Mientras navegaba por las redes sociales en casa este fin de semana, un video me impresionó.
Un robot conduciendo un kart a toda velocidad en la pista, tomando curvas, acelerando y girando el volante, todo en una sola toma.
¡No me imaginaba que nuestros robots ya pudieran lucir sus habilidades en la pista de karts!
¿Espera?
¡Esto no se parece en nada a lo que vi en el WRC!
En las ferias, los robots corrían y había chispas y rayos, pero ¿cuándo se inscribió el robot del video a un curso de conducción deportiva a escondidas de los humanos?
Era todo un conductor experimentado, tomando curvas a alta velocidad, esquivando obstáculos con agilidad, completando una vuelta de un tirón.
Comparado con aquellos demos de robots caminando lentamente o agachándose para coger cosas, el robot de este video realmente se sentó solo en el vehículo, sincronizando manos, ojos y pies, logrando el equilibrio con múltiples puntos de contacto y un control de fuerza preciso a toda velocidad.
Esta capacidad de un humanoide bípedo para coordinar ojos, manos, pies y todo el cuerpo, realizando operaciones detalladas bajo cambios posturales complejos y movimiento de alta velocidad, casi no se había visto en demostraciones anteriores de humanoides.
El video fue publicado por una empresa llamada Symbiotic Cognition.
Lo que hace Symbiotic Cognition es el «cerebro» integral de percepción y control de extremo a extremo para humanoides bípedos, es decir, el modelo base.
El fundador, Ding Pengxiang, nació en 1996. El resto del equipo central son todos nacidos después del año 2000, están todos cursando doctorados y la empresa se fundó hace apenas dos meses.
Sobre este demo que parece un poco «fuera de lugar», Ding Pengxiang lo explica así:
Espero que los robots se parezcan más a las personas, no que solo realicen funciones de servicio muy mecánicas. Por ejemplo, si las personas pueden conducir karts, los robots también deberían poder hacerlo.
Surge entonces una pregunta: ¿por qué un grupo de jóvenes que ni siquiera tienen su título universitario se atreven a abordar la ruta más difícil y avanzada de la inteligencia encarnada?
Apostar por el camino más difícil: antes investigaban la arquitectura en capas, ahora desafían el enfoque de extremo a extremo
¿Qué tan nuevo es el campo de los modelos de extremo a extremo para humanoides bípedos?
Tan nuevo que no se encuentran talentos disponibles en el mercado.
Según Ding Pengxiang, esta dirección apenas se ha puesto de moda en los últimos dos años. Las personas que entienden la tecnología aún están haciendo sus doctorados, por lo que prácticamente no pueden encontrar en el mercado laboral a alguien que cumpla con los requisitos.
Los que se graduaron hace muchos años no están al día, y los que no han llegado al doctorado carecen de una comprensión profunda de los fundamentos. Los avances más vanguardistas están en manos de este grupo de doctorandos de élite.
El equipo de Symbiotic Cognition está formado precisamente por personas jóvenes y vanguardistas.
Han obtenido los honores académicos más prestigiosos en el campo de la inteligencia encarnada en China: dos premios Best Paper, y uno fue seleccionado como Best Paper Candidate; también han creado el primer modelo base de inteligencia encarnada en China que superó los 2K estrellas en GitHub.
Lo más importante es que no son seguidores que llegaron con la moda, sino una de las primeras empresas en China en explorar modelos base encarnados, y también los defensores más firmes a largo plazo en este campo. El equipo ha publicado en total más de 40 artículos en conferencias de primer nivel, y su mapa tecnológico cubre toda la pila: percepción, toma de decisiones, control, datos y sistemas; desde sistemas duales y ligereza hasta múltiples configuraciones, una serie de trabajos pioneros en la industria han salido de este joven equipo.
Su juicio es claro: la forma final y más extendida en que los robots entrarán en la vida humana es la bípeda;
Siguiendo la trayectoria evolutiva de la conducción autónoma y los grandes modelos lingüísticos, el enfoque de extremo a extremo es el modo técnico más eficiente.
Este juicio proviene de su experiencia en investigación de primera línea.
