IA y Open Source: acelerar la llegada de la inteligencia artificial al mundo físico
Desde hace algunos años, nuestra percepción de la inteligencia artificial está fuertemente influida por los modelos generativos. Le pedimos que redacte textos, analice documentos, produzca imágenes, busque información o nos asista en distintas tareas intelectuales. La interacción se desarrolla esencialmente en un universo digital y, cuando se produce un error, sus consecuencias suelen quedar confinadas a ese entorno.
Sin embargo, otra evolución se desarrolla en paralelo. La inteligencia artificial comienza a salir de las pantallas para interactuar directamente con el mundo físico. Hay robots que aprenden a reconocer objetos, comprender su entorno, planificar sus desplazamientos, manipular distintas piezas y adaptar sus movimientos cuando la situación cambia. Vehículos autónomos, robots industriales, exoesqueletos, drones y otras máquinas inteligentes comienzan así a reunir percepción, razonamiento y acción. Esta evolución se designa cada vez más con la expresión IA física, o Physical AI.
Hacer funcionar una inteligencia artificial en un entorno digital ya es complejo. Permitirle actuar de manera confiable en un mundo físico imprevisible representa un desafío de una magnitud completamente distinta. El consorcio europeo MAESTRO ilustra en este sentido un enfoque particularmente interesante: reunir investigación e industria en torno a una plataforma de software Open Source que proporciona algunos de los bloques fundamentales necesarios para la robótica inteligente.
Este encuentro entre IA física y Open Source podría desempeñar un papel importante en la evolución de la robótica. Para construir las máquinas inteligentes del mañana, la industria necesitará modelos de inteligencia artificial de alto rendimiento, pero también cimientos de software robustos, transparentes, reutilizables y evolutivos. La capacidad de compartir algunos de esos cimientos podría permitir a los investigadores y a los industriales concentrar más sus esfuerzos en las innovaciones que realmente diferencian sus productos.
La diferencia fundamental entre la inteligencia artificial generativa y la IA física reside en la relación que mantienen con su entorno. Un modelo conversacional generalmente recibe información y produce información. Le transmitimos un texto, una imagen o un documento y devuelve una respuesta, un análisis o un nuevo contenido. La IA física debe franquear varias etapas adicionales. Debe percibir su entorno, comprender suficientemente lo que ocurre en él, determinar una acción apropiada y luego traducir esa decisión en movimientos o en comandos capaces de producir un resultado en el mundo real.
Una instrucción aparentemente sencilla como “toma esta caja y colócala sobre esta tarima” ilustra rápidamente la complejidad del problema. Un robot debe identificar la caja correcta, determinar su posición, conocer su propia configuración, planificar el desplazamiento de su brazo, evitar los obstáculos, sujetar el objeto con una fuerza apropiada, mantener su estabilidad y adaptar su movimiento cuando la realidad difiere de lo previsto. La gravedad, la masa, las colisiones, la fricción y los movimientos imprevistos forman parte del problema. Puede aparecer un obstáculo, una persona puede atravesar la trayectoria prevista o un objeto puede encontrarse algunos centímetros más lejos de lo previsto. A diferencia de un entorno puramente digital, el mundo físico no tiene un botón “Deshacer”.
Evidentemente, la industria utiliza robots desde hace varias décadas y algunos realizan sus tareas con una precisión y una rapidez notables. Sin embargo, su eficacia se apoya a menudo en entornos fuertemente controlados. Una pieza llega siempre al mismo lugar y con la misma orientación, el robot repite un movimiento programado y unos dispositivos de seguridad limitan el acceso humano a su espacio de trabajo. Esa previsibilidad permite una automatización extremadamente eficiente. El desafío cambia cuando el entorno se vuelve variable, cuando los objetos se presentan de manera distinta, cuando deben realizarse varias tareas o cuando robots y seres humanos comparten directamente el mismo espacio.
La IA física busca precisamente aumentar esa capacidad de adaptación. El robot debe poder percibir progresivamente las variaciones de su entorno y modificar su comportamiento en consecuencia. Eso exige reunir varias disciplinas. La percepción sirve para interpretar el entorno, los modelos físicos representan al robot y sus interacciones con lo que lo rodea, los algoritmos de planificación determinan cómo alcanzar un objetivo, los métodos de optimización buscan trayectorias eficientes y los sistemas de control traducen finalmente esas decisiones en acciones ejecutables por los motores. La inteligencia artificial puede intervenir en distintas etapas, sin dejar de estar sujeta a las restricciones físicas del sistema.
