乌鸦传媒

Cuando la IA se encuentra con la rob贸tica

Daniela Rus, directora del Laboratorio de Ciencias de la Computaci贸n e Inteligencia Artificial (CSAIL) del MIT

Daniela Rus es profesora Andrew (1956) y Erna Viterbi de Ingenier铆a El茅ctrica y Ciencias de la Computaci贸n, y directora del Laboratorio de Ciencias de la Computaci贸n e Inteligencia Artificial (CSAIL) del MIT. Sus intereses de investigaci贸n se centran en la rob贸tica, la inform谩tica m贸vil y la ciencia de datos. Es becaria MacArthur de la generaci贸n 2002, miembro de la Asociaci贸n para la Maquinaria de Computaci贸n (ACM), la Asociaci贸n para el Avance de la Inteligencia Artificial (AAAI) y el Instituto de Ingenieros El茅ctricos y Electr贸nicos (IEEE), adem谩s de miembro de la Academia Nacional de Ingenier铆a (NAE) y de la Academia Estadounidense de las Artes y las Ciencias. Obtuvo su doctorado en Ciencias de la Computaci贸n en la Universidad de Cornell.

---

驴Qu茅 le inspir贸 a seguir una carrera en rob贸tica e inteligencia artificial (IA)?

Siempre me ha atra铆do la intersecci贸n de las matem谩ticas y la inform谩tica, pero lo que realmente me inspir贸 fue la idea de la computaci贸n que interact煤a con el mundo f铆sico. Sistemas que no son solo abstractos o digitales, sino que se basan en el desorden de los materiales, el movimiento y la incertidumbre. A diferencia del mundo limpio y discreto de la computaci贸n tradicional, el mundo real es continuo, ruidoso e impredecible. Ese desaf铆o me pareci贸 emocionante y atractivo.

La rob贸tica y la IA ofrec铆an una forma de explorar esa tensi贸n: trabajar en algoritmos y modelos que deb铆an adaptarse, aprender y tomar decisiones ante la ambig眉edad. Me gustaba que fuera matem谩tico, pero tambi茅n f铆sico. Pod铆as ver el resultado de tu c贸digo traducido en movimiento, interacci贸n o comportamiento.

Gran parte de mi inspiraci贸n tambi茅n provino de la ciencia ficci贸n. Siempre me ha fascinado la idea de las m谩quinas inteligentes como colaboradoras, exploradoras y extensiones de la capacidad humana. Esto evolucion贸 hacia una curiosidad sobre c贸mo podr铆amos construir sistemas que razonen, act煤en y evolucionen en el mundo real.

---

De la IA y la rob贸tica a la 鈥淚A f铆sica鈥�

驴C贸mo imagina que la rob贸tica transformar谩 la industria?

Estamos entrando en una fase en la que la rob贸tica ir谩 mucho m谩s all谩 de las f谩bricas estructuradas. Veremos una transici贸n de sistemas r铆gidos y preprogramados a m谩quinas inteligentes y reconfigurables capaces de operar en entornos din谩micos, ya sea un almac茅n, una granja, un hospital, un hogar o incluso una zona de desastre. Esto transformar谩 radicalmente nuestra concepci贸n de la automatizaci贸n como herramienta para aumentar y ampliar las capacidades humanas.

En la manufactura y la log铆stica, los robots ya no se limitar谩n a tareas repetitivas. Colaborar谩n con los humanos, se adaptar谩n a los cambios en los flujos de trabajo y aprender谩n nuevas habilidades sin necesidad de reprogramarse. En el 谩mbito sanitario, veremos robots que podr谩n asistir en cirug铆as, rehabilitaci贸n o el cuidado de personas mayores. Estos robots responder谩n a las necesidades f铆sicas y emocionales de las personas. En la agricultura y la construcci贸n, los sistemas aut贸nomos y “blandos” se desplazar谩n por terrenos irregulares, tomando decisiones en tiempo real bas谩ndose en datos de sensores y se帽ales ambientales.

