Contenido detallado
🚶 Por qué los humanoides: un mundo hecho para humanos
La tesis del humanoide es simple y poderosa: el mundo ya fue construido para la forma humana. Las perillas, las escaleras, las herramientas, las mesadas y los vehículos presuponen dos manos, dos pies y una altura humana. Un robot humanoide opera en este inventario mundial de infraestructura: brownfield — sin reformarlo, a diferencia de los brazos fijos que requieren celdas dedicadas.
💡 La apuesta de fondo
Generalidad de forma (humanoide) × generalidad de cerebro (foundation model VLA) = un único producto que aborda incontables tareas. Es la convergencia que impulsa decenas de miles de millones en capital hacia el sector desde 2024.
📊 Por qué la forma humana es difícil — y vale la pena
- ~30-50 DOF — un humanoide tiene un orden de magnitud más grados de libertad que un brazo, por lo que requiere whole-body control.
- Equilibrio dinámico — un bípedo es inestable por naturaleza; manipular mientras camina es la prueba real de utilidad.
- TAM gigantesco — el argumento económico es abordar el trabajo físico genérico, no una sola estación.
Generalidad de forma
1 cuerpo, N entornos.
Brownfield
Opera la infraestructura existente.
Dexterity
Manos diestras de varios dedos.
DOF
Muchos grados de libertad.
🟢 NVIDIA GR00T (N1/N1.5): foundation model dual
GR00T es el foundation model abierto de NVIDIA para humanoides. El N1 inauguró un modelo de fundación cross-embodiment con sistema dual — un módulo de razonamiento lento (System 2, basado en VLM) y un módulo de acción rápido (System 1, basado en difusión). El N1.5 perfeccionó el seguimiento de instrucciones y la generalización. NVIDIA combina esto con el pipeline Isaac GR00T + Cosmos para generar datos sintéticos y trayectorias neuronales a gran escala.
GR00T N1 — pilha de dados (pirâmide)
topo: poucas demos reais (teleoperação) ← fidelidade
meio: dados sintéticos (Isaac/Cosmos) ← escala física
base: vídeo humano web + neural trajectories ← semântica / amplitude
=> cross-embodiment: 1 modelo treinado para muitos corpos⚡ Por qué importa estratégicamente
NVIDIA no fabrica humanoides: proporciona el cerebro + la fábrica de datos + el silicio. Varios OEMs (1X, Agility, Boston Dynamics, Unitree y otros) adoptan GR00T/Isaac, lo que posiciona a NVIDIA como la capa horizontal del ecosistema, de forma análoga a lo que CUDA fue para el deep learning.
GR00T N1/N1.5
Foundation abierto para humanoides.
Sistema dual
Razonamiento + acción.
Cosmos / Isaac
Datos sintéticos a gran escala.
Cross-embodiment
1 modelo, muchos cuerpos.
🔵 Figure Helix: VLA jerárquico (System 1/2)
Helix, de Figure, es un VLA jerárquico que se ejecutó onboard en un humanoide. El System 2 (VLM de internet, ~7-9 Hz) entiende la escena y la instrucción, y emite un vector latente; o System 1 (política visuomotora, ~200 Hz) decodifica este latente en el control continuo del torso, la cabeza y manos hábiles. Fue uno de los primeros en controlar todo el tronco superior de un humanoide con un único VLA, y en operar dos robots que colaboran con un mismo modelo.
System 2 — pensar (lento)
El VLM generalista interpreta "guarda la vajilla"; produce una intención latente sin necesidad de ejecutarse a 200 Hz.
System 1 — actuar (rápido)
El transformer visuomotor consume el latente y genera comandos de alta frecuencia para las manos y el torso.
💡 El conflicto que resuelve el sistema dual
Un VLM grande es inteligente, pero lento; un controlador rápido es ágil, pero tonto. Separar ambos y conectarlos mediante un vector latente ofrece lo mejor de ambos: razonamiento generalista + malla de control de alta frecuencia. Es la arquitectura convergente de los humanoides de vanguardia.