Ya en diciembre de 2023, Ding Pengxiang comenzó a instalar un «cerebro» a un robot cuadrúpedo.
Como primer autor, publicó QUAR-VLA, el primer paradigma de tareas VLA para robots cuadrúpedos, donde el modelo de alto nivel (cerebro) se encarga de comprender la visión, el lenguaje y la intención de la tarea, y luego delega la ejecución de la decisión al sistema de movimiento de bajo nivel (cerebelo).
Este enfoque de «el cerebro gestiona la decisión, el cerebelo gestiona la ejecución del movimiento», es decir, la arquitectura en capas, es el esquema que aún utilizan hoy empresas como Figure.
En investigaciones posteriores, gradualmente descubrió problemas.
Describe la arquitectura en capas como «un esquema teóricamente viable, pero no tan elegante»:
El cerebro y el cerebelo funcionan por separado; cada vez que se agrega una nueva tarea, es necesario ajustar personalmente la salida del nivel superior para obtener buenos resultados.
En un nivel más profundo, existe un defecto estructural inherente.
El cerebro y el cerebelo se entrenan por separado y luego se ensamblan durante la implementación; incluso si cada parte local mejora, no se garantiza un óptimo global;
Cada vez que se traduce entre las dos capas, se añade un error en cascada y una pérdida de información.
Ding Pengxiang juzga que «mientras haya capas, habrá un cuello de botella de información en el medio. Este diseño de interfaz determina que la arquitectura en capas no puede lograr una verdadera escalabilidad (Scaling)».
Este juicio también proviene de su observación a largo plazo del desarrollo de la conducción autónoma y los grandes modelos lingüísticos.
La conducción autónoma temprana dependía de la colaboración de múltiples módulos: percepción, predicción, planificación y control; luego comenzó a explorar cómo hacer que el modelo aprenda directamente de los datos la capacidad de conducir.
Después de que el FSD de Tesla adoptara el enfoque de extremo a extremo, su rendimiento mejoró significativamente.
En opinión de Ding Pengxiang, los robots podrían experimentar un cambio similar, haciendo que el modelo aprenda de los datos el proceso completo de «percepción—comprensión—acción».
Su lógica es: desde 2023 ya han explorado repetidamente la ruta de capas. Si se juzga que la futura escalabilidad de los datos finalmente impulsará el sistema hacia el extremo a extremo, no tiene sentido dar otro rodeo.
Este paso está ocurriendo en 2026.
Gemini Robotics 2 de Google ya utiliza una única política para unificar las acciones de todo el cuerpo, desde los pies hasta las yemas de los dedos, en un solo modelo;
Sin embargo, el consenso de la conferencia de primer nivel RSS 2026 establece claramente que un modelo único de extremo a extremo no puede cubrir la dinámica compleja de todo el cuerpo, y que la arquitectura modular en capas es el esquema de implementación óptimo en esta etapa.
La apuesta de Symbiotic Cognition por el extremo a extremo puro es un camino más radical y menos transitado.
¿Por qué específicamente bípedos? La respuesta de Ding Pengxiang es el primer principio: los edificios, herramientas y entornos de la sociedad humana están construidos según la configuración corporal humana.
Los robots con ruedas solo pueden trabajar fijos en líneas de producción o centros comerciales; los bípedos pueden salir, subir y bajar escaleras, conducir vehículos y realizar diferentes tareas en múltiples escenarios.
La versatilidad implica la reducción de costos, y los bípedos también tienen una sensación de afinidad antropomórfica.
El momento también es crucial. Antes de abril de 2026, ni siquiera existía un modelo genérico de teleoperación para humanoides bípedos; sin una fuente de datos, no se podía entrenar un modelo base.
No fue hasta que NVIDIA abrió el código de Sonic que la industria tuvo una base para la producción de datos a gran escala.
Esta dirección ya no se encuentra en la etapa inicial de «querer entrenar pero no tener datos», pero tampoco ha madurado lo suficiente como para que la ruta esté completamente definida. Symbiotic Cognition apuesta precisamente por esta ventana intermedia.
