En los últimos 18 meses, las empresas de robótica humanoide levantaron miles de millones de dólares. Según Nikita Rudin, cofundador y CEO de Flexion, buena parte de ese capital financia en silencio algo distinto de lo que se anuncia: contratar personas para operar robots. En una columna para The Robot Report, Rudin sostiene que la industria arrastra un problema de teleoperación y de datos que insiste en describir como una solución laboral.

La teleoperación y la demostración humana a gran escala se convirtieron en el método dominante para entrenar sistemas de IA física. Atraen capital serio, reclutan trabajadores en economías de salarios bajos y reciben cobertura entusiasta como evidencia de progreso. El supuesto de fondo es que suficientes demostraciones terminarán por producir robots capaces de generalizar. Rudin cree que ese supuesto merece mucho más escrutinio del que recibe.

¿Por qué la teleoperación choca contra un muro?

Los modelos de lenguaje entrenan sobre décadas de textos, artículos y libros. Con los robots no existe ese archivo: alguien tiene que generar cada demostración, así que los datos solo crecen tan rápido como lo permite el trabajo humano. Los conjuntos de datos de teleoperación son más de 100.000 veces más pequeños que los que se usan hoy para entrenar modelos de lenguaje y visión. Esa brecha no se cierra contratando más operadores, porque el mundo real nunca deja de cambiar: una repisa se mueve, la manilla de una puerta es apenas distinta, aparece un nuevo tipo de paquete en la línea. Cada variación exige una nueva demostración, de modo que el problema crece más rápido que la fuerza laboral.

La calidad de los datos es el otro problema. Los operadores no sienten lo que tocan ni juzgan bien la profundidad, así que se mueven lento y sobrecorrigen. El robot termina aprendiendo de grabaciones de alguien peleando con un control, y eso es lo que practica.

El costo humano de generar datos

La respuesta de la industria ha sido reclutar más gente, en su mayoría trabajadores de economías de salarios bajos, contratados para filmar tareas domésticas, operar robots a distancia o recorrer instalaciones con equipos de cámaras. Alrededor de eso surgió todo un ecosistema comercial, con startups en China, India, Europa y Estados Unidos vendiendo datos de teleoperación igual que antes se vendía texto etiquetado para modelos de lenguaje.

El argumento original de los humanoides era que las personas no podrían cubrir estos empleos en el futuro por el envejecimiento y la escasez de mano de obra. Pero si lo que se construye es una infraestructura que necesita un flujo permanente de demostraciones humanas para funcionar, plantea Rudin, mejor que esas personas hagan la tarea directamente. Un sistema que no puede con nada nuevo sin input humano fresco es, en esencia, un sistema laboral.

¿Es solo un puente hacia la autonomía?

La defensa habitual es que la teleoperación es un puente mientras maduran mejores métodos de entrenamiento. Para tareas estrechas y repetitivas en entornos controlados, admite Rudin, eso es razonable. El problema es que buena parte de la industria está construyendo infraestructura para generar demostraciones de forma indefinida, sin una explicación clara de cómo o cuándo eso cambia. El campo mide lo fácil de contar (demostraciones recolectadas, horas de video, tareas completadas en entornos controlados), nada de lo cual dice si el robot puede resolver algo que no vio antes.

Existen enfoques intermedios, como la captura de video egocéntrico y dispositivos tipo Universal Manipulation Interface (UMI), que permiten demostrar tareas de forma más natural con una pinza de mano en vez de controlar el robot a distancia. Reducen la carga sobre los operadores y producen movimiento más natural, pero siguen requiriendo humanos en el bucle.

Aprendizaje por refuerzo y simulación

Para Rudin, el aprendizaje por refuerzo es lo que cambia la ecuación. En lugar de imitar lo que un operador mostró, un sistema entrenado con refuerzo resuelve por ensayo y error: intenta una tarea, falla, ajusta y reintenta a lo largo de millones de iteraciones, sin humano en el bucle. La simulación se desprende de forma natural, porque correr millones de iteraciones en el mundo real destruye hardware y toma años, mientras que en simulación se reinicia al instante, se corre en paralelo y se genera variación a una escala que ninguna fuerza laboral podría igualar. Y a diferencia de la teleoperación, escala directo con cómputo: más GPU significan más entornos, más variación e iteración más rápida.

Su comparación es con los primeros modelos de lenguaje, que imitaban el estilo de Shakespeare pero producían frases sin sentido. El salto llegó con el aprendizaje por refuerzo en entornos sintéticos. La robótica, argumenta, sigue atrapada en ese primer momento: escalar datos de teleoperación equivale a escalar el preentrenamiento de texto con 100.000 veces menos datos.

Vale leer el planteamiento sabiendo de dónde viene. Rudin completó su doctorado en el Robotic Systems Lab de ETH Zurich mientras trabajaba en NVIDIA, donde fue parte del equipo detrás de Isaac Gym e Isaac Lab. Hoy lidera Flexion, que levantó 50 millones de dólares de DST/NVentures para construir el cerebro de propósito general de los robots humanoides, una apuesta que compite justamente con la teleoperación que cuestiona.