Crédito: imagen generada por IA
Los chatbots de IA han avanzado rápidamente en los últimos años, tanto que las personas ahora los usan como asistentes personales, representantes de servicio al cliente e incluso terapeutas.
Los modelos de idiomas grandes (LLM) que alimentaban estos chatbots se crearon utilizando algoritmos de aprendizaje automático capacitados en los vastos tocones de los datos de texto que se encuentran en Internet. Y su éxito tiene muchos líderes tecnológicos, incluidos Elon Musk y el CEO de Nvidia, Jensen Huang, alegando que un enfoque similar producirá robots humanoides capaces de realizar una cirugía, reemplazar a los trabajadores de fábricas o servir como mayordomos en el hogar en unos pocos años.
Pero los expertos en robótica no están de acuerdo, dice el roboticista de UC Berkeley Ken Goldberg. Es profesor de investigación de ingeniería y operaciones industriales y William S. Floyd Jr. Distinguido Presidente en Ingeniería en UC Berkeley
En dos nuevos artículos publicados en línea hoy (27 de agosto) en la revista Science Robotics, Goldberg describe cómo Lo que él llama la “brecha de datos de 100,000 años” evitará Robots por obtener habilidades del mundo real Tan rápido como los chatbots de IA están ganando fluidez del lenguaje.
En el segundo artículoLos principales robotistas del MIT, Georgia Tech y Eth-Zurich resumen el acalorado debate entre los robotistas sobre si el futuro del campo radica en recopilar más datos para capacitar a los robots humanoides o depender de la “buena ingeniería antigua” para programar robots para completar tareas del mundo real.
A continuación, UC Berkeley News habló con Goldberg sobre la “bomba humanoide”, el cambio de paradigma emergente en el campo de la robótica y si la IA realmente está a la cúspide de tomar el trabajo de todos.
Recientemente, los líderes tecnológicos como Elon Musk han hecho afirmaciones sobre el futuro de los robots humanoides, como que los robots eclipsarán a los cirujanos humanos en los próximos cinco años. ¿Estás de acuerdo con estas afirmaciones?
No; Estoy de acuerdo en que los robots están avanzando rápidamente, pero no tan rápido. Pienso en ello como exagerado porque está muy por delante de las capacidades robóticas con las que los investigadores en el campo están familiarizados.
Todos estamos muy familiarizados con ChatGPT y todas las cosas increíbles que está haciendo para la visión y el lenguaje, pero la mayoría de los investigadores están muy nerviosos por la analogía que la mayoría de las personas tienen, que es que ahora que hemos resuelto todos estos problemas, estamos listos para resolver (robots humanoides), y sucederá el próximo año.
No digo que no va a suceder, pero estoy diciendo que no va a suceder en los próximos dos años, cinco años o incluso 10 años. Solo estamos tratando de restablecer las expectativas para que no cree una burbuja que pueda conducir a una gran reacción.
¿Cuáles son las limitaciones que nos impedirán tener robots humanoides que realicen cirugía o sirvan como mayordomos personales en el futuro cercano? ¿Con qué realmente luchan?
El grande es la destreza, la capacidad de manipular objetos. Cosas como poder recoger una copa de vino o cambiar una bombilla. Ningún robot puede hacer eso.
Es una paradoja, lo llamamos la paradoja de Moravec, porque los humanos lo hacen sin esfuerzo, por lo que creemos que los robots también deberían poder hacerlo. Los sistemas de IA pueden jugar juegos complejos como el ajedrez y ser mejor que los humanos, por lo que es comprensible que la gente piense: “Bueno, ¿por qué no pueden simplemente recoger un vaso?” Parece mucho más fácil que jugar Go. Pero el hecho es que recoger un vaso requiere que tenga una muy buena percepción de dónde está el vidrio en el espacio, mueva la punta de los dedos a esa ubicación exacta y cierre la punta de los dedos de manera apropiada alrededor del objeto. Resulta que todavía es extremadamente difícil.
En Tu nuevo papelDiscuta lo que llama la “brecha de datos” de 100,000 años. ¿Cuál es la brecha de datos y cómo contribuye a esta disparidad entre las habilidades lingüísticas de los chatbots de IA y la destreza del mundo real de los robots humanoides?
Para calcular esta brecha de datos, observé cuántos datos de texto existe en Internet y calculé cuánto tiempo le tomaría a un humano sentarse y leerlo todo. Descubrí que tomaría unos 100,000 años. Esa es la cantidad de texto utilizado para entrenar LLM.
No tenemos cerca de esa cantidad de datos para entrenar robots, y 100,000 años es solo la cantidad de texto que tenemos para entrenar modelos de idiomas. Creemos que entrenar robots es mucho más complejo, por lo que necesitaremos muchos más datos.
Algunas personas piensan que podemos obtener los datos de los videos de humanos, por ejemplo, de YouTube, pero mirar imágenes de humanos que hacen cosas no le dice los movimientos detallados reales que los humanos están realizando, e ir de 2D a 3D generalmente es muy difícil. Entonces eso no lo resuelve.
