NoticiasDeIA
RobóticaAnálisisAlta relevancia

Agentic Robotics: cómo la inteligencia artificial está convirtiendo a los robots en sistemas agentes

Un paper publicado el 13 de noviembre presenta el salto de la robótica a sistemas agentes: modelos fundamentales con un sistema inmerso que percibe, razona, actúa y se autocorrecciona en el mundo físico.

Redacción de NoticiasDeIAPublicado el Hecho ocurrido el 13 de noviembre de 20267 min de lectura
Compartir
Fotografía de un robot o sistema robótico
Fotografía de un robot o sistema robótico · Pexels — Fotografía de Kindel Media

Agentic Robotics: cómo la inteligencia artificial está convirtiendo a los robots en sistemas agentes

Un paper del 13 de noviembre propone que la robótica deie de estar encadenada a políticas entrenadas para cada tarea y tome el pulso de un nuevo paradigma: sistemas agentes que usan modelos fundamentales para razonar, planificar y adaptarse en el mundo físico.


Qué ha ocurrido

El 13 de noviembre se publicó en arXiv el artículo Envisioning Agentic Robotics: A New Era of Robotic Systems (arXiv:2611.18359), firmado por doce investigadores del laboratorio Grid Robotics (Qingfeng Lan, Duo Li, Siyao Li, Yiheng Lyu, Shijian Lu, Zhenghao Qi, Shizun Wang, Xinchao Wang, Ming Yang, Zhiqin Yang, Zuhao Yang y Tao Yu), con categorías cs.RO, cs.AI, cs.CL y cs.CV. El trabajo no presenta resultados de benchmark como pasaría en un documento de evaluación, sino una visión de conjunto: define el nuevo paradigma, propone una arquitectura de referencia y una hoja de ruta para la autonomía física sostenida.

El núcleo del argumento es breve y contundente: la llegada de GPT-6 Astra marcó el nacimiento de una nueva era en robótica. Según los autores, dentro de pocas semanas los modelos frontera con agentic harnesses (torres de control que envuelven al modelo base) lograron igualar o superar a las políticas entrenadas específicamente para tareas concretas en múltiples benchmarks de robótica. Eso, dicen, supone un cambio de paradigma: en lugar de entrenar una política distinta para cada familia de tareas, se aplica un modelo fundamental a tareas abiertas en el mundo físico, en un bucle cerrado de percepción, razonamiento, acción y verificación.

El artículo vale 17,5 puntos de relevancia en la escala editorial del sitio.

Qué es oficial y qué no

Lo que autoriza la publicación es el preprint en arXiv, la página del paper y los comentarios de los autores en redes sociales. El nombre del laboratorio, Grid Robotics, y la lista de autores, las cifras y las afirmaciones técnicas descansan en el documento original. Existen artículos secundarios que siguen los mismos hechos desde distintas lentes: un resumen visual en PicX, un análisis en AI vote y un resumen de arxiv tldr. No existe todavía una revisión independiente por parte de otro laboratorio, ni una replicación externa de los argumentos. Los números que aparecen en este artículo vienen del preimpreso.

Lo que el artículo no dice, explícitamente:

  • No son datos de benchmark publicados en revistas; son una propuesta de visión. La evidencia citada es la evolución rápida de los modelos fundamentales en entornos de simulación y, en parte, la aparición de agentic harnesses.
  • No hay una competición estandarizada ni un benchmark público que alcance el consenso. El propio trabajo dice que la comunidad "no ha convergido aún en una definición compartida, marco de evaluación fiable ni hoja de ruta de investigacion".
  • No se garantiza que las capacidades que se observan en simulación se trasladan intactas a robots reales.

Cómo funciona: Embodied System 2

El artículo propone una arquitectura de tres capas para la robótica agente. El nombre central es Embodied System 2 (S2), una noción que vuelve a la división clásica entre un modo rápido e intuitivo (S1) y uno lento y reflexivo (S2), aplicada a los robots:

  • System 0 (S0): control a tiempo real del cuerpo. Gestiona los bucle de control neuronales que van desde la percepción de sensores hasta los actuadores, a frecuencias que exigiría un sistema hard real-time.
  • System 1 (S1): skills ejecutables. Conocimientos o políticas especializadas que capturan habilidades concretas, entrenadas de forma supervisada o por refuerzo, y que el S2 invoca cuando corresponda.
  • System 2 (S2): el núcleo de decisión. Es el modelo fundamental envolvente por un harness que percibe el estado del mundo, interpreta la intención del usuario, razona sobre las opciones disponibles, invoca skills y herramientas, verifica los resultados y adapta la estrategia. Según los autores, es el S2 quien constituye el núcleo de decisión de la robótica agente.

Esta división responde a una observación práctica: un robot físico no puede hacer todo en el mismo tiempo. El control de bajo nivel (S0) debe ser casi inmediato; las habilidades (S1) pueden requerir planificación; los razonamientos de alto nivel (S2) son computacionalmente caros y no deben interferir con el bucle de acción. La gente que diseña agentes de IA ha visto esta separación antes en los computer-use agents: un modelo de lenguaje que observa una pantalla, raciona y emite una acción, sin que el bucle de control se vaya a la paranoya.

