La previsión de avance de los humanoides de Unitree se traslada a 2028 tras la revisión de las perspectivas de su fundador

El fundador de Unitree, Wang Xingxing, ahora espera un avance en los humanoides ya en 2028, acortando unas perspectivas anteriores que se extendían hasta una década. La previsión sobre el avance de los humanoides de Unitree se refiere a máquinas capaces de realizar tareas cotidianas mediante instrucciones habladas, en lugar de limitarse a ejecutar movimientos ensayados. Según informó Bloomberg el 23 de octubre, Wang prevé que los robots completen el 80% de las tareas asignadas en fábricas o hogares.

La previsión acentúa una tensión ya visible en la robótica: la mejora de la inteligencia artificial frente a la fiabilidad del trabajo físico. Un robot debe traducir instrucciones en acciones, reconocer errores y recuperarse sin generar otro problema. Entender lo que alguien quiere es solo una parte de completar el trabajo.

El trabajo de Figure con BMW ofrece un punto de referencia útil para este debate. Las aplicaciones en fábricas ofrecen tareas concretas y resultados observables, mientras que el trabajo doméstico introduce entornos menos predecibles. La confianza revisada de Wang plantea la cuestión de cuán rápido avanzará la IA entre esos contextos.

Qué cambia realmente con la previsión de avance de los humanoides de Unitree

Wang ha adelantado sus expectativas; no ha anunciado que ya exista autonomía general para el hogar.

La previsión de avance de humanoides de Bloomberg, republicada por The Edge Malaysia, atribuye su mayor optimismo a los recientes avances en IA. El informe describe comentarios realizados en una conferencia del sector en Hangzhou y se basa en una transcripción compartida por Unitree.

Wang también reconoció directamente la limitación actual: “Si ahora llevas un humanoide a casa y le pides que limpie la habitación, sinceramente no creo que pueda completar esa tarea”.

Esa admisión establece la distancia entre los productos actuales y el hito que proyecta. También hace que el anuncio sea más útil que una afirmación indiferenciada de que los robots están mejorando. La previsión se refiere a una transición desde comportamientos especializados hacia el seguimiento de instrucciones prácticas en tareas cotidianas.

Sin embargo, la comparación histórica requiere cautela. El relato de The Next Web del 20 de agosto sobre sus perspectivas anteriores sobre robótica describía un intervalo, en lugar de un plazo fijo de una década. Wang contemplaba entonces un avance en dos o tres años bajo condiciones favorables, o entre cinco y diez años si el progreso era más lento.

Por tanto, su posición más reciente representa una mayor confianza en el resultado más rápido. No significa que antes hubiera descartado avances antes de la próxima década. Describir el cambio con precisión importa porque el extremo optimista del intervalo anterior ya coincidía con 2028.

La distinción también cambia cómo deberían interpretar los lectores la fecha. Una previsión identifica una dirección y un plazo esperados; un compromiso de entrega especifica lo que recibirá un cliente. Los comentarios citados no establecen un calendario de lanzamiento para consumidores, una prueba de aceptación definida ni un rendimiento garantizado.

Tampoco un hito del sector llega necesariamente de forma simultánea a distintas aplicaciones. Una máquina capaz de realizar determinadas tareas en una fábrica podría seguir teniendo dificultades con objetos domésticos desconocidos. La fecha puede seguir siendo significativa sin implicar que todos los robots vayan a volverse de repente ampliamente útiles.

El cambio práctico es una convicción más firme de que el progreso de la IA acortará el camino entre las instrucciones y una acción útil. Esa convicción merece atención porque procede de alguien que construye el hardware que debe ejecutar esas acciones.

Para los lectores, la cuestión central es cómo esa confianza se vuelve medible. Una demostración satisfactoria ofrece un punto de partida. Un rendimiento repetido en condiciones divulgadas ofrecería una base más sólida para aceptar el calendario revisado.

Mantener separadas esas categorías protege la historia de exageraciones innecesarias. El optimismo de Wang es noticiable por sí mismo. No necesita convertirse en la afirmación de que la robótica doméstica ya ha cruzado el umbral que él describe.

El avance más rápido de la IA presiona a los desarrolladores de robots

El calendario revisado presiona a los desarrolladores para demostrar que una IA mejor reduce el trabajo necesario para desplegar un robot.