Otro enfoque es crear datos ejecutando simulaciones de movimientos de robots, y eso en realidad funciona bastante bien para los robots que ejecutan y realizan acrobacias. Puede generar muchos datos haciendo que los robots en simulación dan vueltas retroceso y, en algunos casos, eso se transfiere a robots reales.
Pero para la destreza, donde el robot realmente está haciendo algo útil, como las tareas de un trabajador de la construcción, plomero, electricista, trabajador de la cocina o alguien en una fábrica que hace cosas con sus manos, eso ha sido muy difícil de alcanzar, y la simulación no parece funcionar.
Actualmente, la gente ha estado haciendo esto llamado teleperación, donde los humanos operan un robot como un títere para que pueda realizar tareas. Hay almacenes en China y en los Estados Unidos donde se les paga a los humanos por hacer esto, pero es muy tedioso. Y cada ocho horas de trabajo le brinda solo ocho horas más de datos. Tomará mucho tiempo llegar a 100,000 años.
¿Los robotistas creen que es posible avanzar en el campo sin crear primero todos estos datos?
Creo que la robótica está experimentando un cambio de paradigma, que es cuando la ciencia hace un gran cambio, como pasar de la física a la física cuántica, y el cambio es tan masivo que el campo se divide en dos campamentos, y lo luchan durante años. Y estamos en medio de ese tipo de debate en robótica.
La mayoría de los robotistas todavía creen en lo que yo llamo buena ingeniería antigua, que es casi todo lo que enseñamos en la escuela de ingeniería: física, matemáticas y modelos del medio ambiente.
Pero hay un nuevo dogma que afirma que los robots no necesitan ninguna de esas herramientas y métodos antiguos. Dicen que los datos son todo lo que necesitamos para llevarnos a robots humanoides completamente funcionales.
Esta nueva ola es muy inspiradora. Hay mucho dinero detrás de esto y muchos estudiantes de generación más joven y miembros de la facultad están en este nuevo campamento. La mayoría de los periódicos, Elon Musk, Jensen Huang y muchos inversores se venden por completo en la nueva ola, pero en el campo de la investigación hay un debate furioso Entre los enfoques antiguos y nuevos para construir robots.
¿Qué ves como el camino a seguir?
He estado abogando por que la ingeniería, las matemáticas y las ciencias sigan siendo importantes porque nos permiten hacer que estos robots funcionen funcionales para que puedan recopilar los datos que necesitamos.
Esta es una forma de arrancar el proceso de recopilación de datos. Por ejemplo, podría obtener un robot para realizar una tarea lo suficientemente bien como para que las personas la compren y luego recopile datos mientras funciona.
WaymoLa compañía de autos autónomo de Google está haciendo eso. Están recopilando datos todos los días de autos robot reales y sus autos están mejorando cada vez más con el tiempo.
Esa es también la historia detrás Robótica de Ambilo que hace que los robots clasifiquen los paquetes. Mientras trabajan en almacenes reales, recopilan datos y mejoran con el tiempo.
En el pasado, tenía mucho miedo de que la automatización robótica robara trabajos de fábrica de cuello azul, y hemos visto que eso sucede en cierta medida. Pero con el aumento de los chatbots, ahora la discusión ha cambiado a la posibilidad de que los LLM se hagan cargo de trabajos de cuello blanco y profesiones creativas. ¿Cómo crees que la IA y los robots afectarán los trabajos disponibles en el futuro?
En mi opinión, como robotista, los trabajos de cuello azul, los oficios, son muy seguros. No creo que vamos a ver a los robots haciendo esos trabajos durante mucho tiempo.
Pero hay ciertos trabajos, aquellos que implican completar rutinariamente formularios, como la ingesta en un hospital, que estarán más automatizados.
Un ejemplo que es muy sutil es el servicio al cliente. Cuando tiene un problema, como su vuelo se canceló y llame a la aerolínea y un robot respuestas, simplemente se siente más frustrado. Muchas compañías quieren reemplazar los trabajos de servicio al cliente con robots, pero lo único que una computadora no puede decirle es: “Sé cómo te sientes”.
Otro ejemplo son los radiólogos. Algunos afirman que la IA puede leer rayos X mejor que los médicos humanos. Pero, ¿quieres un robot que te informe que tienes cáncer?
El temor de que los robots se vuelvan locos y roben nuestros trabajos durante siglos, pero estoy seguro de que los humanos tienen muchos buenos años por delante, y la mayoría de los investigadores están de acuerdo.
Más información: Ken Goldberg, la buena ingeniería antigua puede cerrar la “brecha de datos” de 100,000 años en robótica, Science Robotics (2025). Doi: 10.1126/scirobotics.aea7390
Nancy M. Amato et al, “Los datos resolverán la robótica y la automatización: ¿verdadero o falso?”: Un debate, Science Robotics (2025). Doi: 10.1126/scirobotics.aea7897
Proporcionado por la Universidad de California – Berkeley
Cita: La “brecha de datos de 100,000 años”: el investigador explica por qué los robots se retrasan detrás de AI Chatbots (2025, 27 de agosto) recuperado el 27 de agosto de 2025 de https://techxplore.com/news/2025-08-año-gobots-lag-ai.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