Por eso un robot moderno también debe considerarse una inmensa pila de software. Los motores, brazos articulados, ruedas, piernas, cámaras y sensores constituyen la parte visible de la máquina, pero buena parte de su inteligencia permanece invisible. Hay programas que representan matemáticamente su estructura, calculan sus movimientos, detectan las colisiones, simulan las interacciones físicas, optimizan las trayectorias y controlan las acciones. MAESTRO busca precisamente reunir varias de esas funciones en una pila coherente que comprende, en particular, componentes dedicados a la dinámica de los robots, a la detección de colisiones, al control óptimo, a la optimización numérica y a la simulación física diferenciable.
Es aquí donde el Open Source puede convertirse en un acelerador particularmente poderoso. Su valor estratégico va mucho más allá de la simple gratuidad de un programa. Cuando una infraestructura de software fundamental es abierta, distintas organizaciones pueden utilizar la misma base, examinarla, probarla, mejorarla y desarrollar sus propias innovaciones sobre ella. La informática moderna se ha construido en gran medida de esta manera. Una empresa que desarrolla una aplicación web generalmente no vuelve a crear ni su propio sistema operativo, ni su lenguaje de programación, ni su servidor web, ni todas sus bases de datos. Se apoya en capas tecnológicas acumuladas durante años por comunidades, empresas y organismos de investigación.
Esa acumulación colectiva permite a cada nueva generación de desarrolladores comenzar más lejos que la anterior. La robótica podría beneficiarse del mismo fenómeno. Si investigadores e industriales disponen de cimientos comunes para el modelado, la simulación, la optimización y el control, pueden dedicar más recursos a los problemas propios de sus productos. Un fabricante de automóviles y un fabricante de exoesqueletos pueden utilizar ciertas bibliotecas fundamentales idénticas y, al mismo tiempo, desarrollar productos radicalmente distintos. Un fabricante aeronáutico y una empresa de robótica industrial pueden compartir ciertas herramientas matemáticas conservando al mismo tiempo sus datos, sus modelos, sus procesos, sus interfaces y su saber hacer.
Compartir los cimientos no significa, por lo tanto, compartir la ventaja competitiva. Linux, Python, Kubernetes y varias otras tecnologías Open Source ya son utilizados por empresas directamente competidoras sin que ello uniformice sus productos. La diferenciación se construye en la manera en que esos cimientos se combinan, se adaptan y se enriquecen con los conocimientos propios de cada organización. En el ámbito de la IA física, esa mutualización puede ser particularmente importante, puesto que los problemas fundamentales de robótica son lo bastante complejos como para absorber inmensos recursos antes incluso de que una empresa comience a trabajar en aquello que vuelve su producto verdaderamente distintivo.
El Open Source también puede contribuir a reducir la distancia entre la investigación científica y la industria. Desarrollar un algoritmo de alto rendimiento en un laboratorio constituye una etapa importante, pero su uso cotidiano en una fábrica exige mucho más. Hay que transformarlo en software robusto, documentado, mantenible, compatible con otros componentes y lo bastante eficiente para funcionar de forma continua. Esa transición requiere un importante trabajo de ingeniería. Un ecosistema Open Source bien estructurado puede servir de puente entre esos dos mundos: los investigadores pueden integrar sus avances a una plataforma común, los industriales pueden confrontarlos con problemas reales y las dificultades observadas en producción pueden luego influir en las prioridades de investigación.
MAESTRO fue concebido precisamente en torno a esa relación. Organismos científicos como Inria y el CNRS conviven allí con socios industriales provenientes de distintos sectores. La investigación alimenta los cimientos tecnológicos, mientras que las empresas confrontan esas tecnologías con las realidades industriales. Ese bucle entre investigación, ingeniería y uso real puede contribuir a acelerar la maduración de tecnologías que, de otro modo, permanecerían más tiempo confinadas a los laboratorios.
La apertura del software también tiene una dimensión particularmente importante cuando este participa en el control de una máquina física: la auditabilidad. Cuando un programa interviene en los movimientos de un robot industrial, de un exoesqueleto o de un sistema que opera en un entorno sensible, la capacidad de comprender su funcionamiento adquiere un valor distinto. El acceso al código permite a los especialistas examinar los componentes, comprender su arquitectura, buscar ciertas vulnerabilidades y verificar su comportamiento. Evidentemente, un programa Open Source no es automáticamente seguro. Puede contener vulnerabilidades, estar mal mantenido o depender de componentes problemáticos. Sin embargo, la apertura crea una posibilidad esencial: la de inspeccionar.
