Los planes de robots humanoides de OpenAI priorizan el cerebro sobre el cuerpo
OpenAI se ha comprometido a construir un robot humanoide, pero Sam Altman afirma que el cuerpo de la máquina no es el desafío principal. El proyecto de robot humanoide de OpenAI depende, en cambio, de un “cerebro” fiable capaz de percibir, planificar, moverse y recuperarse de los errores.
Esa distinción convierte un llamativo anuncio de hardware en una prueba mucho más exigente para la inteligencia artificial. Un modelo puede describir cómo recoger una taza sin controlar una mano con la seguridad suficiente para hacerlo. Debe traducir el lenguaje en movimiento mientras responde al peso, la fricción, las personas y los objetos que se desplazan sin previo aviso.
Altman también espera que OpenAI produzca una demostración de robot impresionante en 2027. Sin embargo, no espera que los humanoides recorran las calles de las ciudades inmediatamente después. Esa brecha entre una demostración controlada y un trabajo cotidiano fiable es donde Tesla, XPENG, Figure y otras empresas de robótica ya enfrentan presión.
OpenAI ha pasado del interés por la robótica al compromiso con los humanoides
OpenAI ya no habla de robótica solo como una oportunidad de inversión o una extensión lejana de sus modelos de lenguaje.
Durante el pódcast Sources, se le preguntó a Altman si OpenAI construiría un humanoide o se centraría en máquinas diseñadas para entornos especializados. Su respuesta abarcó ambas categorías. Cuando se le insistió sobre si la empresa realmente construiría un humanoide, respondió: “Lo haremos”.
La forma humana tiene un atractivo práctico. Los hogares, fábricas, oficinas, herramientas, escaleras, puertas y superficies de trabajo fueron diseñados en torno a las dimensiones humanas. Una máquina con un alcance y movimientos similares puede acceder a esos espacios sin exigir que antes cambie cada edificio o herramienta.
“El mundo está diseñado en gran medida para las personas”, dijo Altman durante la conversación completa. Sostuvo que, por ello, tiene sentido replicar la forma humana, aunque OpenAI también desarrolle máquinas con otras formas.
Esa lógica no resuelve la cuestión de diseño. Un humanoide sigue necesitando articulaciones, manos, sensores, energía, refrigeración y suficiente estabilidad física para trabajar cerca de las personas. También necesita un sistema de fabricación capaz de producir máquinas consistentes, en lugar de prototipos ocasionales de laboratorio.
OpenAI no ha presentado un robot terminado, detallado su apariencia ni anunciado una fecha de lanzamiento comercial. El compromiso sigue siendo una declaración pública de dirección, no el lanzamiento de un producto.
Altman ha dado al esfuerzo un hito visible. Dijo que OpenAI espera una “demostración genial” en 2027, aunque los robots caminando por calles públicas siguen estando a varios años de distancia.
La distinción importa porque las demostraciones de robótica pueden estar cuidadosamente preparadas. Una máquina podría repetir una tarea preparada dentro de una sala cartografiada, con iluminación controlada y objetos colocados con cuidado. Un producto útil debe gestionar variaciones durante horas y evitar fallos peligrosos.
La contratación de OpenAI aporta pruebas más tangibles del alcance del programa. Sus puestos abarcan control de movimiento, estimación de estado, control de actuadores, recopilación de datos, infraestructura de machine learning, fabricación y cadenas de suministro.
La estimación de estado consiste en determinar la posición del robot y el estado de su entorno a partir de información imperfecta de los sensores. Es esencial porque un controlador no puede moverse con seguridad si interpreta mal dónde se encuentran la mano, la herramienta o el objetivo de la máquina.
La actividad de contratación de la empresa también sugiere que no se limita a instalar un modelo existente dentro del robot de otro fabricante. Está reuniendo conocimientos en inteligencia, control físico y producción.
Según el informe original sobre el proyecto humanoide, el objetivo a corto plazo de OpenAI se centra en máquinas que ayuden a trabajadores cualificados a construir infraestructura. Un robot personal capaz de realizar tareas más amplias se describe como un objetivo a más largo plazo.
Esa secuencia sitúa el trabajo industrial antes que el imaginado compañero de piso robótico. Los proyectos de infraestructura ofrecen tareas repetibles, supervisores capacitados y emplazamientos controlados. Los hogares contienen una variedad mucho mayor, un contacto humano más cercano y cuestiones de privacidad significativamente más difíciles.