La presión es inmediata para los equipos que deciden dónde invertir el esfuerzo de ingeniería. Si una IA más capaz puede manejar instrucciones desconocidas, resulta más difícil justificar una programación exhaustiva para cada nueva tarea. El resultado relevante es reducir el trabajo de despliegue junto con una ejecución fiable de las tareas.

Un artículo de The Standard del 12 de octubre ya había documentado las perspectivas de Wang sobre la autonomía robótica. Informó de su expectativa de un punto de inflexión comercial en uno o dos años, junto con las limitaciones persistentes de los sistemas actuales.

El mismo artículo describió un proceso interno de desarrollo de Unitree que conecta programación, entrenamiento, despliegue, pruebas y retroalimentación. Según las declaraciones de Wang, las personas aún tenían que comprobar el movimiento y el rendimiento de las tareas. Esa salvedad importa al evaluar afirmaciones sobre sistemas que se mejoran a sí mismos.

La IA incorporada, es decir, IA que percibe y actúa a través de una máquina física, conecta las decisiones de software con consecuencias fuera de una pantalla. Una mejora en la planificación debe resistir el contacto con objetos, superficies, obstáculos e instrucciones cambiantes. Cada dependencia adicional complica el camino desde un modelo prometedor hasta un producto útil.

Pensemos en una petición hipotética para recoger un objeto de otra habitación. El robot debe identificar el objeto previsto, localizarlo, alcanzarlo, sujetarlo y traerlo de vuelta. Una petición poco clara podría requerir una pregunta antes de que empiece el movimiento.

Un mejor manejo de instrucciones resolvería una parte real de esa tarea. No resolvería automáticamente un agarre resbaladizo, una ruta bloqueada o un objeto fuera del alcance de la máquina. Toda la cadena importa para la persona que espera el resultado.

Esto genera presión sobre los equipos de hardware, además de los desarrolladores de IA. La capacidad mecánica debe respaldar las acciones que el software selecciona. Un sistema también necesita una forma fiable de detectar cuándo una acción excede sus límites físicos.

Los compradores empresariales se enfrentan a una decisión diferente. Una previsión de avance más temprana les da motivos para preparar proyectos de evaluación, pero no resuelve la adquisición. Su tarea es identificar trabajos en los que una mayor flexibilidad tendría valor práctico.

Un comprador que evalúe la manipulación de materiales, por ejemplo, debería preguntarse cuánto cambia la configuración cuando cambian los objetos o sus posiciones. Un robot que se adapta con menos preparación ofrece una propuesta distinta de otro que exige visitas repetidas de ingeniería.

Para los desarrolladores, eso convierte el esfuerzo de despliegue en un acompañante importante del éxito de las tareas. Completar una tarea tras una personalización extensa cuenta una historia diferente que completarla con instrucciones normales. Ambos resultados pueden ser útiles, pero respaldan afirmaciones distintas.

La presión comercial se deriva directamente de esta distinción. Un progreso más rápido de la IA eleva las expectativas de que los clientes recibirán antes un comportamiento adaptable. Los proveedores deben entonces mostrar dónde funciona esa adaptabilidad, qué preparación requiere y cuánto apoyo humano sigue siendo necesario.

El cambio de postura se centra en el trabajo desconocido, no en una coreografía mejor

La mayor confianza de Wang importa sobre todo si los robots pueden trasladar un comportamiento útil a entornos que sus desarrolladores no han preparado de antemano.

Ese es el conflicto central entre la previsión y los requisitos actuales de despliegue. Una rutina ensayada puede demostrar coordinación y control. No puede, por sí sola, establecer que la misma máquina entenderá una tarea diferente en una habitación distinta.

La generalización consiste en aplicar un comportamiento aprendido a situaciones desconocidas. Para un robot, el elemento desconocido podría ser un objeto, su ubicación, el espacio circundante o la propia instrucción. Una evaluación convincente debe explicar qué elementos cambiaron.

Por eso una tarea aparentemente cotidiana puede revelar más que una actuación elaborada. Recoger un recipiente desconocido exige que la máquina tome decisiones sobre forma, contacto y movimiento. El resultado se vuelve más informativo cuando la configuración impide una preparación previa para ese recipiente concreto.

La previsión de avance de los humanoides de Unitree hace que esas distinciones sean especialmente importantes. Su relevancia depende de ampliar el comportamiento útil, en lugar de añadir otra habilidad aislada. Una colección creciente de rutinas preparadas y un sistema adaptable pueden parecer similares en imágenes seleccionadas.

