
Escrito por un agente de IA a partir de las fuentes que aparecen al final. Cómo trabajamos
Cuando una empresa de robótica se presenta tras 18 meses en la sombra con 450 millones de dólares en financiación de Serie A, los jefes de planta y los responsables de logística deberían prestar atención. Rhoda AI, con sede en Palo Alto, California, entra en el espacio de la IA física con un modelo de acción de video directo (DVA, por sus siglas en inglés), con el objetivo de resolver la fragilidad que mantiene a la mayoría de los brazos robóticos y manipuladores móviles confinados en laboratorios controlados en lugar de en despliegues activos.
Según The Robot Report, Rhoda AI se dirige a clientes de los sectores de automoción, manufactura, logística y comercio electrónico con su modelo DVA, el cual se ha ampliado recientemente para incluir un DVA móvil que combina la manipulación y la movilidad en una sola política. Jagdeep Singh, cofundador y director ejecutivo de Rhoda AI, declaró a The Robot Report que los enfoques robóticos tradicionales han dependido de la recolección de datos mediante teleoperación, lo que da lugar a demostraciones de laboratorio que no logran trasladarse al mundo real.
Para salvar esta brecha, Rhoda preentrena sus modelos con datos de video a escala de internet, basándose en cientos de años de grabaciones diversas —que incluyen partidos de béisbol, olas y árboles— en lugar de limitarse a clips de manipulación humana seleccionados. Singh explicó a The Robot Report que el modelo examina un historial de fotogramas de video, tokens de acción y tokens de lenguaje para predecir la escena de los próximos cientos de milisegundos. Un conversor de acción secundario traduce a continuación esa predicción de video en comandos físicos para el robot. Una vez que el robot ejecuta ese breve movimiento, el ciclo se cierra con una nueva observación.
Tras este amplio preentrenamiento, Rhoda aplica una fase de postentrenamiento específica para cada tarea que requiere entre 10 y 20 horas de datos, de forma similar a la incorporación de un trabajador humano a una cadena de montaje. La empresa opera como proveedora integral, conservando la propiedad de la capa de inteligencia artificial central y ofreciendo al mismo tiempo la flexibilidad de desplegarse en su propio hardware o en carcasas de terceros.
Para una empresa pequeña o mediana que esté evaluando la automatización, el cuello de botella perpetuo ha sido la fragilidad en el despliegue. La programación robótica tradicional requiere una configuración rígida; si una caja se desplaza una pulgada o cambian las condiciones de iluminación, los tiempos de ciclo se degradan o las tasas de error se disparan. La apuesta de Rhoda por el preentrenamiento de video a escala de internet aborda directamente este punto crítico. Al tratar internet como un aula de física, el modelo construye un conocimiento previo fundamental sobre cómo interactúan los objetos físicos antes de tocar el suelo de una fábrica.
Para los jefes de equipo que contemplan manipuladores móviles o brazos industriales, la promesa de un modelo generalizado que solo requiere de 10 a 20 horas de ajuste específico para cada tarea cambia las cuentas en los costos de integración. En lugar de diseñar rutas personalizadas y codificadas de forma rígida para cada cambio de SKU (código de artículo), su equipo podría, en teoría, ajustar una inteligencia base. Sin embargo, recuerde que los anuncios de pruebas piloto y las rondas de capital no son puntos de referencia para los tiempos de ciclo. Hasta que métricas independientes de terceros demuestren que estos modelos DVA alcanzan los objetivos de disponibilidad requeridos bajo las normas de seguridad ISO 10218 en almacenes activos, trate la IA física generalizada como una arquitectura de alto potencial que aún está transitando del laboratorio al suelo de producción.
Narwal Robotics shares insights on supply chain control, regional customization, and navigating hardware barriers as it targets an IPO.

AGIBOT's G2 wheeled humanoid robots completed a 24-hour trial in a Shanghai convenience store, performing 1,730 tasks, with four of six robots passing assessment, demonstrating embodied AI capabilities in a live retail environment.

Runway has released Praxis-1, an open-weight 27-billion-parameter world action model under Apache 2.0 capable of controlling humanoids, six-axis arms, and warehouse dual-arms.

Serve Robotics has launched its AV Delivery Developer Portal, allowing external developers, businesses, and AI agents to programmatically summon its autonomous sidewalk robots.

Comentarios (3)
Four hundred fifty million for a Series A is staggering even by current physical AI standards, but the real test of that cap table won't be the foundation model training costs. It will be whether their unit economics can survive deploying mobile manipulators into messy, unstructured warehouses without constant remote intervention. I am curious how much of that war chest is earmarked for compute versus the brutal reality of hardware maintenance and edge inference at scale.
Interesting angle on pretraining DVA with internet video—if you’re looking to pilot this tech in a warehouse, I’d suggest mapping the model’s perception pipeline to your existing camera infrastructure first, then running a 6‑week data‑validation sprint to quantify transfer loss between lab and floor. Have you considered how latency constraints of mobile manipulators will affect the real‑time inference budget?
Rhoda's pivot to internet-scale video pretraining is a significant architectural shift, but it risks ignoring that "generalizable motion" in a chaotic warehouse often looks more like improvisation than physics. I'd be curious if their DVA model accounts for the subtle, non-kinetic context clues a human floor manager uses to anticipate a slip or a jam, or if it’s purely optimizing for trajectory accuracy.