La línea divisoria técnica: otros aprenden cinemática, ellos se enfrentan a la dinámica
Primero, aclaremos una línea divisoria: la gran mayoría de los modelos base de robots actuales en realidad aprenden cinemática.
La cinemática se preocupa de ir del punto A al punto B, de a dónde se mueve la mano y si agarra o no. Para un brazo robótico de base fija esto funciona, porque no se cae.
Cuando un humanoide bípedo extiende la mano para alcanzar algo, su centro de gravedad cambia simultáneamente;
Al agacharse para tomar un objeto, la cintura debe inclinarse hacia adelante, y los tobillos y las piernas deben redistribuir la fuerza para mantener el equilibrio;
Añadiendo fricción, colisiones, inercia y contacto, el modelo ya se enfrenta a un conjunto de dinámicas de todo el cuerpo.
Según Ding Pengxiang, un humanoide bípedo g1 tiene 29 grados de libertad, mucho más complejo que los 7 grados de libertad de un brazo robótico.
Antes, los robots aprendían «trayectorias de movimiento»; los humanoides deben aprender «cómo se mueve el cuerpo en el mundo físico».
Pasar de la cinemática a la dinámica, de completar tareas a mantener la estabilidad, es la verdadera línea divisoria técnica para los modelos de humanoides bípedos.
Esto explica por qué Symbiotic Cognition lleva el modelo hasta el nivel de Joint Target, es decir, el nivel de objetivo articular.
En el esquema de capas, el cerebro primero produce objetivos cinemáticos, y luego el cerebelo de nivel inferior los calcula para convertirlos en acciones articulares;
Symbiotic Cognition elimina este paso intermedio, haciendo que el modelo se enfrente directamente al estado corporal de decenas de articulaciones.
Surge entonces la pregunta: ¿el robot podrá mantenerse en pie sin el cerebelo?
Solo con aprendizaje por imitación, el modelo solo aprende movimientos estándar; al no haber visto los diversos estados corporales inestables durante la ejecución, al encontrarse con un estado desconocido podría caerse directamente.
Le falta la capacidad de recuperar el equilibrio a partir del fracaso.
El núcleo de Symbiotic Cognition es un mecanismo de optimización cooperativa de doble dominio: «modelado del comportamiento de la tarea—destilación del conocimiento previo de movimiento».
Una vía de optimización continúa con la clonación del comportamiento, garantizando la precisión de la tarea y la capacidad de ajuste del movimiento; la otra, a través de DriftDistill, convierte la estabilidad, la resistencia a perturbaciones y la capacidad de recuperación ante fallos acumuladas por el controlador de bajo nivel, en un conocimiento previo de movimiento endógeno para el modelo unificado.
No se trata simplemente de sumar dos funciones de pérdida, sino de integrar dos tipos de capacidades—«completar la tarea con precisión» y «controlar el cuerpo con estabilidad»—en el mismo modelo, permitiendo que el gran modelo adquiera simultáneamente inteligencia para la tarea e inteligencia corporal.
Si DriftDistill puede seguir escalando con el modelo y la cantidad de datos, intenta resolver un problema aún mayor:
Además de la escalabilidad cognitiva, ¿puede el robot también escalar su capacidad de control de movimiento?
Ding Pengxiang denomina a este módulo de agrupación de capacidades de movimiento Motion Expert (Modelo Experto en Movimiento), que actualmente tiene un tamaño cercano a 1B y, a través de la destilación, absorbe continuamente las capacidades de diferentes modelos de control de movimiento.
Yendo un paso más allá, el gran modelo de extremo a extremo también debe resolver la salida de fuerza del robot.
Hoy, muchos sistemas robóticos controlan principalmente la posición, pero cuando el robot realmente entra en el mundo real, una posición correcta no equivale a completar la tarea.
La mano llega al pomo de un cajón, pero no sabe cuánta fuerza aplicar; la puerta sigue sin abrirse. Al pasarle algo a una persona, la posición está bien, pero si la fuerza es excesiva, tampoco es seguro.
La ruta técnica de Symbiotic Cognition es primero utilizar Force Expert como un experto en contacto seguro, haciendo que aprenda a aplicar fuerza, suavidad, impedancia y retroalimentación táctil, para luego integrarlo gradualmente, mediante destilación de políticas, en Motion Expert y finalmente en el modelo de extremo a extremo.
