IA y robótica: el puente entre ingeniería clásica y modelos generativos

Durante décadas, la robótica industrial se apoyó en ecuaciones y controladores que permitían predecir cada movimiento. Los nuevos modelos de lenguaje visual (VLM, por sus siglas en inglés) prometen flexibilidad, pero a menudo se perciben como una ruptura con esa tradición. Ken Goldberg, roboticista, artista y miembro electo de la US National Academy of Engineering, propone en su plenaria de ICRA una síntesis: no se trata de elegir entre el método clásico y el aprendizaje automático, sino de combinar la interpretabilidad de uno con la potencia perceptual del otro.

La tensión que describe Goldberg tiene un correlato directo en las empresas latinoamericanas. En la región, donde los equipos de automatización suelen ser pequeños y los datos históricos escasos, depender únicamente de modelos con millones de parámetros puede resultar inviable. Un modelo basado en ecuaciones permite generalizar a nuevas condiciones sin necesidad de recolectar más información: si un brazo robótico funciona en un punto del espacio, las matemáticas garantizan que se comporte de manera equivalente en otro punto transformado. Esa propiedad, que Goldberg llama generalizabilidad, es invaluable en plantas que cambian de producto constantemente.

La ventaja de los métodos clásicos es la interpretabilidad: se entiende qué está ocurriendo en cada paso. Eso reduce el tiempo de depuración y facilita el cumplimiento de normas de seguridad, aún más estrictas en sectores regulados como alimentos o minería. Los VLM, por su parte, aportan el reconocimiento de objetos no estructurados y la adaptación a entornos variables, algo que las fórmulas tradicionales difícilmente logran.

Goldberg experimenta con esta hibridación en sus proyectos artísticos. Su obra The Mercury Project, de 1994, permitió a dos millones y medio de usuarios manipular un robot a través de la web, una de las primeras demostraciones de control remoto interactivo. Esa mezcla de estética e ingeniería no es un detalle biográfico: muestra cómo la incertidumbre del mundo real puede abordarse con herramientas predictivas sin perder el factor humano.

Para América Latina, la lección es práctica. Las pymes de manufactura pueden implementar sistemas de visión artificial con modelos generativos entrenados sobre un pequeño conjunto de imágenes, siempre y cuando cuenten con un controlador clásico que garantice la estabilidad. El costo de entrada se reduce porque no se necesita una infraestructura de datos enorme. Además, los técnicos están más familiarizados con los métodos determinísticos, lo que facilita la transferencia de conocimiento.

La invitación de Goldberg es revisar el dogma que separa a las nuevas generaciones de los ingenieros veteranos. En lugar de descartar el trabajo de las últimas cinco décadas, se trata de construir una capa de inteligencia sobre una base confiable. Para una región que recién empieza a adoptar robótica en la industria, ese enfoque puede ser la diferencia entre un proyecto piloto que muere en el laboratorio y una solución que se sostiene en la planta.

Los modelos generativos no reemplazarán a los controladores tradicionales; los complementarán. Las empresas que entiendan esa simbiosis podrán automatizar procesos con menor riesgo y mayor agilidad, incluso sin grandes centros de datos. La próxima ola de automatización en América Latina no dependerá de la última arquitectura de IA, sino de saber cuándo usar una ecuación y cuándo dejar que el modelo aprenda de los ejemplos.