---

Su trabajo abarca la rob贸tica, la inform谩tica m贸vil y la ciencia de datos. 驴D贸nde convergen estos campos y qu茅 nuevas posibilidades abre esto?

Estos campos convergen de formas emocionantes y transformadoras. La rob贸tica proporciona personificaci贸n, es decir, m谩quinas que perciben y act煤an en el mundo f铆sico. La inform谩tica m贸vil aporta conectividad, capacidad de respuesta y acceso a recursos distribuidos, lo que permite a los robots operar con flexibilidad en tiempo real y en diversos entornos. Y la ciencia de datos a帽ade la capa de inteligencia, con algoritmos capaces de extraer patrones de datos de sensores de gran riqueza, lo que permite aprender de la experiencia y respalda la toma de decisiones predictiva.

En su intersecci贸n, presenciamos el auge de sistemas inteligentes con base f铆sica, que son robots capaces de realizar tareas y aprender del mundo, adaptarse a nuevos contextos y colaborar con humanos y otras m谩quinas. Por ejemplo, los robots m贸viles ahora pueden recopilar continuamente datos ambientales, aprender comportamientos 贸ptimos a partir de ellos y actualizar sus pol铆ticas sobre la marcha, todo ello mientras se mantienen conectados a plataformas en la nube o redes perimetrales que facilitan la coordinaci贸n y el intercambio de informaci贸n.

Esta convergencia abre la puerta a nuevas capacidades, desde robots blandos autoconfigurables que adaptan sus formas y funciones en tiempo real, hasta sistemas aut贸nomos capaces de operar en entornos remotos o impredecibles con m铆nima supervisi贸n. Se trata de construir sistemas adaptables, interconectados y que comprendan el mundo en el que se mueven.

---

Escribi贸 un libro sobre c贸mo los robots y los humanos pueden colaborar. 驴C贸mo prev茅 que evolucione esta colaboraci贸n?

Cada vez m谩s, los robots son compa帽eros de equipo, m谩s que herramientas. A medida que la IA se vuelve m谩s capaz, los robots seguir谩n asumiendo tareas f铆sicas repetitivas y asistir谩n en actividades complejas, como la toma de decisiones, la adaptaci贸n y la percepci贸n en entornos din谩micos. Esta evoluci贸n significa que la colaboraci贸n consiste en dise帽ar sistemas que respondan a la intenci贸n humana, complementen sus fortalezas y se adapten a la complejidad del mundo real.

A medida que la IA se fusiona con la rob贸tica, preveo que esta colaboraci贸n se volver谩 m谩s fluida y sensible al contexto. Los robots aprender谩n del comportamiento humano, comprender谩n las se帽ales sociales y ambientales y ajustar谩n su asistencia en consecuencia, ya sea un robot de almac茅n coordin谩ndose con un trabajador humano, un asistente quir煤rgico anticipando el pr贸ximo movimiento de un m茅dico o un robot dom茅stico aprendiendo una rutina diaria.

La clave es construir sistemas confiables, interpretables y adaptables, para que los humanos puedan confiar en ellos, comprender sus limitaciones y trabajar con ellos con confianza. A largo plazo, visualizo equipos de humanos y robots aprendiendo juntos, cada uno con capacidades 煤nicas: humanos con creatividad y criterio, robots con resistencia, precisi贸n y conocimiento basado en datos. El resultado ser谩 una inteligencia colaborativa, donde juntos, las personas y los robots podr谩n hacer m谩s que las personas o los robots solos.

---

驴C贸mo se define la 鈥淚A f铆sica鈥� y cu谩les son los principales obst谩culos para su implementaci贸n generalizada?

La IA f铆sica se refiere al uso de la capacidad de la IA para comprender texto, im谩genes y otros datos en l铆nea para hacer que las m谩quinas del mundo real sean m谩s inteligentes. Integra la IA en m谩quinas que interact煤an con el mundo f铆sico. Es decir, robots que van m谩s all谩 de ejecutar movimientos preprogramados, adapt谩ndose y aprendiendo en tiempo real. Va m谩s all谩 de la inteligencia digital al integrar el aprendizaje, la toma de decisiones y el razonamiento en sistemas que deben lidiar con la incertidumbre, la fricci贸n, el ruido, el tiempo, el espacio, la f铆sica y las limitaciones. En otras palabras, el desorden del mundo f铆sico.