La posición determina si el robot puede «llegar allí»; la fuerza determina si realmente puede «hacer bien las cosas».
Esta es también la implicación del «Modelo Físico de Todo el Cuerpo» de Symbiotic Cognition: hacer que el modelo comprenda cómo el cuerpo es afectado por fuerzas, pierde el equilibrio, entra en contacto, y luego convertir directamente estas restricciones en acciones.
Datos, emergencia, y un cronograma realista
Al comenzar a entrenar el modelo de verdad, lo primero con lo que se topan es la escasez de datos.
A principios de 2026, los datos de robots conformes a nivel global ascendían a unas 500,000 horas, menos de 1/20,000 de los datos de los grandes modelos lingüísticos.
Lo incómodo es que muchos datos se recogen de operaciones estáticas, con el robot trabajando en un cubículo sin moverse, lo que ayuda poco a las operaciones de movimiento de todo el cuerpo.
El blog de Symbiotic Cognition publica alrededor de 10,000 horas de datos, de las cuales ellos mismos recogieron varios miles.
Lo que realmente escasea para los modelos de coordinación de todo el cuerpo son datos de operaciones de movimiento de cuerpo completo con acoplamiento fuerte de la vida real, como montar en bicicleta, conducir karts, inflar un balón de baloncesto, etc.
Su solución es TrajBooster: extraer la trayectoria del extremo de un brazo robótico o un robot con ruedas, hacer que el humanoide siga esta trayectoria en simulación manteniendo el equilibrio, unificar las acciones de diferentes fuentes en un mismo espacio, reutilizar la diversidad de tareas ya definida para brazos robóticos, y proporcionar datos de preentrenamiento a bajo coste.
Al hablar de la capacidad del modelo, Ding Pengxiang casi nunca usa la palabra «generalización».
En sus palabras, «esta palabra no tiene mucho contenido, es vacía como decir que alguien es bueno».
Lo que él busca es «emergencia»: a nivel del ángulo articular, por ejemplo, si el modelo se entrena con datos de caminar y saltar, que durante las pruebas combine por sí mismo la nueva habilidad de correr.
Porque solo a nivel articular es posible que algunas capacidades de movimiento se combinen para formar acciones completamente nuevas.
En cuanto al cronograma, su juicio es muy realista.
Infiere que con alrededor de cien mil horas de datos, se obtendrían principalmente demos a nivel de laboratorio; para tener un significado comercial realmente masivo, probablemente se necesiten más de un millón de horas.
Actualmente, ni siquiera la forma de datos más adecuada se ha consolidado en la industria; aún compiten rutas como electromiografía, exoesqueletos, captura de movimiento, teleoperación Pico, etc.
En su opinión, los tres problemas más difíciles actualmente para los humanoides son: primero, cómo deben combinarse exactamente la percepción y el control; segundo, qué tipo de datos se deben usar; y tercero, la escala de datos en sí.
Ding Pengxiang espera que algún día, la arquitectura de modelos de robots diseñada por equipos chinos también pueda ser ampliamente adoptada por sus homólogos en Norteamérica.
No queremos ser seguidores; queremos liderar el desarrollo tecnológico.
Volvamos al kart.
Quienes lo hicieron tomar curvas a toda velocidad fueron un grupo de jóvenes que aún no se han graduado.
Su apuesta es por la dirección más difícil y avanzada de la inteligencia encarnada.
Apuestan a que el enfoque de extremo a extremo finalmente reemplazará al de capas.
La industria aún está lejos de poder demostrar que se ha definido una ruta final; incluso el propio Ding Pengxiang admite que toda la industria de modelos base para bípedos aún no ha convergido realmente.
Pero la vanguardia de un equipo emprendedor a veces no reside precisamente en hacer una respuesta madura más rápido, sino en si puede ver antes que sus pares el siguiente problema realmente importante, y atreverse a intentar resolverlo cuando la respuesta aún no está clara.
Este artículo proviene del WeChat Official Account «量子位» (ID: QbitAI), autor: Qiao Buchi