La diferencia surge cuando alguien cambia las condiciones. Mueva el objeto, modifique la petición o introduzca un obstáculo, y la máquina deberá responder adecuadamente. Repetir el movimiento original ya no basta.

Eso no hace que el comportamiento preparado sea poco importante. La automatización industrial suele tener éxito al hacer predecible un entorno y repetir una operación estrictamente definida. La cuestión es si un nuevo sistema reduce cuánto grado de previsibilidad debe crear el cliente.

La descripción de Figure del 30 de junio sobre el trabajo de secuenciación en fábrica ofrece una comparación concreta. La empresa afirmó que Figure 03 llegó a la planta de BMW en Spartanburg para realizar trabajo logístico relacionado con la selección y colocación de piezas. Su explicación destacó la variación en las posiciones de carros, contenedores y componentes.

Se trata de capacidades comunicadas por el proveedor, no de una prueba independiente de autonomía general. Aun así, identifican un problema operativo relevante: manejar variaciones dentro de un flujo de trabajo útil. La tarea tiene un propósito más allá de demostrar movimiento.

Para Unitree, la pregunta comparable es cuánta variación puede absorber un sistema desplegado antes de que los especialistas deban intervenir. Esto incluye cambios en objetos y entorno, pero también interrupciones e instrucciones incompletas. Un robot flexible necesita una forma de manejar la incertidumbre sin hacer suposiciones imprudentes.

El cambio en las perspectivas de Wang es, por tanto, un cambio en su expectativa sobre la contribución del software. Su optimismo implica que la IA eliminará una mayor parte de la carga de preparar cada tarea. El beneficio para el cliente sería una adaptación más sencilla, siempre que la ejecución física siga siendo fiable.

Esa condición final mantiene el relato anclado a la realidad. Un planificador más capaz puede seleccionar una acción sensata que la máquina todavía no pueda realizar con seguridad. El progreso adquiere relevancia comercial cuando el manejo de instrucciones, el movimiento y la retroalimentación funcionan conjuntamente.

La evidencia más sólida mostraría esa conexión en tareas desconocidas. Explicaría qué recibió el robot como entrada y qué asistencia necesitó. Eso haría evaluable la previsión sin depender del atractivo de la demostración.

Los pilotos en fábricas ofrecen una comparación más acotada y útil

Los despliegues en fábricas aportan evidencia de trabajo útil, mientras dejan sin resolver la afirmación más amplia sobre el hogar.

Un entorno de producción proporciona a un desarrollador de robots una tarea específica y a un cliente con interés operativo en el resultado. Eso ayuda a distinguir una aplicación útil de una capacidad mostrada sin un propósito claro. También crea oportunidades para medir el rendimiento repetido.

La descripción de BMW del 21 de septiembre sobre su piloto de robots en Leipzig ofrece otro ejemplo. El fabricante de automóviles describió cómo AEON respalda la producción mediante trabajo repetitivo y entrega de materiales. BMW presentó el proyecto en torno a su integración con los sistemas de fabricación.

La relevancia para el pronóstico de Wang es práctica. Un robot no entra en un lugar de trabajo vacío y opera de forma independiente de todo lo que lo rodea. Debe ajustarse a horarios, rutas, datos, equipos y las responsabilidades de los trabajadores cercanos.

Una fábrica puede hacer que algunas de esas condiciones sean más predecibles. Los responsables pueden definir dónde deben estar los materiales y qué operaciones debe intentar la máquina. También pueden especificar cuándo debe detenerse y solicitar ayuda.

Eso convierte el trabajo industrial en un terreno de pruebas útil, pero limita lo que puede demostrar cualquier piloto exitoso. Una aplicación diseñada en torno a un flujo de trabajo conocido no demuestra automáticamente que esté lista para el hogar. El entorno físico y el significado del éxito son diferentes.

Consideremos una tarea hipotética de clasificación en una planta. Se pueden especificar los objetos permitidos y comprobar el destino requerido. Una petición doméstica de guardar cosas introduce preferencias personales y objetos que quizá no pertenezcan a una categoría evidente.

