- El sector de la robótica atrajo una inversión récord de 40,700 millones de dólares en 2025, un aumento interanual del 74%, representando el 9% de todo el capital de riesgo y posicionándose, junto con el software de IA, como uno de los sectores líderes en inversión
- La IA física es una tecnología clave que permite que los robots aprendan a partir de datos, en lugar de reglas preprogramadas, para operar en el mundo físico
- A diferencia de los modelos de lenguaje, los modelos de IA física requieren datos reales de robots, lo que crea una oportunidad temprana de ventaja para controlar el mercado
- Más de 70 empresas compiten en 10 categorías de modelos de IA física, abarcando datos y simulación, enfoques de modelo, modelos fundacionales y observabilidad
- La colaboración entre múltiples robots sigue siendo el principal problema no resuelto de la IA física, y la empresa que lo resuelva primero probablemente liderará la expansión industrial de flotas robóticas autónomas
Puntos clave
- Los datos de entrenamiento propietarios son la principal ventaja competitiva en la IA física, y las grandes tecnológicas están recurriendo a adquisiciones para asegurar el acceso a esos datos
- Nvidia adquirió en marzo de 2025 al proveedor de datos sintéticos Gretel por más de 320 millones de dólares
- Meta invirtió 14,800 millones de dólares en participación accionaria en Scale, empresa de infraestructura de datos y desarrollo de modelos
- OpenAI intentó adquirir Medal para asegurar datos de entrenamiento, pero Medal lanzó General Intuition, que construye modelos con esos datos
- Las empresas que aseguren datos de entrenamiento propietarios podrán desarrollar mejores modelos, mientras que sus competidores tendrán que depender del acceso vía licencia
- Asegurar de forma temprana datos de entrenamiento diversos y de alta calidad es clave para alcanzar escala comercial
- Los modelos del mundo permiten que los robots predigan y planifiquen de forma autónoma, una capacidad que los modelos grandes de lenguaje (LLM) no han logrado
- La inversión en modelos del mundo se disparó de 1,400 millones de dólares en 2024 a 6,900 millones de dólares en 2025
- Las empresas de este segmento tienen un puntaje Mosaic promedio de 722 (dentro del 3% superior de todo el mercado)
- Para tener éxito, se necesitan datos de entrenamiento de alta calidad en entornos controlados y alianzas estrechas con fabricantes de hardware
- La colaboración entre múltiples robots sigue siendo el principal problema no resuelto de la IA física
- Las empresas de EE. UU. captaron más de 17,000 millones de dólares en 17 acuerdos
- Las empresas chinas captaron 416 millones de dólares en 15 acuerdos
- En ambas regiones, el enfoque sigue estando casi por completo en las capacidades de robots individuales, y pocas empresas están construyendo la capa de orquestación necesaria para que distintos tipos de robots trabajen juntos
- La empresa que resuelva primero el problema de la colaboración podría controlar la expansión industrial de flotas robóticas autónomas
Resumen de categorías
-
Datos y simulación
- Proveen la base del entrenamiento robótico, ya que los robots requieren grandes volúmenes de datos de entrenamiento, pero recolectar datos reales es lento y costoso
- El mercado se compone de tres subsegmentos:
- Datos de entrenamiento sintéticos — robótica: herramientas que generan datasets sintéticos, como imágenes, datos de sensores y escenas 3D, sin la costosa recolección en el mundo real
- Proveedores de datos de demostración robótica: empresas que capturan datos reales, como teleoperación, trayectorias de movimiento y video, para aprendizaje por imitación
- Plataformas de simulación para robótica: entornos virtuales para entrenar, probar y validar robots antes de desplegarlos físicamente
- La escasez de datos es un cuello de botella importante en la IA física, ya que el costo y la disponibilidad dificultan el acceso a datos reales de entrenamiento
- Estos mercados tienen un puntaje Mosaic promedio de alrededor de 600 (mitad superior en impulso de mercado)
- El 50% de las empresas ya entró en etapa de despliegue, lo que muestra que la infraestructura de datos para IA física está madurando más allá de la investigación hacia la viabilidad comercial
- Muchas empresas dependen de datos sintéticos y simulación, con Nvidia liderando el mercado
- Sin embargo, los datos sintéticos por sí solos no son suficientes, y los datos reales de robots siguen siendo cruciales para entrenar modelos confiables
- Scale recibió inversiones por 16,400 millones de dólares y se ubica en el 1% superior del puntaje Mosaic
- Scale combina generación de datos sintéticos con recolección de datos reales —incluyendo teleoperación humana de robots y datos de sensores en entornos físicos— para expandir su negocio de etiquetado de datos hacia el desarrollo de modelos
- Las empresas emergentes están buscando nuevas fuentes de datos para superar la escasez existente
- General Intuition recaudó 134 millones de dólares para entrenar modelos con videos de gameplay aplicables a sistemas robóticos
- micro1 recibió 35 millones de dólares con una valuación de 500 millones de dólares y está construyendo uno de los mayores datasets de entrenamiento para robótica a partir de videos de interacción humana