Desarrollamos las bases de la IA f铆sica en la intersecci贸n del aprendizaje autom谩tico [ML], la teor铆a de control, la ciencia de los materiales y la interacci贸n corp贸rea. Se trata de ense帽ar a las m谩quinas a responder de forma inteligente y adaptativa, aprendiendo y mejorando con el tiempo.

Los obst谩culos para implementar la IA f铆sica son significativos. En primer lugar, es m谩s dif铆cil obtener datos en el mundo f铆sico porque hacerlo es costoso, requiere mucho tiempo y, a menudo, est谩 incompleto o incluso no est谩 disponible. En segundo lugar, en el mundo f铆sico, no podemos permitirnos errores ni alucinaciones. La seguridad y la fiabilidad son m谩s dif铆ciles de garantizar cuando la IA afecta directamente al movimiento f铆sico. En tercer lugar, la mayor铆a de las arquitecturas de IA actuales no se adaptan bien a entornos de tiempo real con recursos limitados, ni a tareas que requieren correlaciones espacio-temporales. Adem谩s, el codise帽o de inteligencia con forma mec谩nica, de modo que el aprendizaje se distribuya entre sensores, actuadores y materiales, a煤n se encuentra en sus primeras etapas.

脡stos son algunos de los desaf铆os clave que debemos afrontar para construir sistemas inteligentes que sean resilientes, confiables y arraigados en el mundo en el que vivimos.

---

驴Puedes ayudarnos a comprender las redes neuronales l铆quidas [LNN]?

Las LNN son una nueva clase de modelo de IA dise帽ado para ser adaptativo, compacto e interpretable, especialmente en entornos din谩micos como la rob贸tica y la inform谩tica m贸vil. A diferencia de las redes neuronales tradicionales, que utilizan arquitecturas fijas y funciones de activaci贸n, las redes l铆quidas cambian su din谩mica interna en respuesta a las entradas a lo largo del tiempo, de forma similar a las neuronas biol贸gicas.

En esencia, las LNN son modelos de tiempo continuo, inspirados en las ecuaciones diferenciales del sistema neuronal de las especies peque帽as. Esto significa que procesan los datos adapt谩ndose naturalmente a las entradas variables, lo que las hace especialmente eficaces para aplicaciones en tiempo real basadas en sensores, como veh铆culos aut贸nomos, drones y sistemas port谩tiles.

Una ventaja clave de las LNN es su eficiencia. A menudo logran un alto rendimiento con menos par谩metros, consumen mucha menos energ铆a y ofrecen una inferencia significativamente m谩s r谩pida que las redes tradicionales, como los transformadores. Tambi茅n son m谩s interpretables, ya que su estructura matem谩tica facilita el seguimiento de la evoluci贸n de las entradas a trav茅s del sistema.

Las LNN son un paso hacia una IA confiable y adaptable, es decir, sistemas que no solo son potentes sino que tambi茅n responden al mundo real y est谩n m谩s alineados con la forma en que los humanos y los animales aprenden y reaccionan en entornos din谩micos.

---

---

驴Cu谩les son los conceptos err贸neos m谩s grandes sobre la IA y la rob贸tica hoy en d铆a?

Un error com煤n es creer que la IA y la rob贸tica son lo mismo. Si bien est谩n profundamente conectadas, cumplen funciones diferentes. La IA se centra en la toma de decisiones, el aprendizaje y el reconocimiento de patrones, mientras que la rob贸tica se centra en la acci贸n f铆sica y la interacci贸n. Los sistemas del mundo real suelen combinar ambas, pero es importante comprender sus funciones espec铆ficas, y que el progreso en una no resuelve autom谩ticamente los desaf铆os en la otra.