Helix
VLA jerárquico de Figure.
System 1/2
Rápidos y lentos acoplados.
Vector latente
Puente entre los sistemas.
Parte superior del cuerpo completa
Torso + manos con 1 VLA.
🔴 Tesla Optimus: integración con la pila de visión/FSD
Optimus es la apuesta de Tesla por un humanoide que reutiliza la infraestructura de IA del FSD: redes de visión end-to-end, cómputo propietario y una cultura de recopilación de datos a gran escala. La estrategia es empezar por la fabricación interna (mover piezas en sus propias fábricas), generando datos de teleoperación integrados verticalmente antes de escalar hacia afuera.
✓ Ventajas de Tesla
- ✓Reutilización de la pila de visión end-to-end y datos del FSD.
- ✓Escala de fabricación propia y actuadores diseñados internamente.
- ✓Demanda interna cautiva para cerrar el ciclo de datos.
✗ Desafíos pendientes
- ✗Manipulación diestra robusta sigue siendo el cuello de botella (manos).
- ✗Los cronogramas anunciados históricamente han sido demasiado optimistas.
- ✗La generalización fuera de la fábrica aún debe demostrarse a escala.
Optimus
Humanoide de Tesla.
Reutilización de FSD
Visión compartida de extremo a extremo.
Escala industrial
La fábrica como primer cliente.
Actuadores propios
Integración vertical de hardware.
🟠 Unitree y el hardware abierto: G1/H1
A Unitree cambió el juego de la investigación al lanzar humanoides de bajo costo: el H1 (tamaño real, locomoción ágil) y el G1 (~1,27 m, a partir de ~US$ 16k). De repente, laboratorios sin presupuestos de millones pudieron ejecutar políticas en hardware real. El resultado fue una explosión de papers sobre locomoción y manipulación locomotora usando G1/H1 como plataforma estándar.
📊 Por qué importa el costo
- ~10-50× más barato que plataformas de investigación occidentales comparables.
- SDK abierto y ROS2 — baja barrera para integrar políticas VLA y RL de marcha.
- Estandarización — la comparabilidad entre papers acelera todo el campo.
⚡ Consejo estratégico
El hardware accesible desplaza el cuello de botella del campo de «tener un robot» a «tener datos y algoritmos». Quien domina la recopilación de datos y la arquitectura —no quien fabrica el brazo— captura más valor. Así fue como el hardware abierto aceleró la frontera.
Unitree G1/H1
Humanoides de bajo costo.
~US$ 16k
Precio base del G1.
SDK abierto
Integración fácil.
Plataforma estándar
Base de muchos papers.
⚖️ Locomoción + manipulación: control de cuerpo completo
La frontera de los humanoides no es caminar ni agarrar objetos por separado: es hacer ambas cosas al mismo tiempo. O control de cuerpo completo coordina la marcha, el equilibrio y los brazos en un solo controlador, generalmente con RL para una locomoción robusta en terrenos variados y una política de manipulación acoplada. Manipular mientras se mantiene el equilibrio es lo que separa una demo viral de una utilidad económica real.
RL de marcha en sim
Política de locomoción robusta entrenada en miles de terrenos aleatorizados (sim-to-real de M3.1).
Equilibrio ante perturbaciones
Controlar el centro de masa mientras los brazos aplican fuerza externa (empujar, cargar).
Loco-manipulation acoplada
Caminar hasta un armario, abrirlo y guardar un objeto: habilidades encadenadas en un solo cuerpo.
Control de todo el cuerpo
Coordinar todo el cuerpo.
RL de marcha
Locomoción robusta.
Balance
Centro de masa bajo fuerza.
Loco-manipulation
Caminar + manipular al mismo tiempo.
✅ Resumen del módulo
Próximo módulo
3.3 — Arquitecturas híbridas: LLM Planner + VLA Executor. Cómo el sistema dual se generaliza para la planificación a largo plazo.