🧠 Arquitecturas híbridas: LLM Planner + VLA Executor

La robótica clásica siempre separó planificación (alto nivel, abstracto, lento) de control (bajo nivel, continuo, rápido). Las arquitecturas híbridas modernas reencarnan esta jerarquía con componentes aprendidos: un modelo de razonamiento en la parte superior y una política reactiva en la base. El motivo es fundamental: las escalas de tiempo son incompatibles.

La instancia más avanzada de la jerarquía es el sistema dual, tomando prestada la metáfora de Kahneman. El System 2 (VLM lento) razona y emite un vector latente de intención; el System 1 (política rápida) se condiciona con ese latente para generar acciones de alta frecuencia. Helix y GR00T convergieron en este diseño, que funciona asíncrono: S1 no espera a S2 en cada paso.

# Inferência assíncrona dual-system
latent = None
loop_S2 (~8 Hz):   latent = VLM(image, instruction)   # raciocínio
loop_S1 (~200 Hz): action = policy(obs, latent)       # controle
                   robot.step(action)
# S1 reusa o último latent enquanto S2 ainda pensa

Antes del latente continuo, la primera ola de modelos híbridos usó el LLM como planificador simbólico. SayCan (Google, 2022) combinó la probabilidad del LLM ("say") con la viabilidad de cada skill ("can") para elegir el siguiente paso. Code-as-Policies fue más allá: el LLM escribe código que llama a APIs de percepción y control, con ciclos, condicionales y composición.

# Code-as-Policies — LLM gera o plano como programa
# instrução: "empilhe os blocos por cor"
for color in detect_colors():
    blocks = get_objects(color=color)
    base = blocks[0]
    for b in blocks[1:]:
        pick(b); place_on(base); base = b
# loops + lógica que uma lista plana de skills não expressa

Un plan solo vale si es ejecutable. Affordance es la estimación de qué tan viable es una acción en el estado actual; grounding es el vínculo entre el lenguaje del planificador y las habilidades reales del robot. Sin esto, el LLM produce planes elocuentes e imposibles: pedirle que "agarre el vaso" cuando no hay ningún vaso a la vista.

La ejecución a ciegas falla ante el primer imprevisto. Los sistemas robustos cierran el ciclo: detectan fallas, actualizan la memoria e vuelven a planificar. Técnicas como inner monologue retroalimentan al planificador con observaciones textuales («el vaso se resbaló»), que ajusta el plan. La robustez surge de la recuperación, no de una ejecución perfecta.

El cuello de botella actual de la robótica generalista es el horizonte largo: tareas de varios minutos que encadenan decenas de skills. Incluso con un 95% de éxito por skill, 20 skills en serie dan ~36% de éxito total: el error compuesto que vimos en la Ruta 1 reaparece a escala de tarea. La híbrida lo aborda con replanificación y recuperación, pero la robustez de extremo a extremo sigue siendo una frontera abierta.