martes, 1 de septiembre de 2026

Por qué unas mejores pinzas pueden impulsar la IA física

La inteligencia artificial física no depende solo de modelos capaces de reconocer objetos y proponer acciones: también necesita herramientas que ejecuten esas decisiones y comuniquen qué ocurre al tocar el entorno. Un artículo de The Robot Report sostiene que las pinzas adaptables, combinadas con sensores de contacto y retroalimentación, pueden ayudar a que los robots manipulen objetos con mayor fiabilidad en situaciones variables.

Pinza robótica con sensores sujeta una pieza sobre una mesa de trabajo

El contacto completa la percepción

Una cámara puede localizar una pieza, pero no siempre permite saber si la pinza la sujetó bien, si está resbalando o si se encontró con resistencia durante una inserción. Esa información surge cuando el robot entra en contacto con el objeto.

Por eso, además de visión y simulación, los sistemas de manipulación pueden beneficiarse de señales físicas como la fuerza aplicada, el torque, la proximidad y el estado del agarre. Con esos datos, el controlador puede comprobar si la acción prevista ocurrió y ajustar su respuesta si las condiciones cambian.

Skild AI presenta S1, su modelo base para enseñar robots con video

Skild AI presentó S1, un modelo base de robótica diseñado para que un robot aprenda tareas a partir de una demostración en video. La empresa afirma que el sistema puede interpretar una tarea nueva y ejecutarla sin ajustar nuevamente los parámetros del modelo para cada actividad. Sus resultados divulgados incluyen tareas de manipulación de varios minutos, pero todavía no significan que el sistema esté listo para cualquier robot o para uso doméstico general.

Brazo robótico manipula objetos tras observar una demostración en video

Aprender a partir de una demostración

S1 utiliza aprendizaje en contexto: el video se proporciona como entrada para describir la tarea, y el modelo traduce lo observado en acciones para el robot. En lugar de recopilar nuevos datos y volver a entrenar una política para cada encargo, la demostración funciona como una instrucción visual.

Skild AI mostró tareas como trasplantar una planta, preparar café filtrado, cocinar panqueques y ensamblar un kit. La compañía señala que algunas secuencias pueden durar hasta 10 minutos y combinar numerosos pasos de manipulación. En una prueba de trasplante de planta descrita por Skild, transcurrieron 11 minutos entre grabar la demostración y comenzar la ejecución autónoma en hardware.

John Deere integra el asistente de IA JD en Operations Center

John Deere presentó JD, un asistente de inteligencia artificial integrado en Operations Center que permite a los agricultores hacer preguntas en lenguaje natural sobre los datos históricos de sus campos, máquinas y operaciones. La herramienta busca facilitar el análisis de información que normalmente requiere revisar informes y paneles por separado.

JD se encuentra en acceso anticipado limitado para clientes agrícolas seleccionados de Estados Unidos. Deere prevé ampliar su disponibilidad, pero no ha confirmado su lanzamiento en Latinoamérica ni una fecha para Perú.

Agricultor consulta en una tableta datos de su campo junto a un tractor conectado

Preguntas sobre los datos de cada explotación

Según John Deere, el asistente analiza los registros de la operación del usuario para elaborar respuestas relacionadas con su actividad. La compañía menciona preguntas como cuánto combustible se consumió durante la labranza en comparación con años anteriores, cómo se relacionó la siembra de semillas con el rendimiento entre campos o qué operador de pulverización cubrió más hectáreas por hora.

También podría ayudar a revisar tendencias históricas para planificar labores, como la cosecha. La herramienta no sustituye el criterio del productor: ofrece análisis basados en los datos disponibles en Operations Center, cuya utilidad depende de que esos registros sean pertinentes y estén completos.