Esa capacidad también puede contribuir a la soberanía tecnológica. La robótica y la inteligencia artificial se convierten progresivamente en capacidades industriales estratégicas. Una industria totalmente dependiente de una pila de software controlada por unos pocos proveedores puede ver reducido su margen de maniobra cuando cambian las licencias, los precios, las orientaciones comerciales o la disponibilidad de esas tecnologías. Unos cimientos abiertos pueden preservar más opciones, siempre que las organizaciones conserven también las competencias que permiten comprenderlos, mantenerlos y hacerlos evolucionar. Poseer el código sin poseer los conocimientos necesarios para explotarlo solo crea una soberanía teórica.
La verdadera autonomía tecnológica se apoya, por lo tanto, en un conjunto más amplio que comprende el acceso a las tecnologías, las competencias, la documentación, la vitalidad de las comunidades, la capacidad de integración y la gobernanza. Una pila Open Source abandonada o incomprensible puede convertirse en una dependencia tan problemática como una tecnología propietaria. El objetivo de MAESTRO de contribuir a un cimiento de software europeo abierto para la robótica adquiere así una dimensión que supera el desarrollo de software: participa en la construcción de una capacidad colectiva de comprender, dominar y hacer evolucionar ciertas tecnologías fundamentales.
Unos cimientos comunes también pueden reducir la fragmentación. A medida que los robots se multiplican, cada fabricante podría sentirse tentado de desarrollar sus propias herramientas, interfaces, formatos y métodos. Esa diversidad puede estimular la innovación, pero también puede volver la integración extremadamente costosa. Unos componentes comunes pueden crear progresivamente un lenguaje técnico compartido, facilitar la adaptación de un algoritmo entre distintas plataformas, permitir a los investigadores comparar sus enfoques y volver las competencias más transferibles entre las empresas.
La historia de la web ofrece un precedente interesante. Su crecimiento no proviene de una empresa que haya controlado toda la infraestructura, sino en gran medida de estándares comunes que permitieron a tecnologías desarrolladas por actores distintos comunicarse entre sí. La IA física también podría necesitar cimientos e interfaces lo bastante comunes para alcanzar una verdadera escala industrial. El objetivo no es uniformizar los robots, sino reducir la cantidad de trabajo dedicada a reconstruir continuamente las mismas capas fundamentales.
Sin embargo, este enfoque exige una gobernanza sólida. Publicar código en Internet no basta para crear una infraestructura industrial duradera. Las vulnerabilidades deben corregirse, las nuevas versiones deben probarse, los cambios deben documentarse y las contribuciones deben evaluarse. Las orientaciones tecnológicas deben coordinarse y la compatibilidad debe gestionarse a lo largo del tiempo. Esas responsabilidades se vuelven particularmente importantes cuando los programas se integran a entornos industriales críticos. El Open Source se convierte entonces en una infraestructura colectiva, sostenida por un ecosistema capaz de asegurar su continuidad, más que en un simple repositorio de código accesible públicamente.
A medida que esos cimientos y las capacidades de inteligencia artificial progresen, también podrían modificar la frontera económica de la automatización. La robótica industrial tradicional destaca en los entornos repetitivos, previsibles y fuertemente estandarizados. Esa característica explica en parte por qué ciertas formas de automatización son muy rentables para grandes volúmenes de producción y mucho menos accesibles para las empresas que fabrican series pequeñas o numerosos productos distintos. Una robótica más capaz de percibir y de adaptarse podría volver pertinente la automatización en entornos mucho más variables.
Una línea de producción podría así aceptar más variaciones sin exigir una reprogramación completa. Los robots podrían aprender nuevas manipulaciones, las máquinas móviles podrían desplazarse en entornos compartidos con personas y ciertos sistemas podrían adaptar sus movimientos según lo que observan. Esa flexibilidad podría acercar progresivamente la robotización a empresas que hasta ahora no tenían ni el volumen ni el nivel de estandarización necesarios para justificar ciertas formas de automatización.
Esta evolución no significa que los entornos industriales se convertirán simplemente en espacios vaciados de sus trabajadores. Una parte importante de los desarrollos se refiere precisamente a la capacidad de los robots de trabajar mejor en entornos donde hay personas. Los sistemas adaptativos pueden asistir a los empleados en manipulaciones penosas, los exoesqueletos pueden aumentar o restaurar ciertas capacidades físicas y los robots móviles pueden encargarse del desplazamiento de material mientras las personas se concentran en las tareas que requieren más juicio, experiencia, relación humana o destreza.
No obstante, las competencias deberán evolucionar. Las organizaciones necesitarán personas capaces de configurar, supervisar, mantener y mejorar esos sistemas. Los operadores deberán comprender suficientemente su funcionamiento para reconocer los comportamientos inusuales e intervenir cuando las condiciones se salgan del marco previsto. Como ya lo observamos con la IA generativa y los agentes de IA, la transformación tecnológica se convierte, por lo tanto, también en una transformación de los procesos, los roles y los conocimientos organizacionales.
