🌐 El gran panorama: de los LLM a los robots que actúan

Todo agente incorporado ejecuta el mismo ciclo: percibir el mundo mediante sensores, razonar sobre el objetivo y el contexto, y actuar emitiendo comandos motores. Un LLM puro vive enteramente en la capa intermedia: opera sobre tokens, no sobre el mundo. No tiene grounding sensorial (no sabe dónde está el vaso en coordenadas métricas) ni canal de acción (no emite torque). El salto de VLA consiste en cerrar ese ciclo: conectar la percepción visual en la entrada y una cabeza de acción en la salida del mismo backbone que ya razona.

O paradoja de Moravec (años 1980) observa una inversión contraintuitiva: las tareas que los humanos consideran "fáciles" —recoger un objeto, mantener el equilibrio, percibir la profundidad— requieren una enorme capacidad de cómputo sensoriomotor, mientras que el razonamiento "difícil", como el ajedrez o las integrales, es relativamente barato para las máquinas. La razón es evolutiva: miles de millones de años perfeccionaron nuestra motricidad y la volvieron inconsciente; la matemática formal existe desde hace apenas unos milenios. Por eso un modelo supera a los humanos en exámenes de matemáticas, pero aún se equivoca al doblar una toalla.

La robótica clásica entrenaba una política por tarea por robot — N×M modelos frágiles. La tesis del foundation model invierte esto: entrenar un modelo grande para muchas tareas y muchos cuerpos y obtener generalización. La apuesta es que los datos diversos inducen representaciones compartidas — así como un LLM aprende la sintaxis de un idioma y la transfiere a otro, un VLA aprende a «agarrar» con un brazo y lo transfiere a otro.

# Paradigma antigo            # Paradigma foundation
politica_pegar_braçoA()       modelo_vla(obs, instrução)
politica_empurrar_braçoA()      → ação  # qualquer tarefa
politica_pegar_braçoB()         # qualquer corpo
...  # N×M políticas frágeis   # 1 modelo, generaliza

RT-1 (Google, 2022) demostró que un transformer podía mapear cámara+instrucción a acciones tokenizadas, entrenado con ~130k demos. Pero su conocimiento se limitaba a las demos. RT-2 (2023) dio el salto: tomó un VLM ya preentrenado en la web (PaLI-X / PaLM-E) y lo coajustó con datos de robots, representando acciones como tokens de texto. El resultado fue generalización semántica emergente — el robot podía «recoger al animal extinto» (el dinosaurio de juguete) por heredar conceptos de la web, sin haber visto nunca esta instrucción en demos.

El campo se organizó en torno a unos pocos polos. Google DeepMind dio el impulso académico (RT-1/RT-2/RT-X). Physical Intelligence presentó los modelos generalistas π0/π0.5 con flow matching. NVIDIA impulsa la stack de humanoides con GR00T y simulación. Figure (Helix) y Tesla (Optimus) industrializan los humanoides.

Los VLAs no surgieron de un único invento, sino de la convergencia de tres curvas. Datos: Open X-Embodiment unió más de 60 datasets, 22 embodiments y más de 1M de trayectorias. Compute: Las GPU hicieron viable entrenar modelos de más de 7B con video robótico. Arquitectura: transformers y los modelos de difusión/flow dieron la forma adecuada de incorporar multimodalidad y generar acciones expresivas.