Otro mito com煤n es que los robots equipados con IA tienen una inteligencia o autonom铆a cercana a la humana. Los sistemas actuales son altamente especializados. Un robot que funciona bien en un almac茅n puede fallar por completo en un hogar. La generalizaci贸n a distintos entornos, tareas y contextos sociales sigue siendo una frontera de investigaci贸n abierta.

Tambi茅n se tiende a asumir que la IA reemplazar谩 a los humanos por completo, cuando en realidad los sistemas m谩s potentes est谩n dise帽ados para aumentar las capacidades humanas, no para sustituirlas. Pensar en t茅rminos de “co-bots” o inteligencia de asistencia refleja mejor la direcci贸n que est谩 tomando este campo.

A menudo se pasa por alto el gran apoyo en forma de infraestructura, datos y supervisi贸n humana que a煤n requieren la IA y la rob贸tica. Detr谩s de cada demostraci贸n fluida se esconde un complejo sistema de soporte. Lograr que estas tecnolog铆as sean escalables, seguras y confiables en la pr谩ctica a煤n es un proyecto en desarrollo.

---

El impacto humano de la IA y la rob贸tica

驴C贸mo cree que podemos equilibrar las crecientes demandas energ茅ticas de la IA con el uso de energ铆a sostenible?

Equilibrar el r谩pido crecimiento de la IA con el uso sostenible de la energ铆a requiere innovaci贸n t茅cnica y un enfoque sist茅mico. A medida que los modelos de IA, especialmente los modelos b谩sicos y los sistemas de aprendizaje profundo, se hacen m谩s grandes y eficientes, su entrenamiento e implementaci贸n pueden consumir grandes cantidades de energ铆a. El reto es garantizar que los beneficios de la IA no se produzcan a costa de da帽os ambientales.

Una estrategia clave es desarrollar arquitecturas de IA m谩s eficientes. Por ejemplo, las LNN [v茅ase m谩s arriba] ofrecen un alto rendimiento con menos par谩metros y menores necesidades de c贸mputo. Son ideales para aplicaciones en tiempo real en dispositivos edge.

Otra estrategia consiste en optimizar los modelos de IA despu茅s del entrenamiento. La escasez, la cuantificaci贸n y la destilaci贸n de modelos son 谩reas de investigaci贸n activas que buscan reducir la huella computacional sin sacrificar la precisi贸n.

Tambi茅n necesitamos acercar la inteligencia a los datos. Ejecutar modelos de IA compactos como LLN en dispositivos perif茅ricos como tel茅fonos, sensores y robots puede reducir dr谩sticamente los requisitos de energ铆a y ancho de banda. Esto es especialmente importante para aplicaciones f铆sicas, donde la inteligencia en el dispositivo de baja latencia es m谩s sostenible y con mayor capacidad de respuesta.

La sostenibilidad debe convertirse en una m茅trica fundamental del dise帽o de sistemas de IA, junto con el rendimiento y la precisi贸n. Esto incluye la optimizaci贸n de las operaciones de los centros de datos, el uso de fuentes de energ铆a renovables y la incorporaci贸n de evaluaciones del ciclo de vida en el desarrollo de la IA. Al alinear la innovaci贸n en IA con la gesti贸n ambiental, podemos garantizar que los sistemas inteligentes beneficien tanto a las personas como al planeta.

---

驴C贸mo podemos dise帽ar la rob贸tica y la IA para servir a la humanidad de manera equitativa?

