Ya hay 177 robots por cada 10,000 empleados

Que la densidad global de robots en manufactura haya subido a 177 por cada 10,000 empleados revela que la robótica dejó de ser una apuesta aislada para convertirse en parte creciente de la infraestructura productiva.

La IFR atribuye ese avance al fuerte ritmo de instalaciones acumulado en años recientes, con Asia a la cabeza, pero también al peso de industrias como electrónica, automotriz y metalmecánica, que recurren cada vez más a robots para elevar producción. De hecho, en el GTC de Nvidia, Jensen Huang, CEO de la empresa, señaló que hay 110 robots exhibidos en el evento, lo que demuestra el crecimiento de este mercado.

Amit Goel, head de robótica y edge computing en Nvidia, señaló que la nueva carrera en robótica no se ganará sólo con mejores máquinas, sino con mejores datos.

“La pregunta dejó de ser qué robot impresiona más sobre un escenario y pasó a ser una mucho menos glamorosa y bastante más importante para cualquier empresa, pues ahora se evalúa qué robot puede operar de verdad en el mundo real”, dijo Chelsea Finn, profesora de la Universidad de Stanford y co founder de Physical Intelligence.

El reto central de la robótica ya no es sólo diseñar un cuerpo capaz de moverse, sino construir un sistema que entienda el entorno, aprenda de él y se adapte cuando las condiciones dejan de parecerse a las del laboratorio.

Uno de los conceptos más reveladores de la conversación fue el de la “pirámide de datos”, pues en la cima está la información más valiosa, la que se captura en entornos reales, específicos y con tareas concretas.

Más abajo aparece material más abundante, como video generalista o registros de humanos ejecutando tareas.

“Lo que tratamos de hacer es usar datos de esa capa superior, muy mínimos y muy específicos para lo que queremos resolver, y apalancarnos tanto como podamos en modelos preentrenados y en otras partes de la pirámide”, explicó Deepak Pathak, CEO de Skild AI.

La idea puede sonar técnica, pero para cualquier negocio tiene implicaciones inmediatas, pues entrenar un robot útil no depende de acumular cantidades infinitas de información, sino de saber qué datos sirven para una tarea concreta y cuáles sólo introducen ruido.

En Tesla, por ejemplo, la experiencia de la compañía en conducción autónoma ha sido útil para entender qué tipo de datos son útiles para aprender y cómo extraerlos, una lección que ahora trasladan al desarrollo de su robot humanoide, Optimus.

Arnaud Robert, CEO de Hexagon, lo planteó de forma muy concreta al explicar que, cuando registran una operación, no sólo capturan lo que ve el robot, sino “una vista completa de 360 grados de cómo se realiza la tarea en ese entorno”.

Pues uno de los retos en los robots que despliegan y que se enfocan en la industria médica es no poder predecir con exactitud las condiciones del entorno, ya que puede haber interferencia de luz, personas atravesándose frente a la máquina, objetos colocados unos centímetros fuera de lugar o cambios pequeños en la superficie que alteran por completo el desempeño del sistema.

Ese tipo de detalles explica por qué la robótica comercial ha avanzado más lento de lo que durante años prometió Silicon Valley. El problema no era sólo lograr que la máquina caminara, sino conseguir que siguiera funcionando cuando alguien se cruza en su camino, cuando el objeto está mal colocado, cuando la luz cambia o cuando el piso no es el que el ingeniero imaginó.