Nos han prometido el “momento iPhone” de la robótica tantas veces que ya se ha convertido en el chiste recurrente de la industria. Sin embargo, de vez en cuando aparece algo que obliga incluso a los más escépticos a dejar de mirar el café y prestar atención. Esta vez, los protagonistas son un robot, una espátula y un pancake. Skild AI, la startup absurdamente bien financiada que ya supera los 14.000 millones de dólares de valoración, acaba de presentar S1: un modelo fundacional capaz de aprender una tarea compleja de 10 minutos con solo ver un vídeo. Sin ajustes finos, sin meses de recolección de datos y sin un ejército de teleoperadores. Solo mirar y ejecutar.
La primera vez que su robot dio la vuelta a un pancake a la perfección, el equipo de Skild hizo lo que cualquier ingeniero que se precie haría: asumieron que era un error del sistema. Pasaron dos días rastreando su base de datos de entrenamiento de un millón de horas, convencidos de que algún dato perdido sobre desayunos se había colado en el sistema. No encontraron nada. El robot había generalizado, deduciendo la tarea de “dar la vuelta” (completamente fuera de su distribución de datos) a partir de un solo vídeo. No era simple imitación; era un chispazo de sentido común físico.
El fin de la tiranía del “fine-tuning”
Durante años, poner a un robot a realizar una tarea nueva ha sido un ejercicio agotador de recolección de datos y ajuste fino (fine-tuning). Una empresa podía invertir entre 50 y 100 horas capturando datos y retocando un modelo solo para que aprendiera a hacer un trabajo nuevo con fiabilidad. Este es el cuello de botella costoso y lento que ha mantenido a los robots de propósito general encerrados en laboratorios de investigación. El S1 de Skild propone una alternativa radical basada en el mismo principio que convirtió a ChatGPT en un fenómeno global: el aprendizaje en contexto (in-context learning).
En lugar de reentrenar laboriosamente un modelo, simplemente se le muestra un ejemplo en su “ventana de contexto”. Para un modelo de lenguaje, eso es un texto; para el S1, es un vídeo egocéntrico de un humano realizando la tarea. El modelo ha sido preentrenado con una dieta masiva de vídeos de internet, simulaciones y datos de teleoperación real, lo que le permite construir una comprensión generalizada de la interacción física. A partir de ahí, una sola demostración basta para desbloquear una nueva habilidad, ya sea plantar una maceta, montar un kit de higiene o preparar un café de especialidad.
“Este concepto se llama aprendizaje en contexto, y es lo que definió el salto de proyectos de investigación como GPT-1 y GPT-2 a productos revolucionarios como ChatGPT”, afirmó la empresa en su vídeo de presentación. “Colocas una demostración en la ventana de contexto… y el modelo emite las acciones robóticas para completar la tarea”.
Este enfoque no solo funciona, sino que barre por completo al método tradicional. En tareas que el modelo ya conoce, el S1 rinde al nivel de los modelos clásicos de Visión-Lenguaje-Acción (VLA). Pero cuando se enfrenta a tareas inéditas, la diferencia es abismal.
Las leyes de escala de la inteligencia física
La verdadera magia ocurre con la escala. Skild ha publicado un gráfico que debería estar colgado en la pared de todos los laboratorios de robótica del mundo. Muestra que, a medida que aumentan los datos de preentrenamiento, la capacidad del S1 para resolver tareas nuevas mediante aprendizaje en contexto se dispara, mientras que los modelos VLA basados en instrucciones de voz muestran rendimientos decrecientes.
Tras 100.000 horas de preentrenamiento, el S1 alcanza una tasa de éxito del 66% en tareas totalmente nuevas. ¿El modelo VLA basado en lenguaje? Un pobre 9%. No estamos ante una mejora incremental; es un cambio de fase. Esto sugiere que, al igual que ocurre con los grandes modelos de lenguaje, existen leyes de escala predecibles para la robótica. Si inyectas suficientes datos, emergen capacidades completamente nuevas. El modelo no solo se vuelve mejor; se vuelve más inteligente.
Y no es una inteligencia frágil. Skild ha demostrado cómo el S1 se adapta a perturbaciones, improvisa tras cometer un error e incluso corrige fallos cometidos por el humano en el vídeo de demostración. Puede gestionar objetos que han sido movidos o cambiados, lo que sugiere una comprensión robusta que va mucho más allá de la simple repetición de una trayectoria.
Del laboratorio a la realidad industrial
Si esto fuera solo otro proyecto universitario, sería interesante. Pero Skild AI es un titán comercial respaldado por nombres como SoftBank, NVIDIA y Bezos Expeditions (de Jeff Bezos), con una valoración de 14.000 millones de dólares y unos ingresos reportados de 30 millones de dólares generados en apenas unos meses el año pasado. Esto no es una demo técnica; es el anuncio de un producto de una empresa que ya tiene alianzas con fabricantes de equipos originales (OEM) y cientos de robots desplegados sobre el terreno.
Este es el siguiente paso lógico en su misión de construir un Translation not available (es) universal. Ya los hemos visto enseñar a robots a Translation not available (es) anteriormente, pero el S1 representa un giro fundamental en el paradigma de despliegue. El objetivo es cambiar la economía de la automatización, haciéndola accesible para pequeñas empresas, hospitales o supermercados; organizaciones que no pueden permitirse tener a un doctor en robótica en nómina para reentrenar sus máquinas.
Por supuesto, hay matices. Los resultados son internos y Skild aún no ha publicado un artículo técnico detallado, una API o los pesos del modelo. Pero los vídeos son contundentes y el impulso empresarial es innegable. La era de “un robot, una tarea” podría estar llegando a su fin. Con el S1, Skild sostiene que el futuro de la robótica no consiste en programar, sino en enseñar. Y todo empezó con un pancake.