← Todos los insights

Análisis de noticiaEnfoque: España y Latinoamérica3 min de lectura

GR00T 2 de NVIDIA aprende con pocas demostraciones; el giro es que los agentes escriban programas de robot

NVIDIA presentó GR00T 2 e Isaac Lab 3.0, donde agentes configuran simulaciones, y mostró investigación donde agentes ensamblan programas de robot legibles. La auditabilidad es una decisión de diseño.

Escuche este artículo · 4 min

Narración completa del artículo, generada con IA.

Marionetas en una vitrina de museo, en duotono La Madre, junto a las palabras Legible o aprendido
Foto: london road (Wikimedia Commons, Public domain)

El ingeniero de planta al que se le pide aprobar una nueva celda robótica siempre ha tenido algo que leer: un programa, escrito por un integrador, que indica qué hace el robot en cada estado. Las políticas de robot aprendidas cambiaron eso. Pueden ser más capaces y mucho más difíciles de inspeccionar.

Los anuncios de NVIDIA en la Conference on Robot Learning (CoRL) en Austin muestran que ambas direcciones avanzan a la vez, y la elección entre ellas se está convirtiendo en una decisión de arquitectura para los fabricantes.

Un modelo fundacional que necesita menos demostraciones

GR00T 2, el modelo fundacional de robótica de NVIDIA, se basa en sus modelos del mundo Cosmos y se entrena con datos de robots y video humano, incluidos 100.000 horas de datos egocéntricos humanos abiertos. NVIDIA afirma que transfiere habilidades entre distintos cuerpos de robot, generaliza con pocos datos y puede ser controlado por agentes a través de una API.

Cifras de NVIDIA: en 50 tareas evaluadas, GR00T 2 completó 40 al menos una vez sin demostraciones específicas de la tarea, alcanzó un 71% de éxito medio con una demostración por tarea y un 95% con cinco. Foxconn lo está aplicando a la automatización de fábrica para la fabricación de servidores, Siemens lo evalúa en casos de uso industriales y empresas más pequeñas lo prueban en el manejo de ropa y el cambio de cables.

Agentes en el bucle de simulación

Isaac Lab 3.0 permite que los agentes configuren entornos de entrenamiento, cambien entre distintos solvers de física, elijan renderizadores y apliquen una biblioteca de postentrenamiento de aprendizaje por refuerzo. Su integración con el motor de física Newton modela objetos deformables como cables y tela, desde hace tiempo un punto débil de la simulación de robots. NVIDIA afirma que alcanza hasta 2,5 veces el rendimiento de entrenamiento de la versión anterior en un benchmark de manipulación diestra. Isaac Lab-Arena 0.4, una preview para desarrolladores, compone evaluaciones repetibles ejecutadas en miles de variaciones en paralelo.

El trabajo más interesante vino de UC Berkeley. Su framework Graph-as-Policy, probado en la simulación Isaac de NVIDIA, usa agentes para conectar habilidades existentes en programas de robot que las personas pueden leer. Ken Goldberg, quien lo lidera, está entre las personas citadas sobre robótica agéntica.

Cómo se puede producir el comportamiento de un robot

Programa legiblePolítica aprendida

  1. Programa escrito a manoTotalmente inspeccionable; lento de construir
  2. Grafo de habilidades ensamblado por agentesEstructura legible, generada rápido
  3. Política fundacional, pocas demostracionesRápida de adaptar; más difícil de inspeccionar
  4. Política de extremo a extremoLa más flexible; la menos explicable
Nuestro encuadre de los enfoques en los anuncios de NVIDIA en CoRL del 9 de noviembre de 2026.

La elección para las fábricas

Para un fabricante, la pregunta no es qué enfoque es más avanzado. Es cuál puede aprobar, mantener e investigar la planta después de un incidente.

Los programas legibles encajan en los casos de seguridad. Las normas de seguridad de máquinas y el control interno de cambios esperan que alguien describa qué hará la máquina. Un agente que ensambla un programa a partir de habilidades probadas produce algo que un ingeniero puede revisar, versionar y firmar. Es la misma lógica que convertir el trabajo repetido de un agente en software común.

Las políticas aprendidas encajan en la variedad. La ropa, los cables y los artículos minoristas mezclados varían demasiado para estados escritos a mano. El aprendizaje con pocas demostraciones es lo que hace económicas esas tareas, y la evaluación, no la inspección, tiene que aportar la prueba.

La evaluación es el requisito compartido. En ambos casos, las miles de variaciones en paralelo de Isaac Lab-Arena apuntan a la práctica correcta: probar una celda contra la variación que encontrará antes de que la encuentre. La detección de éxito de Gemini Robotics ER 2 añade la otra mitad, un robot que comprueba si cada paso funcionó.

Las cifras principales son de NVIDIA y variarán según la tarea y el robot. La lección de arquitectura no: decida, por celda, si la planta necesita un programa que pueda leer o una política que pueda probar, y construya el proceso de aprobación en consecuencia.

¿Tiene un caso de uso de IA detenido entre el prototipo y la producción?

Cuéntenos qué quiere poner en marcha. Le respondemos con próximos pasos honestos.

Conversemos sobre un caso de uso