Por qué el cerebro del robot humanoide de OpenAI es el verdadero proyecto
El cuerpo determina qué puede alcanzar físicamente un robot, pero su inteligencia determina si cualquier movimiento es útil, fiable o seguro.
Altman describió las cuestiones de diseño físico como menos importantes que “resolver el cerebro que hace funcionar al robot”. Ese cerebro no es un único modelo de lenguaje que emite instrucciones de alto nivel.
Un sistema capaz debe interpretar los datos de cámaras y sensores, comprender una petición, dividirla en pasos y seleccionar los movimientos adecuados. Después debe supervisar el resultado y revisar su plan cuando la realidad difiere de su predicción.
Consideremos la tarea aparentemente sencilla de colocar una taza en un lavavajillas. El robot debe distinguir la taza de los objetos cercanos e identificar si contiene líquido. Debe evaluar la orientación del asa, elegir un agarre, evitar obstáculos y controlar la fuerza.
La tarea cambia si la taza es resbaladiza, inusualmente pesada o está parcialmente oculta. Una persona podría cruzarse en la trayectoria del robot. La rejilla del lavavajillas podría estar llena, o el espacio previsto podría no coincidir con el plan original de la máquina.
Estas variaciones muestran la diferencia entre generar una respuesta plausible y completar un trabajo físico. Un modelo de texto puede cometer un error que un usuario corrige. Un robot en movimiento puede dejar caer un objeto, dañar equipos o herir a alguien antes de recibir otra instrucción.
Por tanto, el cerebro del robot de OpenAI requiere control de bucle cerrado. Esto significa percibir repetidamente el entorno, comparar los resultados con el plan y corregir el movimiento mientras la tarea continúa.
También requiere comprender las consecuencias físicas. Las palabras pueden describir un objeto como frágil, pero una manipulación segura depende de traducir esa etiqueta en decisiones sobre velocidad, presión, agarre y colocación.
El aprendizaje robótico agrava el problema porque los datos de entrenamiento útiles del mundo real son caros. Los modelos de texto pueden procesar grandes colecciones de documentos existentes. Los robots necesitan ejemplos que conecten percepción, acciones, fuerzas, sincronización y resultados.
Esos ejemplos suelen requerir máquinas físicas, operadores humanos, equipos mantenidos y flujos de sensores cuidadosamente etiquetados. Los fallos de hardware pueden interrumpir la recopilación. Las demostraciones deficientes también pueden enseñar comportamientos ineficientes o inseguros.
La simulación ofrece una respuesta parcial. Los desarrolladores pueden crear entornos virtuales, variar sus condiciones y permitir que los sistemas intenten tareas sin dañar equipos físicos. Sin embargo, las superficies, motores, cámaras y fuerzas de contacto simulados nunca coinciden perfectamente con el mundo real.
La brecha entre la simulación y la realidad se denomina transferencia sim-to-real. Una política de control que tiene éxito dentro del software puede fallar al encontrarse con fricción real, tolerancias de componentes, ruido de sensores u objetos flexibles.
OpenAI conoce ese problema por experiencia directa. Su anterior proyecto Dactyl entrenó una mano robótica para manipular objetos mediante simulación y aprendizaje por refuerzo.
En 2019, la empresa amplió ese trabajo para resolver un cubo de Rubik con una Shadow Dexterous Hand. Su investigación sobre manos robóticas utilizó aleatorización automática de dominios, que variaba repetidamente las condiciones simuladas durante el entrenamiento.
Ese enfoque buscaba evitar que el sistema dependiera de un único entorno modelado a la perfección. La configuración física seguía requiriendo múltiples cámaras, instrumentación personalizada, estimación de estado e ingeniería extensa.
Una sola mano robótica resolviendo un rompecabezas definido sigue estando muy lejos de un humanoide móvil que realiza trabajo abierto. Sin embargo, el proyecto ilustra por qué OpenAI ahora trata la inteligencia física como un desafío de investigación distinto.
El problema esencial no es decirle a un robot qué debería ocurrir. Es mantener una conexión fiable entre esa intención y miles de decisiones físicas tomadas durante la ejecución.
La IA física cambia el mapa competitivo
El movimiento de OpenAI presiona a las empresas de robótica porque el principal proveedor de modelos ahora quiere controlar tanto la inteligencia como la materialización física.
