, la recuperación después de un fallo, el tiempo de respuesta y el funcionamiento con objetos desconocidos. Los desarrolladores también deben informar sobre las limitaciones operativas y los puntos débiles conocidos mediante fichas de modelo o documentación equivalente. En agosto de 2026, las pruebas más sólidas continúan procediendo de ensayos repetidos con robots reales en distintos entornos. Un vídeo cuidadosamente preparado puede mostrar una capacidad, pero no permite determinar con qué frecuencia falla el mismo comportamiento ni con qué seguridad responde el sistema ante una situación inesperada.
La siguiente etapa probablemente combinará conjuntos de datos compartidos de mayor tamaño, modelos del mundo más sólidos, modelos locales más pequeños y una mejor transferencia entre distintos cuerpos robóticos. Los robots podrían aprender una amplia base de habilidades de forma centralizada y después adaptarse localmente mediante un número reducido de ejemplos obtenidos con una nueva máquina. Varios robots también podrían compartir experiencias, de modo que una estrategia de recuperación comprobada por un sistema ayude a mejorar a los demás. Aun así, el progreso dependerá menos de tareas aisladas especialmente llamativas y más de la consistencia, la evaluación transparente y el aprendizaje controlado después de la puesta en funcionamiento. En 2026, la IA física está avanzando desde la automatización fija hacia máquinas capaces de interpretar instrucciones y ajustar su comportamiento, pero los robots de uso general que trabajan con seguridad en cualquier entorno cotidiano todavía no constituyen una tecnología plenamente resuelta.