Por último, la llegada de la inteligencia artificial al mundo físico acerca dos disciplinas que las organizaciones a veces han tratado por separado: la ciberseguridad y la seguridad operativa. Cuando un sistema informático controla una máquina, un compromiso digital puede producir una consecuencia física. Evidentemente, modificar los parámetros de una aplicación y modificar la trayectoria de un brazo robotizado no presentan el mismo nivel de riesgo. La identidad de las máquinas, sus permisos, la integridad del software, los mecanismos de actualización, la seguridad de las comunicaciones y la procedencia de los componentes de software se convierten, por lo tanto, en elementos directamente vinculados a la seguridad de las operaciones.
Los principios de mínimo privilegio, de Zero Trust, de segmentación y de defensa en profundidad deberán así extenderse a las infraestructuras robóticas. El Open Source puede contribuir a la auditabilidad de ciertos componentes, pero la seguridad siempre dependerá de la arquitectura completa en la que estén integrados. La capacidad de examinar una biblioteca no basta si las identidades están mal gestionadas, si los permisos son excesivos, si las actualizaciones no están controladas o si las comunicaciones entre los sistemas pueden verse comprometidas.
Esta convergencia constituye una evolución importante de la Hiperseguridad. A medida que la inteligencia artificial adquiere una capacidad de acción en el mundo físico, la protección de los sistemas digitales queda directamente vinculada a la protección de las operaciones físicas. La seguridad debe entonces cubrir toda la cadena que une la percepción, los datos, los modelos, el software, las identidades, los permisos, las decisiones y las acciones ejecutadas por la máquina. Cuanto más entra la inteligencia artificial en el mundo físico, más se convierte la propia ciberseguridad en una cuestión de seguridad operativa.
La IA física representa una evolución importante de la inteligencia artificial. Añade al procesamiento de la información la capacidad de percibir un entorno, interpretar ciertas situaciones y transformar decisiones digitales en acciones en el mundo real. Esta evolución exige mucho más que modelos de alto rendimiento. Los robots deben comprender su propia mecánica, anticipar sus movimientos, evitar las colisiones, optimizar sus trayectorias, gestionar sus interacciones con los objetos y las personas y reaccionar con suficiente rapidez cuando su entorno cambia. Detrás de cada uno de esos comportamientos se encuentra una infraestructura de software considerable.
El enfoque Open Source impulsado por iniciativas como MAESTRO resulta particularmente interesante en este contexto. Al mutualizar ciertos bloques fundamentales de modelado, simulación, optimización y control, investigadores e industriales pueden construir sobre una base común, examinarla, contribuir a su mejora y concentrar más sus recursos en las innovaciones propias de sus aplicaciones. Este enfoque también puede acelerar el paso entre investigación e industria, mejorar la interoperabilidad, favorecer la auditabilidad y preservar una capacidad colectiva de comprender y hacer evolucionar tecnologías que podrían volverse esenciales para la industria del mañana.
Para Quantum Beyond, esta evolución coincide con varias dimensiones que consideramos profundamente vinculadas: inteligencia artificial, infraestructuras Edge, identidad de las máquinas, Hiperseguridad, soberanía tecnológica, gobernanza y transformación organizacional. A medida que los sistemas digitales adquieren una capacidad de acción en el mundo físico, las organizaciones deberán comprender las arquitecturas que los controlan, asegurar sus interacciones y conservar suficiente dominio tecnológico para hacerlos evolucionar. Nuestros expertos pueden trabajar junto a los equipos tecnológicos, operativos y de ciberseguridad para estructurar esta transición y vincular esas nuevas capacidades con las infraestructuras y las competencias ya presentes en la organización.
Evidentemente, el Open Source no resolverá por sí solo los desafíos de la IA física. No obstante, su contribución puede ser determinante si permite a las empresas, los laboratorios y los fabricantes construir colectivamente ciertos cimientos en lugar de dedicar continuamente sus recursos a recrearlos por separado.
La IA generativa nos ha mostrado lo que se vuelve posible cuando las máquinas aprenden a manipular el lenguaje y la información. La IA física abre ahora una etapa mucho más concreta: enseñar a esas máquinas a comprender suficientemente nuestro mundo para poder actuar en él. Si una parte de los cimientos necesarios permanece abierta, manejable y compartida, también podríamos aprender a construir esta nueva generación de máquinas mucho más rápido juntos que por separado.