OpenAI abordó previamente la robótica mediante una combinación de investigación interna, inversión y alianzas. Más tarde, Altman reconoció que el esfuerzo anterior de la empresa llegó antes de que la tecnología de apoyo estuviera lista.
“Empezamos con los robots demasiado pronto”, le dijo a Bill Gates en comentarios recogidos por Associated Press. El equipo se enfrentó a simuladores deficientes y tendones rotos, lo que desvió la atención de la investigación en inteligencia.
Posteriormente, OpenAI respaldó a empresas de robótica en lugar de intentar controlar toda la pila tecnológica. Esa estrategia permitió a los especialistas en hardware trabajar en la mecánica mientras OpenAI se concentraba en los modelos fundacionales.
El nuevo compromiso cambia esa división. Si OpenAI desarrolla su propio hardware, sistemas de control, operaciones de entrenamiento y modelos fundacionales, se convierte en un competidor potencial de empresas a las que antes suministraba o apoyaba.
Ese cambio importa porque los negocios de robótica necesitan más que acceso a un modelo general capaz. Requieren software ajustado a sus sensores, articulaciones, entornos operativos, límites de latencia y sistemas de seguridad.
Un modelo fundacional compartido entre varios fabricantes podría aportar comprensión útil del lenguaje y la visión. Sin embargo, no crea automáticamente diferenciación para ninguna empresa concreta de robots.
Figure puso fin a su colaboración con OpenAI en 2025 y optó por desarrollar su propia inteligencia robótica. Esa decisión reflejó la creencia de que la IA incorporada debe integrarse profundamente con la máquina que recopila los datos.
Un fabricante de robots controla información de la que carece un laboratorio general de IA. Ve cómo envejecen los actuadores, dónde fallan los movimientos, qué agarres resbalan y cómo se comportan las personas cerca de su hardware.
OpenAI aporta una ventaja distinta. Tiene experiencia construyendo modelos generales que conectan lenguaje, imágenes, audio, razonamiento y uso de herramientas. Esas capacidades pueden ayudar a un robot a interpretar instrucciones complejas y escenas desconocidas.
Por tanto, la contienda estratégica no es simplemente OpenAI contra Tesla, Figure o XPENG. Es una vía de inteligencia integrada frente a programas centrados primero en el hardware que desarrollan su propia IA en torno a máquinas físicas.
Tesla ha dedicado años al desarrollo de Optimus junto con sus operaciones de fabricación y visión por computadora. Sus fábricas proporcionan posibles entornos de prueba donde las tareas, herramientas y flujos de trabajo ya están controlados por la empresa.
XPENG también cuenta con conocimiento de fabricación, experiencia en cadenas de suministro y acceso directo a entornos industriales. Esos activos importan porque el movimiento fiable depende tanto de la iteración mecánica como del entrenamiento de modelos.
El historial de software de OpenAI no elimina esas ventajas. Debe desarrollar conocimiento operativo sobre actuadores, mantenimiento, abastecimiento de componentes, pruebas y control de calidad.
Al mismo tiempo, las empresas de robótica no pueden asumir que la experiencia en hardware las protegerá permanentemente. Un modelo general más potente puede reducir la cantidad de programación específica por tarea necesaria para cada entorno nuevo.
Aquí es donde la IA para robots humanoides cobra importancia comercial. Si un modelo puede aprender muchas tareas mediante instrucciones y demostraciones, un robot se vuelve más adaptable que la automatización tradicional.
Los robots industriales tradicionales suelen destacar en trabajos repetitivos dentro de espacios estrictamente diseñados. Aportan valor porque los ingenieros eliminan la incertidumbre a su alrededor.
Un humanoide de propósito general promete lo contrario. Entra en espacios que siguen diseñados para personas y absorbe una mayor variación ambiental mediante percepción e inteligencia.
Esa promesa eleva las exigencias para cada competidor. Los fabricantes de hardware necesitan una inteligencia suficientemente capaz, mientras que OpenAI debe demostrar que su experiencia en modelos resiste el contacto con los sistemas físicos.
El Cuerpo Sigue Siendo Más que un Contenedor
Que la inteligencia sea el problema más difícil no convierte al hardware humanoide en algo sencillo, secundario o intercambiable.
Cada decisión tomada por un cerebro robótico de OpenAI debe pasar finalmente por motores, transmisiones, sensores, articulaciones y electrónica de control. Esos componentes crean límites que el software no puede sortear con palabras.
