TL;DR:
- El robot Tiangong Ultra corrió 100 metros en 8.86 segundos el 25 de agosto de 2026 en Pekín, por debajo de los 9.58 de Usain Bolt, y frenó estrellándose contra un colchón.
- En manipulación, las cifras de acierto que publican las propias empresas van de 52% a 66%, y varias corresponden a tareas que un niño de ocho años resuelve sin pensar.
- Los cuellos de botella pendientes son manipulación, generalización, tareas largas, sobrecalentamiento y seguridad: el reporte que ordena estos datos calcula años y posiblemente décadas.
Un robot humanoide chino bajó de nueve segundos en los 100 metros el 25 de agosto de 2026 y, para detenerse, se estrelló contra un colchón colocado más allá de la meta. Al Jazeera, con material de Reuters, reportó que tras el impacto apareció un pequeño fuego en su torso y que en la otra semifinal otro robot se desarmó a mitad de carrera. Ese contraste entre la marca y el frenado ordena el reporte que Kai Williams publicó el 1 de septiembre de 2026 en Understanding AI, la publicación de Timothy B. Lee, tras meses de entrevistas con especialistas. Los récords atléticos caen rápido; el trabajo físico que sostiene un empleo, agarrar, doblar, abrir y pelar, se sigue midiendo en tasas de acierto que las propias empresas sitúan entre 52% y 66%. Cerrar esa distancia, escribe Williams, tomará años y posiblemente décadas.
Pelar una naranja resultó más difícil que dar una voltereta
La asimetría es vieja y tiene nombre. Physical Intelligence la explica como la paradoja de Moravec: lo que parece intelectualmente difícil, como el ajedrez o una olimpiada de matemáticas, sale barato para una máquina, y lo que cualquiera hace sin pensar, como sostener un vaso, sale carísimo. Bailar cae del lado fácil por una razón que el CEO de Bracket Bot, Brian Machado, resumió ante Understanding AI: el piso no reacciona. Una almohada, una bolsa de papas y un vaso de agua sí, y cada uno de forma distinta.
Theophile Gervet, presidente de la startup Genesis AI, le dijo a esa misma publicación que la manipulación es el problema sin resolver que libera más del 90% del valor en robótica. En septiembre de 2025, el roboticista Benjie Holson, que pasó por Google X y hoy trabaja en OpenAI, convirtió esa idea en un reto público con 15 tareas de manipulación. Tres consistían en abrir puertas. Otra, en preparar un sándwich de crema de cacahuate partiendo de un frasco cerrado. La más difícil para un humano era pelar una naranja.
Tres meses y medio después, el 22 de diciembre de 2025, Physical Intelligence anunció que había resuelto diez de esas tareas afinando su modelo basado en π0.6. El mismo blog incluye la tasa de acierto de esas políticas: 52% en promedio, con 72% de avance de tarea. Un modelo de comparación entrenado sin preentrenamiento robótico no completó ninguna y se quedó en 9% de avance. Voltear un calcetín al revés requirió unas ocho horas de datos, y Williams contabilizó 176 ejemplos exitosos para esa sola tarea. Según su reporte, el robot tardó entre cuatro y diez veces más que una persona en casi todas. La naranja terminó pelada con ayuda de una herramienta porque la pinza no alcanzaba, algo que la propia empresa marcó como violación de las reglas y descartó como éxito.
En enero de 2026 Holson publicó una segunda tanda: tender una cama, clavar un clavo, atrapar un huevo sin romperlo. Han pasado más de siete meses y nadie ha anunciado una solución a ninguna. Las dos tareas que él mismo etiquetó de horizonte largo, sacar la basura y freír un huevo, no pasan de cinco minutos.
Estas son las cifras que cada organización publicó sobre su propia demostración, con la fecha del anuncio.
| Sistema y fecha del anuncio | Qué hizo | Cifra publicada por su responsable |
|---|---|---|
| Tiangong Ultra, 25 de agosto de 2026 | 100 metros planos en los Juegos Mundiales de Robots Humanoides de Pekín | 8.86 s, por debajo de los 9.58 s de Usain Bolt; frenó contra un colchón y le apareció fuego en el torso |
| Physical Intelligence, 22 de diciembre de 2025 | Diez tareas caseras del reto de Benjie Holson, entre ellas usar una llave y limpiar una sartén grasosa | 52% de éxito promedio y 72% de avance de tarea |
| GEN-1.5 de Generalist, 19 de agosto de 2026 | Diez tareas cortas de manipulación aprendidas de una sola demostración de 3 a 12 segundos | 59% con esa demostración; 83% tras diez pasos de ajuste sobre cinco minutos de datos |
| S1 de Skild AI, 18 de agosto de 2026 | Cuatro tareas largas ausentes del entrenamiento, de hasta diez minutos, como preparar café de filtro | 66% con un solo video; alrededor de 96% en tareas que sí estaban en el entrenamiento |
Agosto trajo dos saltos en generalización, y las dos empresas pusieron el asterisco
Después de la manipulación viene la generalización. Entrenar un robot para una tarea concreta ya se sabe hacer, pero casi cualquier tarea que justifique ese esfuerzo ya está resuelta con automatización convencional. Williams lo vio en mayo en un almacén farmacéutico de Pekín, donde un robot de Galbot sacaba cajas de un estante para depositarlas en una rampa. Tardaba unos 40 segundos por pieza, y cada producto nuevo del inventario exigía volver a entrenarlo, aunque la empresa dice que ese reentrenamiento toma cinco minutos y que sus despliegues recientes van al doble de velocidad.
