Más allá de las demostraciones de humanoides
Los robots humanoides chinos atraen la atención en las ferias tecnológicas, donde practican artes marciales, bailan y muestran movimientos cada vez más sofisticados.
Detrás de estas actuaciones, los investigadores chinos trabajan en un reto menos visible: enseñar a los robots a hacer un trabajo útil.
Piensa en un robot que empaqueta productos en una fábrica. Los objetos pueden llegar en posiciones distintas. Algunos pueden pesar más que otros. De vez en cuando, un artículo puede resbalar o una caja puede quedar mal colocada.
Un trabajador humano suele adaptarse sin pensarlo mucho. Un robot tiene que reconocer el cambio y decidir cómo responder.
Los robots industriales tradicionales ya realizan con éxito muchas tareas repetitivas, pero en general trabajan dentro de procesos diseñados con mucho cuidado. Lograr que los robots se adapten lo suficiente para afrontar condiciones cambiantes exige otra combinación de entrenamiento, software y hardware.
Investigadores y empresas de China están desarrollando varias piezas de esa tecnología.
Tres avances ayudan a explicar dónde se está progresando.
AgiBot: dar experiencia a los robots
En 2025, la empresa china de robótica AgiBot y sus colaboradores de investigación presentaron AgiBot World, una colección de más de un millón de movimientos de robots grabados en 217 tareas.
El proyecto abarca cinco escenarios de despliegue.
Estas grabaciones ofrecen a los modelos de IA ejemplos de cómo interactúan los robots con los objetos.
Un robot que aprende a servir agua, por ejemplo, necesita algo más que una instrucción que le diga qué hacer. Tiene que aprender a colocar el brazo, sujetar el recipiente y controlar el movimiento.
Las demostraciones grabadas pueden ayudar a los modelos a aprender estas relaciones.
Los investigadores de AgiBot también desarrollaron Genie Operator-1 (GO-1), un modelo de IA entrenado para realizar tareas físicas.
El artículo científico informa de pruebas en el mundo real con tareas de destreza y de horizonte largo.
Los investigadores informaron de que GO-1 superó en un 32 % al enfoque anterior RDT en las tareas que probaron.
Las cifras de rendimiento proceden del propio equipo desarrollador, y en la evidencia revisada no consta que los resultados se hayan reproducido de forma independiente.
Aun así, el proyecto es una aportación importante a la investigación robótica de China.
AgiBot no solo desarrolla robots físicos, sino también los recursos de entrenamiento y los modelos de IA con los que pretende que esas máquinas aprendan distintas tareas.
Fuente: AgiBot World Colosseo, 2025
RoboTwin: aprender en un entorno virtual
Otra colaboración de investigación china estudia cómo pueden aprender los robots sin que cada intento de entrenamiento tenga que hacerse con equipos físicos.
Investigadores de la Universidad Jiao Tong de Shanghái, la Universidad de Hong Kong, el Shanghai AI Laboratory y otras instituciones colaboradoras desarrollaron RoboTwin 2.0, publicado en ICML 2026.
El proyecto crea entornos virtuales donde los robots pueden practicar la manipulación de objetos.
Imagina que enseñas a un robot a recoger un paquete.
En un entorno virtual, los investigadores pueden cambiar la posición y el tamaño del paquete y los objetos que lo rodean. El robot puede practicar con muchas disposiciones distintas sin tener que mover equipos físicos una y otra vez.
RoboTwin 2.0 admite 50 tareas con robots de dos brazos, en cinco configuraciones de robot.
Los investigadores informaron de que los modelos entrenados con experiencias simuladas rindieron mejor en determinadas pruebas con robots físicos.
Una auditoría independiente de benchmarks de robótica concluyó que RoboTwin 2.0 falla menos de sus diagnósticos que LIBERO y CALVIN.
Los resultados no significan que el entrenamiento virtual reproduzca a la perfección las condiciones del mundo real. Demuestran que unas simulaciones bien diseñadas pueden aportar experiencias de entrenamiento útiles y ayudar a los investigadores a evaluar métodos de aprendizaje robótico.
Para la comunidad de investigación robótica de China, RoboTwin ofrece un enfoque complementario a AgiBot World.
AgiBot recopila ejemplos de actividades físicas. RoboTwin ofrece entornos donde los robots pueden practicar virtualmente variantes de esas actividades.
Fuentes: RoboTwin 2.0, ICML 2026 | Auditoría independiente de benchmarks, 2026
De los sistemas de investigación a la industria robótica china
Entrenar modelos es solo una parte del reto. Los robots también necesitan un hardware físico capaz de ejecutar los movimientos que aprenden.
