¿Por qué dejar que las personas recopilen datos en lugar de controlar robots a distancia?

  • Los modelos fundacionales de robots carecen de grandes cantidades de datos de interacción física que puedan recopilarse directamente. Cada hora de recopilación mediante teleoperación convencional requiere un robot disponible y un operador normalmente capacitado, lo que eleva los costes y ralentiza la expansión.
  • Generalist hace que las personas utilicen una pinza de mano «Data Hand» para realizar tareas cotidianas mientras se registran datos visuales y de movimiento. No hace falta que haya un robot presente, por lo que se pueden recopilar datos en paralelo en varios lugares. La empresa afirma que su conjunto de datos pasó de unas 270 mil horas en noviembre de 2025 a más de 500 mil horas en abril de 2026.
  • Esta estrategia apuesta por que las interacciones reales conserven la dinámica física y reduzcan la brecha entre simulación y realidad. Frente a las estrategias centradas en la simulación o los vídeos de internet, su ventaja depende de que la escala de recopilación siga traduciéndose en capacidad del modelo.

¿Qué significan, respectivamente, una tasa de éxito del 99% y aprender una tarea nueva en unos segundos?

  • Según la información divulgada por la empresa, GEN-1, lanzado en abril de 2026, alcanzó una tasa media de éxito del 99% tras un entrenamiento posterior para cada tarea, frente al 64% del modelo anterior. Su velocidad de ejecución fue aproximadamente tres veces mayor. Esto refleja el rendimiento tras un entrenamiento especializado.
  • GEN-1.5, lanzado en agosto, cambia la forma de enseñar nuevas tareas: puede ejecutar una tarea tras una sola demostración de 3–12 segundos, sin actualizar los parámetros del modelo; su tasa media de éxito en 10 tareas fue del 59%. Tras añadir 5 minutos de datos y 10 pasos de actualización de parámetros por tarea, el indicador subió al 83%.
  • Morgan Stanley valora su potencial para reducir el coste de enseñar nuevas tareas y evitar varios días de recopilación de datos. Sin embargo, estos resultados se limitan a tareas sencillas y de secuencia corta; la empresa también reconoce que las habilidades aprendidas mediante una demostración inmediata son más frágiles que las obtenidas tras un ajuste fino especializado.

¿Cuándo se convertirán más datos reales en una ventaja defendible?

  • Generalist afirma que el rendimiento del modelo mejora de forma predecible a medida que aumentan los datos de preentrenamiento. Si esta pauta se mantiene, las empresas podrán estimar mejor el retorno de la inversión en recopilación y asignar recursos de computación, y la competencia se centrará en quién puede obtener datos más diversos.
  • La ventaja defendible también exige que los datos de manos humanas puedan transferirse a distintos cuerpos robóticos. Las diferencias en la estructura de los brazos robóticos, las articulaciones y los sensores pueden fragmentar los datos; Morgan Stanley señala que los datos de efectos de escala y tasas de éxito de la empresa proceden principalmente de sus propios informes y que las evaluaciones independientes son limitadas.
  • La empresa espera conseguir primero despliegues con un conjunto de datos inicial mayor y después reforzar el modelo con los datos que regresen de esos despliegues. Pero los competidores también pueden acumular datos reales una vez desplegados a escala, y la combinación eficaz de simulación, vídeo y datos reales sigue siendo una cuestión abierta.

Si el modelo es más útil, ¿por qué los ingresos no aumentarán de inmediato?

  • Generalist explora actualmente su implantación mediante socios de hardware y un programa de acceso anticipado para un pequeño número de clientes. La entrega puede incluir robots completos o ejecutarse en los brazos robóticos que ya poseen los clientes; la vía comercial aún está tomando forma.
  • Morgan Stanley plantea que fabricar robots completos por cuenta propia puede reforzar el control de la fiabilidad y permitir obtener datos de despliegue, pero aumenta la carga de capital y operativa. Conceder licencias a socios de hardware es una opción más ligera, pero los ingresos están limitados por los canales de esos socios, que también pueden cambiar de modelo.
  • Los clientes de fabricación y logística tienen ciclos de venta largos y exigen una alta fiabilidad; un fallo de los robots puede detener una línea de producción. Al mismo tiempo, la recopilación de datos y el entrenamiento requieren mucho capital y los precios aún no se han fijado. Por ello, el banco considera que los ingresos sostenidos también dependen, en última instancia, de la capacidad de fabricar robots y de la disposición a adoptarlos de los clientes de la economía real.