Dos anuncios de mediados de agosto movieron esa frontera. El 19, Generalist presentó GEN-1.5, capaz de aprender una tarea nueva viendo entre 3 y 12 segundos de demostración, sin entrenamiento adicional. Un día antes, Skild AI presentó S1, que a partir de un solo video ejecutó tareas de hasta diez minutos ausentes de su preentrenamiento, entre ellas preparar café de filtro y trasplantar una planta. Skild calcula que esa demostración única equivale a unos 380 ejemplos de teleoperación, entre 50 y 100 horas de trabajo humano.
Ninguna de las dos vendió el resultado como cerrado. Generalist describe sus tareas como simples y de horizonte corto, y sus tasas como modestas. Skild aclara que, en la comparación con el método rival, los evaluadores intervinieron a mano para recuperar fallas, sobre todo en el sistema de referencia, que de otro modo habría marcado cero. Pete Florence, CEO de Generalist, puso el límite con un ejemplo propio ante Understanding AI: un robot entrenado para meter una lonchera en una mochila de cierre no necesariamente sabrá hacerlo con una de hebillas.
Las piernas son un problema de ingeniería, no de inteligencia artificial
Aquí el obstáculo cambia de naturaleza y deja de depender del ritmo de la IA. Un humanoide con piernas mantiene el equilibrio de forma activa, así que si los motores se detienen se cae encima de quien tenga cerca. Y los motores se detienen.
El calor es la causa mejor documentada. Steve Newman, que publicó el mismo 1 de septiembre en Second Thoughts un catálogo de obstáculos técnicos de la robótica, apunta que un robot del tamaño de una persona genera alrededor del doble de calor que ella y carece de circulación y sudor para repartirlo. Reyk Knuhtsen, responsable de robótica en SemiAnalysis, describió en julio en el podcast ChinaTalk el caso del Unitree G1, uno de los humanoides más extendidos del mundo: hace un par de años cargaba unos kilos durante cinco minutos y después necesitaba entre media hora y una hora de reposo. Hoy alcanza entre cinco y quince minutos de trabajo por cada diez de descanso. En 2025, un sistema de teleoperación llamado TWIST, desarrollado por Stanford y Simon Fraser, reportó un techo parecido: los motores se sobrecalentaban tras 5 a 10 minutos continuos, sobre todo al ponerse en cuclillas, y el robot se apagaba y se desplomaba.
Otras fallas llegan por caminos que ninguna simulación anticipa. Pras Velagapudi, CTO de Agility Robotics, contó a Understanding AI que a varios de sus robots ya desplegados en campo empezó a fallarles una pierna al agacharse. Una tarjeta de circuito impreso se había ido flexionando con el uso hasta desconectar un cable, que volvía a su sitio al estirar la pierna. El defecto solo apareció después de miles de pasos. Agility mantiene hoy sus humanoides dentro de recintos de seguridad, apartados de los trabajadores. 1X, que quiere meter humanoides con piernas en casas antes de que acabe el año, diseñó el suyo ligero y flexible, y dijo al Wall Street Journal, según recoge Understanding AI, que las familias con niños pequeños no podrán entrar a su programa de pruebas.
La alternativa conocida son las ruedas: más baratas, estables aunque se corte la energía, incapaces de subir escaleras. Ese cálculo ya tiene consecuencias comerciales, como contamos cuando la británica Humanoid se convirtió en el primer unicornio europeo de robótica humanoide con un robot que rueda en lugar de caminar.
Alejandro Castillo Leone
El espejo incómodo es el auto autónomo
Los roboticistas Stefanie Tellex y David Watkins escribieron que el aprendizaje aplicado a la manipulación robótica se siente hoy como se sentía el auto autónomo en 2015. La comparación incomoda por lo que vino después. En 2016 Ford anunció que produciría en masa un auto sin volante para 2021, y el presidente de Lyft, John Zimmer, pronosticó que en cinco años la mayoría de los viajes de su plataforma serían autónomos y que hacia 2025 tener coche propio correría la misma suerte que el DVD. Rodney Brooks lo había advertido en 2024: rara vez ha visto una tecnología a menos de diez años de la demostración de laboratorio llegar a un robot desplegado.
Una década después de aquellas promesas, el reporte de Understanding AI cuenta 11 ciudades con servicio de robotaxis de Waymo, cifra que la empresa movió a 14 ese mismo 1 de septiembre al abrir Denver, San Diego y Tampa. Ese ritmo, sostenido pero lejos de la adopción masiva, es el que ambas publicaciones ponen como referencia para los humanoides.
El costo tampoco se arregla con mejor software. Williams señala que el precio de lista de un robot ha sido históricamente bastante menos de la mitad de lo que cuesta desplegarlo. Newman agrega la escala: Tesla tardó 14 años en pasar de sus primeras ventas comerciales a su primer año de un millón de autos, y un análisis de Epoch estima que llegar a producir humanoides en el rango de los millones anuales tomaría varios años desde que la máquina se vuelva económicamente valiosa. ChatGPT alcanzó 100 millones de usuarios mensuales en dos meses porque las fábricas de chips ya existían; la cadena de suministro equivalente para robots todavía no.
Quedan dos marcadores concretos para medir el avance sin depender de videos de demostración: si alguien resuelve la segunda tanda de retos de Holson, intacta desde enero, y si los despliegues domésticos prometidos para finales de 2026 llegan sin operadores humanos detrás de un control remoto.
