Un robot quirúrgico que aprende a navegar un vaso sanguíneo sin haber tocado uno real. Un brazo industrial que ensaya una inserción delicada miles de veces sin desgastar una sola pieza. Esa promesa, que durante años sonó a ciencia ficción, es el centro de la estrategia que Nvidia acaba de consolidar con dos movimientos que se complementan: la publicación de Cosmos-Predict2.5, su nueva familia de modelos fundacionales para simular el mundo físico, y la integración con el fabricante japonés FANUC para sincronizar gemelos digitales con robots reales en plantas industriales.
La idea de fondo es simple y profunda a la vez. Los robots que solo aprenden de texto o imágenes no entienden lo que significa aplicar fuerza, sentir resistencia o enfrentarse a un imprevisto físico. Nvidia llama a esto "IA física" (Physical AI): sistemas que necesitan experiencia corporal, no solo datos simbólicos. Y esa experiencia, en el mundo real, es escasa, lenta y cara de obtener. Un catéter que se engancha en una pared calcificada o un tornillo que no entra derecho pueden ser eventos raros en un quirófano o una línea de montaje, pero un simulador bien construido puede generarlos bajo demanda.
Cómo se fabrica la experiencia virtual
Cosmos-Predict2.5, presentado por el equipo de Nvidia en un paper publicado en arXiv, unifica en un solo modelo la capacidad de generar mundos a partir de texto, imágenes o video. Entrenado con 200 millones de clips seleccionados de un universo inicial de más de 6 mil millones, el modelo aplica un filtrado riguroso que descarta el 96% del material bruto. Solo el 4% sobrevive para formar el conjunto de entrenamiento: escenas de conducción, manipulación de objetos, dinámicas humanas y fenómenos físicos.
Para que el salto del mundo virtual al real sea creíble, Nvidia también lanzó Cosmos-Transfer2.5, una versión especializada para traducir escenarios simulados a imágenes realistas. Según el paper, este nuevo modelo es 3,5 veces más pequeño que su predecesor, pero genera video de mayor fidelidad y consistencia en horizontes largos. La llave está en un proceso que combina simulación clásica —las leyes mecánicas ya conocidas— con modelos generativos de video que aprenden cómo se comporta visualmente una escena cuando algo se mueve dentro de ella.
El puente hacia las fábricas
En paralelo, Nvidia y FANUC mostraron en mayo de 2026 cómo esa simulación se engancha con robots que realmente trabajan. La integración entre Isaac Sim y el software ROBOGUIDE de FANUC permite que los movimientos que un robot ejecuta en un gemelo digital sean idénticos a los que hará en la línea de producción. La compañía japonesa afirma que esta sincronización elimina una de las barreras históricas para la adopción masiva de robots: las inconsistencias entre lo que se programa en un entorno virtual y lo que realmente ocurre en el piso de fábrica.
El sistema admite aprendizaje por refuerzo y por imitación. Un robot de doble brazo presentado por FANUC, por ejemplo, aprende a doblar camisetas observando demostraciones humanas y entrenándose en el simulador antes de tocar una prenda real. "La manipulación de objetos flexibles representa un reto considerable para la robótica", señaló FANUC, y la combinación de su control de movimiento con el modelo GR00T N de Nvidia permite movimientos más fluidos que los de sistemas anteriores.
Lo que esto significa para América Latina
Para una región donde la automatización industrial avanza a ritmo desigual, el costo de implementación sigue siendo el principal freno. Según datos del Banco Interamericano de Desarrollo, menos del 30% de las pymes manufactureras en América Latina han incorporado robots en sus líneas de producción. La posibilidad de validar, ajustar y entrenar robots en un entorno simulado antes de comprar el hardware o detener una línea real reduce el riesgo financiero de manera significativa.
Empresas chilenas de minería y firmas brasileñas de automoción ya experimentan con gemelos digitales para planificar mantenimientos o simular entornos peligrosos, pero hasta ahora esas simulaciones solían estar desconectadas de los algoritmos de control reales. La propuesta de Nvidia y FANUC cierra esa brecha: lo que se programa en el simulador se ejecuta sin ajustes en el robot físico. Para un fabricante en México o Colombia, eso significa menos tiempo de ingeniería, menos piezas de desgaste en pruebas y menos paradas de planta.
La otra pata, la simulación de escenarios médicos con Cosmos-Predict2.5, abre preguntas regulatorias que los países latinoamericanos apenas empiezan a considerar. Si un robot quirúrgico se entrena en un simulador virtual, ¿quién certifica que ese entrenamiento es suficiente? La respuesta no está clara, pero la tecnología avanza más rápido que las normas. Quien tome la decisión de adoptarla necesitará también sentarse a la mesa donde se discuten esos estándares.
Nvidia publicó el código fuente y los pesos de Cosmos-Predict2.5 bajo una licencia abierta. Eso significa que cualquier equipo de investigación o startup en la región puede descargar los modelos, afinarlos con datos locales y empezar a simular. El verdadero desafío ya no es técnico: es saber si las empresas están dispuestas a confiar en lo que aprenden los robots antes de que estos toquen algo real.