Un robot podría identificar correctamente una caja sin tener la fuerza de agarre para levantarla. Podría planificar una ruta segura y, sin embargo, sobrecalentarse antes de llegar a su destino. Su modelo podría emitir órdenes precisas que un hardware desgastado no logra ejecutar con exactitud.
Las máquinas humanoides añaden dificultad porque se equilibran sobre piernas y operan alrededor de equipos diseñados para la destreza humana. Un pequeño error de movimiento puede propagarse por todo el cuerpo.
Las manos son especialmente exigentes. Los dedos humanos combinan control fino, tacto, adaptabilidad y retroalimentación rápida. Las manos mecánicas deben aproximarse a esas capacidades mientras resisten impactos y un uso industrial repetido.
La energía presenta otra limitación. Un robot útil necesita suficiente energía para computación, percepción, movimiento y refrigeración. Las baterías más grandes aumentan el peso, lo que a su vez exige más energía de los actuadores.
La fiabilidad importa tanto como una demostración impactante. Una máquina que trabaja junto a empleados cualificados debe repetir tareas durante turnos largos sin reinicios ni reparaciones constantes.
La fabricación amplifica cada debilidad de diseño. Un prototipo puede depender de piezas a medida, apoyo frecuente de técnicos y calibraciones costosas. Un producto necesita componentes que funcionen de forma consistente en muchas unidades.
Por eso la contratación de personal de robótica de OpenAI abarca actuadores electromecánicos, sistemas térmicos, fabricación y cadenas de suministro. Las categorías de empleo contradicen cualquier interpretación de que la empresa considere trivial el cuerpo.
El argumento de Altman se entiende mejor como una declaración sobre diferenciación estratégica. Varias empresas pueden desarrollar motores y estructuras mecánicas capaces. Menos han demostrado contar con modelos generales que comprendan instrucciones y escenas variadas.
Incluso esa comparación sigue sin demostrarse en robótica. El rendimiento de los modelos de lenguaje no puede establecer que el mismo sistema controlará una máquina móvil de forma segura.
Los entornos físicos también penalizan las respuestas tardías. Un chatbot puede dedicar más tiempo a razonar antes de devolver una respuesta. Un objeto que cae o una persona que se aproxima exige actuar dentro de límites temporales estrictos.
Eso crea un problema de computación por capas. Parte de la planificación puede realizarse en un gran modelo general, pero el equilibrio y la evitación de colisiones requieren un control local más rápido.
Una arquitectura práctica probablemente combinará razonamiento de alto nivel con controladores especializados. El sistema de razonamiento selecciona objetivos y secuencias, mientras que los sistemas de nivel inferior estabilizan el movimiento y aplican límites de seguridad.
Este enfoque se parece más a una jerarquía que a un único cerebro. Los modelos de visión, modelos del mundo, planificadores, controladores y sistemas de seguridad cooperan mientras operan a distintas velocidades.
Un modelo del mundo es una representación interna que se utiliza para predecir cómo las acciones afectan a un entorno. Puede ayudar a una máquina a anticipar que tirar de una manija abre una puerta o que empujar una estantería abarrotada hace caer objetos.
Los modelos de visión-lenguaje-acción ofrecen una vía hacia esta integración. Un modelo VLA conecta entradas visuales e instrucciones lingüísticas con acciones del robot, en lugar de producir solo texto.
Google DeepMind ha explorado este enfoque mediante su modelo de robótica, situando los planes de OpenAI dentro de una competencia más amplia por la inteligencia incorporada.
Aun así, ninguna arquitectura de modelo elimina la necesidad de retroalimentación del hardware. El cuerpo del robot determina qué datos recibe la inteligencia y qué acciones puede realizar.
Por tanto, el cerebro y el cuerpo mejoran juntos. Un hardware mejor genera datos más limpios y acciones más precisas. Una inteligencia mejor revela qué capacidades físicas importan más.
OpenAI puede priorizar el cerebro sin tratar el cuerpo como una mercancía. Su capacidad para coordinar ambos lados determinará si la demostración de 2027 representa un sistema o una puesta en escena.
Una Demo en 2027 No Demostrará un Robot de Propósito General
La mayor incertidumbre no es si OpenAI puede producir una demostración impresionante, sino si esa demostración predice un trabajo fiable fuera del laboratorio.