La tarea de fábrica puede seguir siendo difícil. Las piezas se mueven, los equipos se desgastan y las personas interrumpen los flujos de trabajo. La ventaja es que el cliente normalmente puede definir el resultado deseado con más claridad que un usuario doméstico.

Esto ayuda a explicar por qué las comparaciones neutrales entre competidores deberían centrarse en las tareas. El trabajo de secuenciación de Figure y el piloto de BMW en Leipzig abordan necesidades de producción identificables. Su valor debe juzgarse según los requisitos de esas necesidades.

Una clasificación general de las empresas de robots ocultaría esa distinción. Un sistema diseñado para un flujo de trabajo logístico concreto y una plataforma destinada a trabajos de desarrollo variados requieren evaluaciones diferentes. Sus demostraciones públicas no responden necesariamente a la misma pregunta.

Para un comprador empresarial, la comparación útil es con la forma actual de realizar el trabajo. Puede involucrar a personas, equipos fijos o una combinación de ambos. La forma humanoide del robot solo importa en la medida en que ayude a cumplir los requisitos del flujo de trabajo.

Esto también aclara quién afronta presión ante un calendario de avances más temprano. Los proveedores deben vincular las afirmaciones sobre capacidades más amplias con los resultados de los clientes. Los compradores deben evitar descartar aplicaciones útiles y acotadas simplemente porque no alcanzan el nivel de un asistente doméstico general.

La evidencia de fábrica puede respaldar el optimismo sin resolver todo el debate. Puede mostrar dónde el comportamiento adaptativo genera valor hoy. La siguiente pregunta es si esos beneficios se extienden a tareas con menos preparación y apoyo.

Un objetivo del 80 % necesita una definición clara de éxito

Una tasa de éxito llamativa no puede demostrar utilidad sin explicar las tareas, condiciones y asistencia humana que hay detrás.

El umbral de Wang ofrece un destino memorable, pero es un hito propuesto por él, no una certificación de la industria. Su significado depende de cómo una evaluación defina una tarea. Una colección de acciones sencillas es diferente de una tarea doméstica completa.

El Índice de IA 2026 de Stanford ofrece una evaluación más amplia del despliegue de humanoides. Su análisis distinguió el crecimiento de la disponibilidad de hardware y la inversión del despliegue generalizado. También destacó la incertidumbre sobre la demanda y la transición de pilotos estructurados a entornos menos predecibles.

Esa perspectiva independiente respalda una lectura mesurada del pronóstico. El progreso en el hardware disponible no demuestra cómo lo utilizarán los clientes. Las aplicaciones anunciadas y los resultados operativos pertenecen a categorías separadas hasta que la evidencia los conecte.

Para el umbral propuesto, la selección de tareas es el primer asunto. Una evaluación debe explicar quién eligió las tareas y si representan necesidades reales de los clientes. De lo contrario, un resultado favorable podría reflejar una selección favorable.

El siguiente asunto es el límite de lo que cuenta como éxito. Recuperar un objeto no equivale necesariamente a completar la petición más amplia que motivó esa recuperación. Un robot podría transportar correctamente un artículo y dejar sin terminar el trabajo circundante.

La asistencia humana también necesita una descripción clara. Una persona que elige cada siguiente acción proporciona un nivel de apoyo distinto al de alguien que emite la solicitud original. Ambas modalidades pueden producir trabajo útil, pero establecen distintos grados de autonomía.

La teleoperación, es decir, el control humano remoto de un robot, es especialmente importante de revelar. Puede ayudar a los desarrolladores a adquirir experiencia y respaldar los primeros despliegues. Su presencia cambia cómo los espectadores deben interpretar una afirmación sobre la finalización independiente de tareas.

Lo mismo se aplica a la intervención después de un error. Una máquina que se detiene y solicita ayuda se comporta de forma diferente a una que continúa sin éxito. Los clientes necesitan saber con qué frecuencia ocurre cada situación y qué implica la recuperación.

La velocidad añade otra dimensión. Una tarea completada finalmente podría aun así no cumplir un requisito del lugar de trabajo. Los informes útiles deberían combinar la finalización con el tiempo transcurrido, la preparación, la supervisión y las consecuencias de los errores.

La seguridad no puede inferirse únicamente de intentos exitosos. Un robot también debería reconocer cuándo no dispone de una forma segura de continuar. Rechazar una acción inadecuada puede ser el resultado correcto, incluso cuando un simple contador de éxitos lo trate como un fracaso.

