UC Berkeley y NVIDIA proponen robótica agéntica para superar los límites de escala de datos

UC Berkeley y NVIDIA han anunciado conjuntamente un nuevo enfoque llamado robótica agéntica, que utiliza agentes de codificación de IA para programar robots industriales mediante simulación y generación de código, en lugar de depender de grandes conjuntos de datos de demostraciones humanas. Este cambio busca resolver el problema de escala de datos que actualmente frena el despliegue de robots de propósito general en entornos industriales.

Qué pasó

Según IEEE Spectrum, el anuncio se realizó en la Conferencia sobre Aprendizaje de Robots de 2026. La técnica aprovecha los modelos de lenguaje grande (LLM) para descomponer tareas complejas, como empaquetar comestibles, en subtareas asignadas a agentes de codificación especializados. Estos agentes manejan la percepción, la manipulación y el transporte escribiendo código legible por humanos que utiliza herramientas de robótica existentes como la estimación de postura y la generación de trayectorias.

Ken Goldberg, profesor de robótica en UC Berkeley y cofundador de Ambi Robotics, afirmó que el paradigma de aprendizaje por imitación ha "llegado a una meseta". Señaló que, si bien los enfoques basados en datos funcionan para robots domésticos, luchan por cumplir con los requisitos de confiabilidad de las aplicaciones industriales. Goldberg, quien ha trabajado con empresas como Siemens y Bosch, observó que agregar más datos a menudo genera nuevas fallas sin garantizar la convergencia.

Spencer Huang, director de producto de robótica en NVIDIA, explicó que la calidad de la codificación agéntica ha mejorado lo suficiente en el último año como para hacer esto viable. Los agentes iteran ejecutando código en simulaciones, ajustando parámetros e incluso adaptando entornos de simulación a videos del mundo real. Sin embargo, Torsten Kroeger, director científico de Intrinsic de Alphabet, advirtió que ningún motor de física actual puede modelar con precisión el contacto físico, lo que significa que la brecha entre la simulación y la realidad sigue siendo un desafío sin resolver. Para mitigar los errores de código generado por IA, el equipo utiliza configuraciones de agentes adversarios donde un agente diseña el código y otro intenta encontrar fallas.

Por qué es importante para los equipos de pequeña manufactura y logística

Para las pequeñas empresas que operan en manufactura o logística, el estándar actual para desplegar automatización flexible suele ser prohibitivo en costos o inaccesible técnicamente. El modelo imperativo requiere contratar a especialistas en robótica para escribir código de bajo nivel o comprar costosos conjuntos de datos, ninguno de los cuales escala para un equipo de cinco personas. La robótica agéntica cambia la estructura de costos al convertir la programación de robots en un problema de ingeniería de software que puede ser manejado por herramientas de IA de propósito general.

Esto es significativo porque desplaza la barrera de entrada de la "recopilación de datos" a la "configuración de simulación". Si un equipo pequeño puede usar lenguaje natural para definir una tarea y dejar que los agentes de IA manejen la generación de código y el ajuste de simulación, el tiempo de implementación para un nuevo SKU o cambio de proceso podría reducirse de semanas a días. Sin embargo, el escepticismo está justificado. La dependencia de la simulación significa que si el motor de física no puede modelar el contacto con precisión, el robot fallará en el mundo real. Para una pequeña empresa, un robot que funciona en la simulación pero se atasca en el piso de la fábrica es un pasivo, no un activo. La mención de agentes adversarios es una buena señal para la seguridad, pero hasta que el cumplimiento de la norma ISO 10218 o ISO/TS 15066 se aborde explícitamente para estos comportamientos generados por IA, esto sigue siendo un piloto de investigación, no un producto llave en mano. Observe si este enfoque reduce la necesidad de supervisión humana en los bucles críticos para la seguridad.

Qué hacer esta semana

1. Audite sus tareas manuales actuales para identificar un proceso repetitivo y no crítico que pueda ser candidato para pruebas basadas en simulación, como una secuencia de empaquetado específica o una verificación de calidad.
2. Revise las capacidades de simulación de su proveedor de robots actual o potencial para determinar si ofrecen API que permitan la inyección de código externo o el ajuste de parámetros, lo cual es un requisito previo para los flujos de trabajo agénticos.
3. Documente los modos de falla específicos de su automatización o proceso manual actual, creando una lista de referencia de casos límite que cualquier solución generada por agentes de IA deba manejar para considerarse viable en su planta.

Fuentes

• Can Agentic Robotics Solve Robotics’ Data Scaling Problem? — IEEE Spectrum - Robotics