Altman ha fijado un objetivo visible sin definir su prueba. OpenAI no ha dicho qué tarea realizará el robot, si el entorno estará controlado o cuánta asistencia humana recibirá.
Ese contexto ausente importa. Una máquina que completa una secuencia ensayada ofrece pruebas distintas de las de un robot que maneja varias tareas desconocidas mediante instrucciones en lenguaje natural.
La demostración también necesita límites claros. Los espectadores deberían saber si los movimientos son autónomos, controlados a distancia o seleccionados de rutinas entrenadas previamente.
Una evaluación útil divulgaría tasas de finalización de tareas, frecuencia de intervención, tiempo de operación y categorías de fallos. Un vídeo pulido por sí solo no puede establecer esas métricas.
La distinción entre una demo y un despliegue es particularmente importante cerca de las personas. Un robot necesita procedimientos para detenerse de forma segura, reconocer la incertidumbre y ceder el control antes de que un error se vuelva peligroso.
OpenAI no ha anunciado un marco de seguridad específico para robots. Tampoco ha explicado cómo manejaría su máquina las cámaras, micrófonos, mapas espaciales y grabaciones recopiladas dentro de lugares de trabajo o hogares.
Esos sensores pueden captar información sensible de forma continua. Un robot doméstico podría observar documentos, conversaciones, rutinas, visitantes, medicamentos y la distribución de habitaciones privadas.
Por ello, las políticas de retención de datos y entrenamiento de modelos pasarán a formar parte de la seguridad del producto. Los usuarios necesitarán saber qué permanece en el dispositivo, qué llega a servidores remotos y qué contribuye a entrenamientos posteriores.
La ciberseguridad genera un riesgo físico independiente. Comprometer una cuenta de software puede exponer información. Comprometer un robot móvil también puede afectar a objetos y personas cercanas.
Un atacante no necesita control total para causar daño. Manipular datos de sensores, instrucciones de tareas, actualizaciones de software o permisos de acceso podría volver inseguro un comportamiento ordinario.
El mercado inicial previsto añade otra incertidumbre. Según los informes, OpenAI quiere que sus primeros robots ayuden a trabajadores cualificados a construir infraestructura.
Eso es más realista que empezar en hogares impredecibles, pero el trabajo de infraestructura conlleva consecuencias considerables. Las obras contienen equipos en movimiento, materiales pesados, distribuciones cambiantes y requisitos estrictos de seguridad.
Un robot aún puede aportar valor mediante asistencia limitada. Podría mover suministros, sostener componentes, realizar inspecciones o preparar pasos repetitivos bajo supervisión.
Estas tareas pondrían a prueba si la máquina reduce la carga de trabajo sin generar nuevas demoras. Un robot que requiere rescate humano constante puede consumir más trabajo cualificado del que ahorra.
La economía no puede inferirse únicamente de la capacidad del modelo. La disponibilidad, el mantenimiento, el consumo de energía, el apoyo técnico y el tiempo de integración influyen en si un empleador adopta una máquina.
OpenAI no ha revelado objetivos de producción ni pruebas con clientes. Tampoco ha identificado organizaciones externas que validarán el sistema en condiciones reales de trabajo.
Las pruebas independientes serán esenciales porque la empresa controla la demostración, las tareas seleccionadas y la información divulgada sobre los fallos.
La postura escéptica no exige afirmar que OpenAI fracasará. Exige separar tres logros que las narrativas promocionales suelen combinar.
Primero, OpenAI puede construir una máquina que complete una demostración seleccionada. Segundo, puede crear un sistema general que aprenda tareas físicas variadas. Tercero, puede fabricar ese sistema para un despliegue fiable.
Cada etapa introduce requisitos de evidencia distintos. El éxito en una etapa no confirma la siguiente.
La trayectoria de la empresa con modelos de lenguaje le da credibilidad en inteligencia de propósito general. No le otorga credibilidad automática en tiempo de actividad, servicio de hardware, certificación laboral o seguridad física.
Esa brecha de verificación debería enmarcar cada afirmación sobre el robot humanoide de OpenAI hasta que terceros puedan probar uno.
Tres Señales Mostrarán si OpenAI Puede Cerrar la Brecha
La próxima fase debería juzgarse por evidencia técnica, evidencia de despliegue y respuesta competitiva, en lugar de otra declaración de ambición.