Desde el punto de vista t茅cnico, lograr la equidad requiere dise帽ar sistemas robustos, adaptables y que aprovechen al m谩ximo los recursos. Esto incluye el desarrollo de modelos de IA que funcionen de forma fiable en diversos entornos, grupos de usuarios y distribuciones de datos, no solo en entornos ideales o con recursos suficientes. Tambi茅n implica crear algoritmos que puedan operar en dispositivos perif茅ricos de bajo consumo, lo que permite amplias implementaciones y usos sin depender de una infraestructura costosa. T茅cnicas como el aprendizaje de pocos disparos, el aprendizaje por transferencia y los modelos interpretables son esenciales para construir sistemas que puedan personalizarse y auditarse localmente. En rob贸tica, esto implica construir hardware y sistemas de control modulares, f谩ciles de mantener y asequibles, haciendo accesibles las capacidades del mundo real m谩s all谩 de los laboratorios de 茅lite o las aplicaciones industriales. En resumen, la equidad debe integrarse en los cimientos, desde los conjuntos de datos y los modelos hasta los componentes f铆sicos y las interfaces de usuario.

---

En su opini贸n, 驴qu茅 papel deber铆an desempe帽ar los responsables pol铆ticos, los investigadores y el p煤blico en el desarrollo y la implementaci贸n responsables de m谩quinas inteligentes?

La rob贸tica y la IA deben dise帽arse teniendo en cuenta la inclusi贸n, el acceso y el impacto social a largo plazo, no solo el rendimiento t茅cnico o las ganancias. Los equipos con experiencia interdisciplinaria tienen mayor probabilidad de construir sistemas que reflejen una gama m谩s amplia de experiencias y aplicaciones humanas.

El dise帽o equitativo tambi茅n implica pensar m谩s all谩 de las aplicaciones de gama alta. La IA y la rob贸tica no deber铆an limitarse a veh铆culos aut贸nomos o asistentes quir煤rgicos; tambi茅n deber铆an abordar desaf铆os de inter茅s p煤blico: acceso a la educaci贸n, atenci贸n a personas mayores, resiliencia ambiental, respuesta a desastres y reparaci贸n de infraestructuras. Estas son 谩reas donde los incentivos comerciales pueden ser insignificantes, pero donde existe un gran valor social.

Desde una perspectiva de sistemas, necesitamos una IA transparente, responsable y explicable, especialmente cuando est谩 integrada en sistemas f铆sicos. Esto permite a los usuarios comprender, confiar y cuestionar los resultados. Al mismo tiempo, las pol铆ticas en torno a la gobernanza de datos, el impacto laboral y el acceso a la infraestructura de IA son cruciales para garantizar que los beneficios se perciban ampliamente.

---

驴Te preocupa que las m谩quinas adquieran inteligencia general? 驴Estamos cerca de lograrlo?

Creo que es importante distinguir entre la inteligencia general tal como la imaginamos en la ciencia ficci贸n 鈥攎谩quinas que pueden hacer todo lo que un humano y m谩s鈥� y la capacidad de los sistemas de IA actuales. A pesar del r谩pido progreso, estamos lejos de lograr una verdadera inteligencia artificial general. Incluso los modelos actuales m谩s potentes son altamente especializados. Destacan en el reconocimiento de patrones, el modelado del lenguaje o la planificaci贸n en entornos bien definidos. Pero carecen de sentido com煤n, comprensi贸n contextual y el razonamiento flexible que incluso un ni帽o demuestra.

Dicho esto, no creo que debamos ser complacientes. Los sistemas que tenemos son cada vez m谩s influyentes y ya pueden comportarse de maneras sorprendentes, opacas y, en ocasiones, arriesgadas cuando se implementan a gran escala, especialmente en aplicaciones de alto riesgo como la atenci贸n m茅dica, las fuerzas del orden o los sistemas aut贸nomos. Por lo tanto, aunque no me preocupa que las m谩quinas “despierten”, estoy profundamente comprometido con c贸mo dise帽amos, implementamos y gobernamos una IA cada vez m谩s capaz.

---

Pensando en el futuro

驴Cu谩l es el gran avance que espera ver realizado en IA y rob贸tica en los pr贸ximos cinco a帽os?

Un avance que espero ver es el desarrollo de robots de prop贸sito general, f铆sicamente adaptables, capaces de aprender nuevas habilidades y reconfigurar su morfolog铆a para realizar tareas completamente diferentes sin necesidad de ser reconstruidos ni entrenados desde cero. Imaginen un sistema que pueda manipular delicadas herramientas quir煤rgicas un d铆a y al siguiente atravesar escombros en una zona de desastre, ajustando tanto su forma como su funci贸n en funci贸n de su entorno y sus objetivos.