El fabricante chino Unitree ha desarrollado plataformas humanoides como el G1, que los investigadores pueden usar para probar la marcha, el equilibrio y la manipulación física.
La empresa ilustra la creciente capacidad de China para producir hardware robótico, mientras que los modelos de IA desarrollados por otros equipos pueden aportar parte de las capacidades que se muestran en esas máquinas.
Otra empresa, DexForce, con sede en Shenzhen, apuesta por un enfoque comercial basado en el entrenamiento simulado de robots.
Estos avances muestran cómo la investigación china sobre el aprendizaje de los robots está atrayendo interés comercial.
Pero una alianza de fabricación no basta, por sí sola, para demostrar que un robot puede realizar una tarea de producción completa de forma autónoma o rentable.
Esa cuestión se aclara cuando examinamos lo que ocurre dentro de los centros de entrenamiento de robots.
El reto de la fábrica
En agosto de 2026, Reuters investigó la industria china de robots humanoides, incluido un centro de entrenamiento en Liuzhou.
En el centro, operadores humanos guiaban a los robots en actividades como clasificar cajas, empaquetar fideos y preparar bebidas.
Los operadores usaban controles especializados para demostrar los movimientos y crear así ejemplos que después podrían servir para entrenar modelos de IA.
Esto ofrece una perspectiva importante sobre el progreso del sector.
Algunas de las capacidades que se ven en las demostraciones robóticas todavía requieren una amplia intervención humana durante el desarrollo.
La investigación también detectó dificultades relacionadas con las habilidades de manipulación, la velocidad de operación y el costo de desplegar robots humanoides para trabajos de producción.
Para una fábrica, completar una tarea una vez no basta.
Un robot tiene que repetir el trabajo de forma fiable durante las operaciones normales, afrontar situaciones inesperadas y justificar su costo frente a la automatización existente.
Las empresas chinas están experimentando con estas aplicaciones, pero la evidencia independiente disponible todavía no demuestra una autonomía de los humanoides generalizada y fiable en la fabricación.
Fuente: Reuters, agosto de 2026
El progreso de China más allá del propio robot
El avance más interesante de la investigación china en IA corporizada no es ninguna máquina humanoide en concreto.
Es el trabajo que se desarrolla alrededor de la máquina.
AgiBot está reuniendo grandes colecciones de experiencias físicas de entrenamiento. Los investigadores de RoboTwin crean entornos simulados para practicar tareas nuevas. Empresas como Unitree construyen el hardware, mientras que DexForce explora cómo estos métodos de entrenamiento podrían respaldar aplicaciones comerciales.
Estos esfuerzos abordan partes distintas del mismo problema.
La investigación ha producido conjuntos de datos considerables, modelos de IA que funcionan y demostraciones físicas. El paso más difícil es convertir esas capacidades en robots que realicen un trabajo útil de forma constante fuera de entornos controlados.
China avanza no solo en la construcción de robots que se mueven, sino en el desarrollo de la tecnología que podría ayudarlos a aprender qué hacer.
Que esas capacidades lleguen a convertirse en trabajadores fiables y económicamente útiles dependerá de lo que los robots puedan demostrar en condiciones de funcionamiento cotidianas, no de lo impresionantes que parezcan sobre un escenario.
Explora la investigación y el código
Los proyectos siguientes publican recursos técnicos para quienes quieran profundizar. El código, los modelos, los conjuntos de datos y las imágenes de acceso público pueden tener licencias de reutilización distintas.
- AgiBot World en GitHub: explora recursos de investigación para enseñar a los robots a partir de tareas físicas grabadas.
- RoboTwin en GitHub: explora las tareas de manipulación simuladas y las herramientas de investigación en las que se basa RoboTwin 2.0.
Fuentes y lecturas adicionales
- AgiBot World Colosseo: A Large-scale Manipulation Platform for Scalable and Intelligent Embodied Systems, 2025. Investigación original sobre el conjunto de datos de AgiBot y sus evaluaciones físicas.
- RoboTwin 2.0: A Scalable Data Generator and Benchmark with Strong Domain Randomization for Robotic Manipulation, ICML 2026. Investigación sobre el entrenamiento simulado de robots de dos brazos.
- What Are We Actually Benchmarking in Robot Manipulation?, 2026. Evaluación externa de benchmarks.
- Reuters, China’s humanoid robots aren’t smart enough to take your job yet, agosto de 2026. Reportaje sobre los retos del entrenamiento y del despliegue industrial.