La primera señal es el diseño de la demostración de 2027. OpenAI debe revelar qué hace el robot, cuánta autonomía recibe y si la tarea contiene una variación significativa.
Una demostración con objetos desconocidos o instrucciones modificadas reforzaría el argumento a favor de un cerebro robótico general. Una rutina estrictamente guionizada mostraría avances en integración, pero ofrecería pruebas más débiles sobre adaptabilidad.
La mejor prueba exigiría que la máquina reciba una nueva solicitud, inspeccione su entorno, planifique la tarea y se recupere de al menos una condición inesperada. OpenAI también debería informar de los intentos fallidos.
La divulgación de fallos importa porque la inteligencia física se define en parte por la recuperación. Un robot útil debería detectar cuándo su plan deja de funcionar antes de seguir adelante con una confianza peligrosa.
La segunda señal es un piloto real con trabajadores cualificados. Un lugar de trabajo externo pondría a prueba si el sistema puede operar entre tareas, horarios, normas de seguridad y equipos existentes que cambian.
Un piloto creíble debería informar de horas de operación, intervenciones humanas, tareas completadas y tipos de fallos que detuvieron el trabajo. Esas métricas revelan más que una demostración cuidadosamente editada.
El trabajo de infraestructura también aclararía por qué OpenAI eligió una forma humanoide. Si el robot se limita principalmente a mover materiales estandarizados, una máquina con ruedas o un brazo fijo podría realizar la tarea de manera más eficiente.
La forma humana resulta defendible cuando una máquina debe utilizar escaleras, herramientas, puertas, estaciones de trabajo y espacios existentes. El piloto debería demostrar esa ventaja, en lugar de darla por supuesta.
La evidencia de trabajo independiente sostenido reforzaría la posición de OpenAI. Reinicios frecuentes, teleoperación o modificaciones especializadas del lugar debilitarían el argumento a favor de una forma de propósito general.
La tercera señal es cómo responden los competidores. Figure, Tesla, XPENG, Google DeepMind y otros equipos de robótica persiguen distintas combinaciones de modelos, hardware y datos de entrenamiento.
Un competidor que logre un despliegue fiable antes de la demo de OpenAI desviaría la atención de la reputación de sus modelos generales. Los datos operativos físicos pueden crear una ventaja difícil de reproducir rápidamente.
OpenAI podría responder lanzando un modelo de robótica, asociándose con fabricantes seleccionados o manteniendo su inteligencia exclusiva para sus propias máquinas. Cada elección produce una estructura de mercado diferente.
Un modelo externo posicionaría a OpenAI como una plataforma para distintas marcas de robots. Un modelo exclusivo la convertiría en un competidor integrado verticalmente y responsable del rendimiento del hardware.
La contratación de la empresa y su compromiso público apuntan actualmente hacia una integración más profunda. Sin embargo, su estrategia de distribución final sigue sin estar clara.
Los desarrolladores deberían observar si OpenAI publica herramientas de simulación, interfaces para robots o marcos de aplicaciones. Esos lanzamientos mostrarían si terceros pueden desarrollar sobre el sistema.
Los compradores empresariales deberían centrarse en la evidencia operativa, no en la novedad de una forma humanoide. La fiabilidad, las tasas de intervención, los controles de datos y un comportamiento seguro ante fallos determinarán su valor práctico.
Los trabajadores del conocimiento también deberían prestar atención. Un agente físico amplía el alcance de la IA: pasa de preparar información a modificar el entorno mismo.
Esa transición eleva el coste de las instrucciones malinterpretadas. Los equipos necesitarán registros más claros de objetivos, permisos, materiales de origen y decisiones cuando el software pueda desencadenar acciones físicas.
La pregunta central ya no es si OpenAI quiere construir un robot. Altman ya ha respondido a eso. La cuestión es si la empresa puede conectar la inteligencia general con el movimiento en el mundo real sin perder fiabilidad, seguridad ni confianza.
La demostración de 2027 ofrecerá el primer gran punto de control, no un veredicto final. Habrá que observar una autonomía genuina, fallos divulgados y trabajo fuera del entorno controlado de OpenAI.
Si esas señales aparecen juntas, el robot humanoide de OpenAI parecerá algo más que una exhibición de hardware. Si no aparecen, el cuerpo podría estar listo mucho antes de que su cerebro sea lo bastante fiable como para utilizarse.