- Sin datasets propietarios o plataformas de simulación, las empresas de robótica corren el riesgo de tener que licenciar tecnología de los líderes del mercado o quedar rezagadas en tipos de datos clave como tacto, presión y movimiento físico
-
Enfoques de modelo
- Dan a los robots capacidades de visión, razonamiento y acción, y cada modelo se construye sobre otros modelos
- Permiten adaptarse a nuevas tareas en lugar de depender de programación rígida
- El mercado se compone de tres subsegmentos:
- Desarrolladores de modelos visión-lenguaje (VLM): modelos multimodales que combinan comprensión visual y lenguaje natural, y funcionan como la capa de percepción del robot
- Desarrolladores de modelos visión-lenguaje-acción (VLA): sistemas de IA basados en VLM que combinan percepción visual, comprensión del lenguaje y control motor para convertir instrucciones directamente en acciones físicas
- Desarrolladores de IA de modelos del mundo: modelos que simulan cambios en el entorno para predecir relaciones espaciales, leyes físicas y causalidad
- La IA física está transformando la robótica de una programación hardcodeada a sistemas flexibles y adaptables a tareas, con los modelos VLA emergiendo como la arquitectura líder
- Empresas líderes de robots humanoides como Figure, 1X y Galbot están construyendo modelos VLA propietarios
- Grandes tecnológicas como Nvidia y Meta están desarrollando modelos para licenciamiento comercial a fabricantes de robots
- Los modelos del mundo podrían representar la verdadera innovación al añadir razonamiento predictivo
- Empresas como World Labs y Runway están construyendo modelos del mundo
- A diferencia de los VLA, que reaccionan a entradas inmediatas, los modelos del mundo simulan cómo cambia el entorno con el tiempo
- Permiten que los robots anticipen resultados, planifiquen acciones de múltiples pasos y se recuperen de errores
-
Modelos fundacionales
- Combinan datos y arquitectura para ofrecer inteligencia robótica preentrenada capaz de percibir, razonar y actuar
- Algunos son modelos generales para manipulación y otros son especializados
- Los desarrolladores pueden licenciar esta inteligencia y aplicarla sin construirla desde cero
- El mercado se compone de tres subsegmentos:
- Desarrolladores de modelos fundacionales para robots: modelos generales que ayudan a los robots a ver, pensar y moverse en distintos tipos de hardware
- Desarrolladores de modelos fundacionales para conducción autónoma: entrenados con grandes datasets de conducción para integrar percepción, predicción, planeación y control, reemplazando sistemas autónomos existentes para robotaxis, transporte de carga y entregas
- Desarrolladores de modelos de colaboración entre múltiples robots: algoritmos multiagente que permiten la cooperación de enjambres robóticos mediante distribución de tareas, evitación de colisiones y toma de decisiones distribuida
- El mercado de modelos fundacionales es muy dinámico
- Gigantes tecnológicos de EE. UU. (Microsoft, Google, Amazon) y líderes chinos (Huawei, Baidu) compiten con startups destacadas como DeepSeek y Physical Intelligence
- Muchas empresas trabajan en varios tipos de modelos fundacionales a la vez
- Los datos de entrenamiento de un dominio pueden mejorar el rendimiento de modelos en otros dominios
- Nvidia es la única empresa activa en las tres categorías de modelos fundacionales, posicionándose como infraestructura para todo el stack de IA física
- La colaboración entre múltiples robots es la próxima frontera
- Por ejemplo, escenarios en los que humanoides, robots móviles autónomos y montacargas autónomos trabajan juntos en un almacén
- La colaboración entre distintos tipos de robots requiere una capa de orquestación que gestione tareas, recursos y evitación de colisiones sin control centralizado
- Solo unas pocas startups (Field AI, Intrinsic) y grandes tecnológicas están persiguiendo este objetivo
- La mayor parte del trabajo sigue en fase de investigación, más que en despliegue comercial
- Las empresas con modelos propietarios pueden capturar márgenes más altos mediante diferenciación e integración vertical
- Las empresas que licencian IA de terceros pueden beneficiarse de menores costos por la comoditización de modelos, pero compiten más por velocidad de despliegue y calidad de integración que por tecnología central
-
Observabilidad
- Captura lo que ocurre cuando los robots operan en producción, cerrando la brecha entre el desarrollo en laboratorio y el despliegue en el mundo real
- Plataformas de observabilidad para robótica: plataformas para monitorear, depurar y optimizar robots tanto en desarrollo como en producción
- Cuando los robots fallan o actúan de forma inesperada, los ingenieros pueden reproducir incidentes, identificar la causa y enviar correcciones
- Los casos límite del mundo real se incorporan a la simulación y al entrenamiento para mejorar los modelos y elevar el rendimiento
- Foxglove y Formant son ejemplos representativos: rastrean el desempeño, analizan fallos y retroalimentan los aprendizajes del despliegue hacia datasets, simulación y modelos
- Las empresas con observabilidad sólida pueden aprender de los fallos y mejorar rápidamente sus modelos
- Las situaciones imprevistas se convierten en ventajas de entrenamiento, un factor clave que distingue a los sistemas listos para producción de los prototipos de laboratorio
Aún no hay comentarios.