Embodied AI

La IA incorporada es el campo de la inteligencia artificial que crea agentes con un cuerpo, ya sea un robot físico o un avatar en un simulador 3D, que perciben su entorno mediante sensores, actúan sobre él mediante motores o controles simulados y aprenden de los resultados de sus propias acciones. Como cada acción cambia lo que el agente ve a continuación, un agente incorporado acumula experiencia propia en lugar de aprender únicamente de un conjunto de datos fijo de imágenes o texto. Entre las tareas habituales de la IA incorporada están recorrer una casa desconocida para encontrar un objeto, explorar una habitación para responder a una pregunta sobre ella, seguir instrucciones habladas y recoger y reorganizar objetos; además, este campo proporciona los métodos de aprendizaje que sustentan la robótica moderna.

Orígenes de la IA incorporada#

La IA incorporada surgió como reacción a la IA puramente simbólica. A finales de la década de 1980, Rodney Brooks, del MIT, construyó robots caminantes similares a insectos, controlados mediante capas de comportamientos sencillos que conectaban sensores con motores; en su artículo de 1991, «Intelligence Without Representation», defendió que la inteligencia debía desarrollarse a partir de la interacción directa de una máquina con el mundo. En 1988, Hans Moravec observó que los ordenadores ya podían igualar a los adultos en las damas y en pruebas de inteligencia, pero no podían igualar la percepción y la movilidad de un niño de un año. Esa brecha, conocida hoy como la paradoja de Moravec, sigue siendo la dificultad central de este campo.

El campo moderno tomó forma entre 2017 y 2019, cuando los rápidos simuladores 3D hicieron viable entrenar agentes con miles de millones de pasos de experiencia. AI2-THOR, del Allen Institute for AI, ofrece casas interactivas en las que los agentes abren cajones y mueven objetos; Habitat, de Meta, carga escaneos 3D de viviendas reales y renderiza más de 10 000 fotogramas por segundo en una sola GPU. Entre las tareas de referencia habituales están la navegación hacia un punto u objeto, la respuesta a preguntas con un agente incorporado y la navegación guiada por visión y lenguaje. En 2019, Erik Wijmans y sus colegas entrenaron un agente de Habitat con aprendizaje por refuerzo profundo durante 2.500 millones de pasos, el equivalente a 80 años de experiencia humana; el agente alcanzó casi a la perfección objetivos en casas que nunca había visto, usando únicamente una cámara RGB-D y un sensor GPS y de brújula.

El bucle de percepción y acción#

Un agente incorporado ejecuta un bucle cerrado: lee sus sensores, construye una representación de la escena, elige una acción, la ejecuta y observa qué ha cambiado.

La percepción convierte los datos brutos de los sensores en las magnitudes que necesita una decisión. La detección de objetos y la segmentación de instancias encuentran los elementos con los que puede interactuar un agente; la estimación de profundidad y la fusión de sensores los sitúan en 3D; la estimación de pose sigue a las personas y sus movimientos, y el SLAM visual crea un mapa mientras localiza al agente en él. La guía de inicio rápido de Ultralytics ROS ejecuta Ultralytics YOLO26 dentro de un nodo ROS1 o ROS2 que se suscribe a los temas de cámara de un robot; en el ejemplo de profundidad, una máscara de segmentación selecciona los píxeles de un objeto en la imagen de profundidad alineada y el nodo publica la distancia media del objeto a la cámara.

Las decisiones se basan en planificadores clásicos, el control predictivo basado en modelos o políticas aprendidas que convierten directamente las observaciones en órdenes para los motores. Los modelos del mundo, que predicen cómo cambiará una escena como respuesta a una acción, permiten que un agente pruebe un plan mentalmente antes de moverse.

Cómo aprenden a actuar los agentes incorporados#

El aprendizaje por refuerzo en simulación permite que los agentes aprendan a partir de recompensas obtenidas en millones de pruebas, y la aleatorización del dominio varía las texturas, la iluminación y la física para que las políticas entrenadas en simulación se transfieran a robots reales; OpenAI la utilizó en 2019 para entrenar una mano robótica que resolvió un cubo de Rubik. El aprendizaje por imitación entrena políticas con demostraciones teleoperadas, desde el aprendizaje por imitación conductual básico hasta las políticas de difusión y la segmentación de acciones en bloques, que predicen de una vez secuencias cortas de acciones futuras.

Los grandes modelos preentrenados aportan ahora conocimientos generales sobre objetos y lenguaje. RT-1 (2022), de Google, aprendió más de 700 tareas a partir de 130 000 demostraciones recopiladas con 13 robots durante 17 meses; RT-2 (2023) ajustó un modelo de visión y lenguaje para que generase acciones robóticas como tokens de texto, e introdujo el término modelo de visión, lenguaje y acción (VLA). La colaboración Open X-Embodiment agrupó demostraciones de 22 tipos de robots en 21 instituciones para entrenar modelos fundacionales en distintos cuerpos. π0, de Physical Intelligence (octubre de 2024), añadió un experto en acciones basado en emparejamiento de flujos a un modelo de visión y lenguaje de 3.000 millones de parámetros para controlar robots a una frecuencia de hasta 50 Hz; los modelos Gemini Robotics de Google DeepMind, publicados en marzo de 2025, construyen un modelo VLA sobre Gemini 2.0.

Estos métodos se utilizan en vehículos autónomos, robots móviles de almacén, brazos de recogida y colocación guiados por visión, robots agrícolas y drones; todos deben actuar en tiempo real según lo que ven, a menudo con hardware de IA de borde a bordo.

IA incorporada frente a términos relacionados#

• IA física: Término prácticamente sinónimo, popularizado por NVIDIA, para la IA que percibe y actúa en el mundo real mediante robots, vehículos y otras máquinas. La IA incorporada también incluye agentes que solo existen en simulaciones.
• Robótica: Disciplina de ingeniería que se ocupa de construir robots, incluidos los aspectos mecánicos, los actuadores y el control clásico. La IA incorporada aporta la percepción y la toma de decisiones aprendidas que permiten a un robot manejar situaciones que sus programadores no habían previsto.
• Agentes de IA: Agentes de software que actúan mediante API, navegadores y código. Siguen el mismo bucle de observar, decidir y actuar, pero sin física, fuerzas de contacto ni flujos continuos de sensores.
• Inteligencia espacial: Capacidad de comprender y razonar sobre el espacio 3D a partir de imágenes y otros sensores, que los agentes incorporados necesitan para desplazarse por su entorno y manipularlo.