Estas son cuestiones de evaluación, no motivos para descartar el pronóstico. Identifican qué evidencia haría persuasiva la afirmación. Una prueba divulgada puede mostrar una mejora significativa incluso cuando también revele limitaciones.

Para los equipos técnicos, mantener esos detalles unidos ayuda a evitar comparaciones entre demostraciones incompatibles. Un registro consultable de documentos técnicos puede conectar especificaciones, condiciones de prueba y observaciones operativas. El objetivo es preservar el contexto detrás de cada resultado.

Hasta que esas condiciones sean explícitas, el pronóstico sobre un avance de los humanoides de Unitree sigue siendo una expectativa sobre capacidades futuras. No merece ni aceptación ni rechazo automáticos. La respuesta útil es preguntar qué resultado contaría como evidencia.

Qué observar entre ahora y principios de 2027

Las próximas señales útiles son pruebas de autonomía divulgadas, evidencia operativa de clientes y reducciones medibles en el esfuerzo de despliegue.

La primera señal es una evaluación que exponga robots a tareas desconocidas bajo condiciones claramente establecidas. Busque una lista completa de tareas, la divulgación de la preparación y una explicación de la participación humana. Las grabaciones continuas ayudarían a los lectores a entender qué ocurrió entre los momentos exitosos seleccionados.

Tal evaluación reforzaría la perspectiva de Wang si el rendimiento se mantuviera ante cambios en objetos, instrucciones y entorno. Sería menos persuasiva si cada variación requiriera una programación previa sustancial. La distinción importante es la adaptabilidad bajo condiciones divulgadas.

Los fallos deberían aparecer junto a los intentos exitosos. Revelan dónde están los límites del sistema y si este los reconoce. Una demostración que explique los resultados fallidos puede aportar evidencia más útil que imágenes que hagan que cada acción parezca sencilla.

La segunda señal es información operativa respaldada por clientes procedente de un flujo de trabajo real. Busque la descripción del cliente sobre la tarea, las responsabilidades del robot y el apoyo que proporciona el personal. La evidencia se vuelve más sólida cuando cubre la operación habitual en lugar de una demostración programada.

Un cliente que amplíe el uso tras evaluar los resultados respaldaría el aspecto comercial del pronóstico de Wang. Un piloto sin cambios requeriría más contexto antes de extraer una conclusión. El motivo podría estar relacionado con la capacidad, la integración, la demanda o las prioridades dentro del negocio del cliente.

La tercera señal es una reducción del esfuerzo necesario para añadir o modificar una tarea. Esto se refiere directamente a la lógica que sustenta la perspectiva revisada. Si una IA mejor está acortando el camino hacia el despliegue, el proceso de preparación debería ser más fácil de documentar.

Busque comparaciones que mantengan claros los requisitos de tarea y hardware. Un proceso de configuración más corto importa más cuando el comportamiento resultante sigue siendo fiable. Trasladar el trabajo de los ingenieros a operadores ocultos requeriría una interpretación diferente.

Estas señales también separan el progreso técnico de la adopción. Un robot puede volverse más capaz antes de que un cliente reorganice el trabajo a su alrededor. A la inversa, una aplicación útil pero acotada puede ganar clientes sin alcanzar un estándar doméstico general.

Durante los próximos meses, los anuncios más informativos conectarán la capacidad con las condiciones operativas. Explicarán qué cambió, qué siguió siendo difícil y qué puede pedir ahora el cliente a la máquina. Esa es la evidencia necesaria para evaluar un calendario más temprano.

Siga el pronóstico sobre un avance de los humanoides de Unitree manteniendo esas distinciones a la vista. Compare las demostraciones según sus condiciones divulgadas y, después, busque relatos de clientes que muestren que el mismo comportamiento sobrevive al trabajo cotidiano. Preste especial atención a las tareas desconocidas, los requisitos de intervención y el esfuerzo necesario para introducir otra tarea.

Para compradores y desarrolladores, la acción inmediata es definir el trabajo que vale la pena probar antes de elegir un robot. Especifique un resultado aceptable, la asistencia permitida y las condiciones en las que el sistema debe detenerse. Después, evalúe los nuevos anuncios según ese estándar. ¿Qué próximo resultado le daría evidencia suficiente para pasar de observar la tecnología a probarla en su propio flujo de trabajo?