Los cuatro niveles de trabajo delegable

Más allá de la arquitectura, el artículo propone una hoja de ruta organizada en cuatro niveles de trabajo delegable, de forma creciente:

  1. L1 — ejecución de primitivas: el agente realiza acciones atómicas (girar un eslabón, cerrar una pinza, mover un objeto de un sitio a otro) con supervisión humana.
  2. L2 — tareas completas: el agente descompone una tarea compuesta en subsecuencias de primitivas y ejecutalas bajo su propio control.
  3. L3 — coordinación de flujos de trabajo: el agente orquesta múltiples tareas y múltiples robots, gestionando dependencias, recursos y prioridades.
  4. L4 — roles permanentes: el agente asume una función estabilizada en un entorno, con responsabilidades de largo plazo, auditabilidad y supervisión continua.

Por encima de esa escala, el documento añade cuatro direcciones de investigacion: la mejora continua a partir de la experiencia física (que el agente aprenda de sus propios fracasos en el mundo), la verificación y evaluación (cómo comprobar que un agente no hace daño ni se desvía de su especificación), la seguridad y alineación en entornos físicos con consecuencias irreversibles, y la interoperabilidad entre robots, herramientas y entornos.

Un marco de evaluación, no un benchmark único

Aunque el artículo es una visión, no un informe experimental, los autores proponen un marco de evaluación que mide dos dimensiones:

  • Capacidades del modelo: cómo razone, perciba y elija en entornos simulados de alto fidelidad.
  • Rendimiento del sistema cerrado: cómo el conjunto (modelo + harness + body) se comporta en tareas reales o en simulación de alto fidelidad, incluyendo tiempos de reacción, fiabilidad y coste.

La idea es que la evaluación de los agentes no quepa en una sola métrica. Un modelo puede ser bueno en un benchmark de comprensión, pero fallar en la transición a la acción física: ese desfase, dicen los autores, es el corazón de la pregunta que plantea esta investigacion.

Por qué importa

La publicación de este trabajo merece una lectura más amplia por tres razones.

Primera, cambia el foco de la robótica. Por décadas la robótica clásica se ha construido sobre la idea de que cada tarea necesita su propia receta: calibrar un brazo, entrenar una política, verificar en el mundo real. El artículo propone que, una vez los modelos fundamentales dejan de ser "difficiles de controlar" y empiezan a actuar de forma fiable, el enfoque cambie: no se entrena una política para cada tarea, sino que se aplica un modelo general a un espacio de tareas abierto, con un sistema de verificación que garantiza la seguridad.

Segunda, desplaza el debate de "qué modelo es más capaz" a "cómo entrenar o configurar sistemas para actuar sobre un cuerpo". Esta es la frase clave del artículo: la competencia práctica dejaría de centrarse en la escala del modelo y pasaría al diseño del harness, la arquitectura de control y los mecanismos de verificación. Eso reabre la conversación sobre la ingeniería de sistemas, que muchos medios han dejado de lado en la carrera de los modelos fundamentales.

Tercera, pone la autonomía física en el centro de la agenda de seguridad. Las consecuencias de un fallo en un robot que actúa en el mundo son irreversibles de un modo distinto al de un error en un chat. El artículo señala explícitamente que la heterogeneidad de los entornos físicos, la incertidumbre de los hábitos de los usuarios y las consecuencias irreversibles de los errores exigen un nuevo tipo de evaluación: no solo acierto, sino fiabilidad, adaptabilidad y verificación del proceso.

Limitaciones

Los autores son explícitos sobre las brechas. La principal es que no se han estandarizado los benchmarks ni la definición del paradigma. La robótica agente es una frase que está apareciendo en la literatura, pero no hay consenso sobre qué incluye, cómo medirlo o cómo comparar sistemas. También subrayan que el enfoque actual depende en gran medida de entornos simulados de alta fidelidad, y que la brecha hacia el mundo real sigue siendo abierta.

Por otro lado, el artículo no entra en detalles sobre cómo se entrena el S2 ni sobre los límites computacionales del bucle de verificación. Los benchmarks de aplicación física son costosos y los tiempos de reacción dependen de la infraestructura. La propuesta de la hoja de ruta no dice cuándo se alcanzará L4: solo la define como un objetivo de investigacion.

Qué sigue sin saberse

Quedan varias preguntas abiertas:

  • ¿Escalable el enfoque a múltiples robots y múltiples entornos sin una receta por dispositivo?
  • ¿Cómo se mide la fiabilidad de un agente físico en condiciones de incertidumbre (opinión de un usuario, objetos en movimiento, condiciones cambiantes)?
  • ¿Qué protocolos de verificación son aceptables para desplegar sistemas que actúan en espacios públicos?
  • ¿Cómo haría un laboratorio independiente que replique o contrastara los argumentos del paper?

Esta última es la clave: el trabajo es una propuesta de visión y un llamado a la comunidad a consolidar una disciplina. Mientras tanto, la robótica multidisciplinaria no está aquí para reemplazar a los enfoques clásicos de inmediato, pero sí para encadenar la competencia de los modelos fundamentales con la ingeniería sólida de sistemas.


Publicado a partir del preprint arXiv:2611.18359, de Grid Robotics. Las afirmaciones sobre los resultados de modelos fundamentales derivan de los autores del paper; ningún laboratorio independiente ha publicado una evaluación final de los sistemas descritos en esta fecha.

Fuentes consultadas

Se conservan las referencias para poder reconstruir cómo se verificó esta información.

Publicación de origen: https://arxiv.org/abs/2611.18359

¿Ves un error? Escríbenos indicando el dato concreto y la fuente que lo contradice. Las correcciones se aplican en la propia página y se reflejan en la fecha de actualización. Contactar con la redacción.

Sigue leyendo