Ingenieros de UC Berkeley entrenan IA para diseñar robots transformadores automáticamente
Investigadores han desarrollado un marco de IA para optimizar el diseño de robots modulares que cambian de forma. El sistema puede crear automáticamente máquinas capaces, por ejemplo, de cambiar la forma de un casco o desplazarse a cuatro patas.
'Metatransformers' de Berkeley: Por qué el arquitecto de IA que diseña robots es más importante que el propio robot
[La Esencia]: Lo que realmente está sucediendo
El 11 de mayo de 2026, un equipo liderado por la profesora Linin Yao de la Universidad de California, Berkeley (con participación de Carnegie Mellon y Georgia Tech) publicó un marco para el diseño automático de robots 'metatransformer'.
Los medios escriben sobre 'robots que cambian de forma como pulpos'. Los titulares gritan sobre una IA milagrosa que diseña robots por sí misma. Esto es cierto, pero solo la punta del iceberg.
Esto es lo que realmente está sucediendo: los investigadores resolvieron la maldición de la dimensionalidad en el diseño de robótica modular. Resolvieron un problema que ha plagado este campo durante décadas: el crecimiento exponencial en la complejidad de control con cada elemento móvil añadido.
Los robots hechos de metatrusses (armaduras metálicas con cientos de vigas y uniones rotatorias) pueden teóricamente adoptar cualquier forma: comprimirse como un acordeón, transformarse de un cuadrúpedo a una forma serpentina, cambiar los contornos de un casco para adaptarse a la cabeza del usuario. Pero el control práctico es una pesadilla. Si tienes 200 uniones, cada una con varias posiciones, el espacio de estados combinatorio explota a números astronómicos.
El enfoque habitual es agrupar manualmente los actuadores en redes controlables. Como dice la profesora Yao, esto es 'tedioso y requiere mucho trabajo'. El equipo de Berkeley simplemente dijo: 'Olvídalo. La IA encontrará la agrupación óptima por sí misma'. Y lo hizo.
Cronología y Contexto
Para entender por qué este evento de mayo de 2026 no es ordinario sino tectónico, debemos mirar el trabajo previo de Berkeley en robótica:
- Marzo 2025: Sergey Levine (el renombrado profesor de Berkeley, cofundador de Physical Intelligence) da una conferencia en la Universidad de Toronto sobre 'modelos fundacionales para robots', donde el principal problema es la recopilación de datos. Sin datos, no hay aprendizaje; sin aprendizaje, no hay autonomía.
- Enero 2026: Berkeley publica la disertación de Fanchen Liu sobre aprendizaje robótico escalable, presentando los sistemas MOKA y OTTER, que intentan conectar modelos de lenguaje con control.
- Febrero 2026: NVIDIA Research, junto con Berkeley, publica trabajo sobre 'modelos del mundo' para robots: enseñar a la IA a predecir la física a través de video.
- Abril 2026: Shankar Sastry (otro pilar de Berkeley) da una charla sobre 'sistemas autónomos confiables', recordando la paradoja de Moravec: 'programar un robot humanoide para abrir una puerta desconocida es una de las tareas de ingeniería más difíciles'.
- 11 de mayo de 2026: Y aquí está: un sistema funcional que no enseña a un robot una sola tarea, sino que diseña el robot mismo para la tarea.
Detalle clave: el trabajo se realiza en la intersección de la ingeniería mecánica y la informática. No es 'solo otro algoritmo de control', sino una solución sistémica de fabricantes de hardware cansados de luchar con controladores.
Quién Gana y Quién Pierde
Ganadores:
- DARPA y contratistas militares (Lockheed Martin, Raytheon). Un robot que cambia de forma según la tarea es un sueño de reconocimiento táctico: arrastrarse por una tubería como un gusano, salir como una araña, levantar una carga y transformarse en una grúa. El marco de IA de Berkeley permite diseñar tales robots sin miles de millones de horas-hombre de depuración.
- Agencias espaciales (NASA, ESA, SpaceX). Lanzar a órbita requiere peso mínimo. Una armadura de cien actuadores puede empaquetarse en un solo cubo, luego desplegarse para ensamblar una antena o reparar un satélite. El diseñador de IA optimiza no solo la forma sino también el número de 'cerebros' (controladores).
- Robótica médica. El prototipo de 'tentáculo' hecho por el equipo podría convertirse en la base para futuros endoscopios que decidan cómo doblarse mejor a través de los intestinos.
- El propio equipo de Berkeley (Yao y coautores). Esto es un premio asegurado al mejor artículo en cualquier conferencia top de robótica (ICRA, RSS 2026) y millones en subvenciones para los próximos 5 años.
Perdedores:
- Empresas que venden 'herramientas para diseño manual de robots' (SolidWorks con plugins, MSC Adams). El trabajo manual de agrupar actuadores, que actualmente cuesta miles de dólares en tiempo de ingeniería, se automatiza. Los complementos para 'optimización dinámica' se vuelven innecesarios.