Para hacer realidad esta visi贸n se requerir铆an avances en aprendizaje corporal, hardware modular y control adaptativo. Pero tambi茅n se requerir铆a una transformaci贸n m谩s amplia: de m谩quinas optimizadas a sistemas automejorables que funcionen de forma segura y robusta en el mundo real. Si logramos esto, robots que se vuelven m谩s capaces con la experiencia, basados 鈥嬧�媏n el razonamiento f铆sico y que responden a las necesidades humanas, abriremos camino a aplicaciones que a煤n no hemos imaginado.

---

驴Qu茅 consejo le dar铆a a los j贸venes investigadores e innovadores que sienten pasi贸n por seguir carreras en IA y rob贸tica?

Primero, mant茅n la curiosidad y sigue plante谩ndote preguntas fundamentales, no solo sobre c贸mo funcionan los sistemas, sino tambi茅n sobre por qu茅 los construimos, a qui茅n sirven y qu茅 impacto tienen. La IA y la rob贸tica son interdisciplinarias por naturaleza, as铆 que acepta el desorden: combina las matem谩ticas con la mec谩nica, los datos con la 茅tica y la teor铆a con la experimentaci贸n pr谩ctica. Las innovaciones m谩s emocionantes suelen surgir de la conexi贸n de ideas entre campos.

En segundo lugar, no te desanimes por la rapidez con la que avanza el campo. Hay mucho ruido, pero tambi茅n hay espacio para profundizar en problemas importantes. Encuentra una pregunta de investigaci贸n o un 谩rea de aplicaci贸n que resuene con tus valores y comprom茅tete a aprender los fundamentos (por ejemplo, algoritmos, sistemas, f铆sica) antes de seguir las tendencias.

En tercer lugar, la colaboraci贸n es importante. Ya sea que trabajes en rob贸tica blanda o en una infraestructura escalable de aprendizaje autom谩tico, los sistemas del mundo real se construyen en equipo. Busca mentores y compa帽eros que te desaf铆en y te apoyen. S茅 generoso con tus ideas y receptivo a la retroalimentaci贸n.

Finalmente, recuerda que tu voz y perspectiva importan. El futuro de la IA y la rob贸tica no es definitivo. A煤n se est谩 escribiendo. Las contribuciones m谩s significativas no ser谩n solo t茅cnicas; ser谩n reflexivas, intencionales y centradas en un impacto positivo.

---

驴Qu茅 consejo le dar铆as a las mujeres j贸venes que aspiran a una carrera en IA y rob贸tica?

Ante todo: perteneces aqu铆. La IA y la rob贸tica est谩n transformando el mundo, y es vital que quienes dise帽an estos sistemas reflejen las comunidades a las que sirven. Tu perspectiva es bienvenida y esencial.

No esperes a sentirte completamente listo para lanzarte. Estos campos evolucionan r谩pidamente y pueden resultar abrumadores, pero nadie empieza sabi茅ndolo todo. Conc茅ntrate en desarrollar fundamentos s贸lidos de matem谩ticas e inform谩tica, y sigue tu curiosidad, ya sea en aprendizaje autom谩tico, dise帽o de hardware, 茅tica o aplicaciones como la salud o el clima. El pensamiento interdisciplinario es una fortaleza, no un desv铆o.

Rod茅ate de mentores, compa帽eros y comunidades que te apoyen. Habr谩 momentos de inseguridad. Lo importante es la perseverancia, la pasi贸n y encontrar personas que crean en tu crecimiento. No tengas miedo de hacer preguntas, tomarte tu tiempo y aportar tus ideas.

Recuerda que el 茅xito no se trata solo de lo que construyes, sino de por qu茅 lo construyes. Deja que tus valores y tu imaginaci贸n te gu铆en.

---