- Todas las startups que construyen robots estacionarios y no cambiantes de forma para nichos estrechos. Supongamos que tu robot solo puede arrastrarse por tuberías. Un robot de Berkeley cargado en la misma API podría arrastrarse, caminar y agarrar. Tu nicho desaparecerá tan pronto como la tecnología se vuelva lo suficientemente barata para uso comercial.
Lo Que los Medios No Están Diciendo
Perspectiva #1: Esto no es un 'constructor universal de robots', sino un 'Precio Fijo de Red Neuronal'.
El sistema no solo genera un diseño. Optimiza simultáneamente dos capas: geometría (dónde van qué vigas) y controlabilidad (cuántos controladores se necesitan). Los investigadores encontraron un 'punto óptimo': aumentar el número de redes de control produce ganancias de rendimiento solo hasta cierto umbral, después del cual aparecen rendimientos decrecientes.
¿Qué significa esto en la práctica? Los diseñadores ya no tienen que pensar: 'Pondré 50 micromotores para más precisión'. El sistema mismo dirá: 'Para la tarea de "convertirse en casco y comprimir la cabeza", necesitas 4 grupos de control. Los otros 46 motores serán solo peso muerto'. Esto es automático luchar contra la complejidad excesiva—la principal enfermedad de la robótica moderna.
Perspectiva #2: ¿Dónde está la conexión con Physical Intelligence (PI)?
Sergey Levine, que también trabaja en Berkeley, es cofundador de Physical Intelligence—una startup que construye un modelo fundacional para cualquier robot. Su tesis: 'Un cerebro para todos los cuerpos'. El trabajo de Linin Yao proporciona una herramienta para crear cuerpos óptimos para tareas específicas. Si se combinan, obtenemos un sistema que diseña tanto el cuerpo (metatruss) como el cerebro (política de PI) desde cero. Esencialmente—una fábrica de robots desde cero.
¿Por qué los medios guardan silencio sobre esta sinergia? Porque requiere entender el funcionamiento interno de Berkeley. Es como tener al inventor del motor de combustión interna y al inventor de la rueda en la misma universidad. Pero ellos escriben comunicados de prensa por separado.
Perspectiva #3: La paradoja de Moravec ataca de nuevo—y aquí se evita.
Shankar Sastry en abril de 2026 recordó que 'el 40% de la corteza cerebral humana está dedicada solo a manos y cara'. Controlar la forma es incluso más difícil que controlar una mano. Pero el equipo de Yao encontró una solución alternativa: no controlan cada unión individualmente en tiempo real. Controlan macro-estados (la red de actuadores A habilita el modo 'caminar', la red B habilita el modo 'agarrar'). Esto es genio de ingeniería: en lugar de enseñar a un robot miles de micromovimientos, incrustaron un 'cambiador de marchas' directamente en la arquitectura de red neuronal que diseña el robot.
Pronóstico: Próximos 30 Días y 90 Días
Próximos 30 días (junio de 2026):
- El repositorio de código del marco se abrirá en GitHub (tradición de Berkeley—código abierto). Equipos de China y Alemania copiarán la idea para sus nodos 22FDX y FPGA en un mes.
- Linin Yao será invitada a dar una charla plenaria en la IEEE International Conference on Robotics and Automation (ICRA 2027), pero probablemente hablará en RSS 2026 en julio.
Próximos 90 días (agosto de 2026):
- Boston Dynamics hará una declaración comedida de que 'ya usan métodos similares para Atlas', pero en realidad—no. Su hidráulica es demasiado inerte para metatransformers. Buscarán urgentemente socios entre fabricantes de actuadores eléctricos.
- NVIDIA lanzará un simulador para metatransformers basado en Omniverse con soporte para este marco. Ya trabajan con Berkeley en 'modelos del mundo', por lo que la integración será fluida.
- El primer escándalo comercial surgirá: alguna startup afirmará haber hecho un 'airbag inteligente' que cambia de forma en el impacto—en realidad solo copiando el prototipo de casco del artículo de Berkeley. Y será legal porque patentar algoritmos de optimización es difícil.
Riesgo principal: escalabilidad. El artículo trabajó con cientos de vigas. ¿Y si hay miles? ¿O decenas de miles? La complejidad aún crece, aunque más lentamente. En algún punto, encontrar la agrupación óptima de controladores se convierte en un problema NP-difícil incluso para la IA, y el marco chocará con un muro de complejidad computacional. Pero para el 90% de las tareas prácticas (cascos, extremidades de robots de rescate, manipuladores modulares), esto es suficiente.
Conclusión: Los investigadores de Berkeley no solo hicieron un 'robot transformador'. Hicieron un 'AutoCAD para la física'. Automatizaron la parte de la ingeniería que se consideraba 'no automatizable'—el sentido intuitivo de cuántos actuadores poner y dónde. Como resultado, diseñar robots que cambian de forma se transforma de un arte de élite en un procedimiento rutinario: subir requisitos, ejecutar IA, obtener planos. En 5 años, los metatransformers no estarán en laboratorios sino en kits infantiles: 'Construye tu propio robot, y la red neuronal le enseñará a convertirse en coche o avión'. Adiós, Lego Mindstorms; hola, Metatruss AI.
— Editorial Team
Aún no hay comentarios.