China construye las fábricas de datos que necesitan los robots humanoides

El Congreso Mundial de Robots 2026, celebrado en Pekín, ofreció una fotografía reveladora del rumbo que está tomando la industria china de los robots humanoides: el foco se desplaza de ensamblar cuerpos cada vez más capaces a construir la infraestructura de datos que podría entrenar sus «cerebros».

Según datos citados durante el encuentro, al menos 90 centros de recopilación y entrenamiento de datos para robots humanoides ya están operativos o en construcción en China. La cifra apunta a un cambio importante en las prioridades de inversión. Pero la conferencia también dejó claro que producir datos a escala industrial no equivale, por sí solo, a demostrar que esos datos pueden generar una inteligencia robótica que funcione en distintas máquinas, tareas y entornos laborales. 13

El nuevo activo estratégico: los datos encarnados

Un robot humanoide necesita mucho más que imágenes o texto. Para aprender a desenvolverse físicamente requiere información sobre lo que ve una persona, cómo se mueve, cómo reaccionan los objetos y cómo se encadenan las acciones a lo largo del tiempo.

Por eso resultan valiosos los vídeos en primera persona, la información sobre la postura, los datos de profundidad, las señales táctiles y los estados internos del robot. Juntos, estos elementos alimentan los modelos de inteligencia artificial encarnada, capaces de relacionar percepción y acción en el mundo físico.

Lightwheel AI convirtió esa tesis en un proyecto concreto con EgoSuite-Open100K, un conjunto de datos que aspira a reunir 100.000 horas de actividades humanas grabadas desde una perspectiva egocéntrica. El proyecto cubre más de 15.000 tareas y escenas reales de recopilación, con cámaras instaladas en la cabeza y las muñecas, además de datos sobre la postura de las manos y del cuerpo, etiquetas semánticas e información de profundidad. Las primeras 10.000 horas están disponibles en Hugging Face y el proyecto también contempla su distribución mediante AtomGit. 1 12

La propuesta es atractiva: las demostraciones humanas permiten cubrir una gran variedad de movimientos y tareas cotidianas sin tener que registrar cada ejemplo con un robot físico, cuyo uso resulta más caro. Sin embargo, los datos de actividad humana no equivalen automáticamente a la experiencia de un robot. Una persona corrige de forma natural los problemas de equilibrio, fricción y contacto; un robot debe percibir y controlar esos efectos mediante su propio cuerpo.

Seis métodos de recopilación y una disyuntiva fundamental

Tian Feng, del Intelligent Industries Research Institute de SenseTime, describió seis paradigmas de recopilación que funcionan en paralelo, entre ellos la teleoperación, la captura de movimiento, los datos sintéticos y la recopilación en líneas de producción reales. 13

Cada método registra una parte distinta del problema:

• La teleoperación puede conservar acciones específicas del robot y respuestas físicas, pero exige hardware robótico, operadores e infraestructura controlada.
• La captura de movimiento permite registrar movimientos humanos a gran escala, aunque no necesariamente recoge las fuerzas y limitaciones que encontrará un robot.
• Los datos sintéticos generan escenarios poco frecuentes con eficiencia, pero el comportamiento simulado todavía debe trasladarse al mundo físico.
• La recopilación en líneas de producción es la más cercana al uso comercial porque registra tareas concretas, fallos y restricciones del entorno.
• La captura humana en primera persona ofrece amplitud y menores costes, pero puede dejar fuera dinámicas robóticas como el par de las articulaciones y las fuerzas de contacto.

La ventaja económica comunicada es considerable: registrar a personas sin utilizar un robot completo puede costar aproximadamente una quinta parte que recopilar demostraciones con robots físicos. El inconveniente es que los datos pueden reflejar la forma en que trabaja el personal contratado para recopilar información, no necesariamente la de trabajadores experimentados que conocen el oficio. 13

Eso no significa que los datos humanos deban descartarse. Significa que deben ser una capa dentro de una combinación más amplia, junto con teleoperación, estados internos del robot, simulación y retroalimentación procedente de despliegues reales.

La cadena de suministro también se está convirtiendo en una cadena de captura de datos

El mensaje más amplio del congreso fue que la infraestructura robótica ya no incluye únicamente motores, baterías y estructuras. También abarca los equipos utilizados para registrar demostraciones y comportamientos sensoriomotores: sistemas de captura en primera persona y de mano, guantes, interfaces táctiles, cámaras, microcontroladores, memoria y componentes analógicos. 13

Entre los ejemplos presentados se encontraban sistemas de captura sin cuerpo robótico de ORBBEC, guantes de datos y manos táctiles para manipulación de BrainCo, y productos de microcontroladores, memoria y componentes analógicos de GigaDevice. En conjunto, apuntan a una plataforma de instrumentación potencialmente más barata para registrar demostraciones y alimentar el entrenamiento de políticas robóticas. 13

Pero esa expansión introduce un problema de estándares. Los datos obtenidos con sensores, procedimientos de calibración, espacios de acción, capas de software y convenciones de etiquetado diferentes no siempre pueden combinarse sin más.

De ahí surge lo que algunos observadores de la industria llaman «datos isla»: registros útiles que quedan atrapados en la combinación de hardware y software que los produjo. Un conjunto de datos abierto puede reducir el problema, pero la apertura por sí sola no garantiza la reutilización. Antes de que el volumen de datos pueda convertirse en una capacidad común, hacen falta esquemas compartidos, metadatos de calibración, convenciones temporales, interfaces y protocolos de evaluación. 13

¿Tiene la robótica su propia ley de escalado?

También sigue sin resolverse si el patrón conocido de los grandes modelos —más datos y modelos más grandes producen sistemas más capaces— se traslada de la lingüística y la visión a la robótica.

El informe GEN-0, publicado por Generalist AI en noviembre de 2025, ofreció una respuesta alentadora, aunque limitada. En los experimentos de la empresa, los modelos pequeños tenían dificultades para absorber datos sensoriomotores cada vez más diversos, un fenómeno que la compañía denominó «osificación». El rendimiento continuaba mejorando a escalas mayores, y el informe situaba una aparente transición en torno a los 7.000 millones de parámetros. 36

Es una señal relevante, pero todavía no constituye una ley de escalado robótico aceptada por todo el sector. El resultado procede de los modelos, datos y métodos de evaluación de una sola empresa. Además, la robótica plantea una dificultad adicional: una política debe actuar a través de un cuerpo concreto, en un entorno concreto y bajo restricciones físicas reales.

Por eso, la pregunta práctica no es únicamente si un modelo tiene suficientes parámetros. También importa si los datos de entrenamiento contienen las señales físicas adecuadas y si la política resultante puede transferirse a distintos cuerpos robóticos y tareas reales.

Más robots enviados no significa más demanda comercial

La escala manufacturera de China le proporciona una ventaja importante para desplegar robots en experimentos y procesos de recopilación de datos. Pero las cifras de unidades pueden resultar engañosas si la mayoría de las máquinas se utiliza todavía para demostrar capacidades, investigar o reunir datos, en lugar de generar un valor económico recurrente.

Interact Analysis informó de que la producción mundial de robots humanoides superó las 20.000 unidades en 2025, aunque solo alrededor del 10 % se destinó a aplicaciones reales; la mayoría se utilizó en investigación, recopilación de datos o entretenimiento. El mismo análisis identificó a China como motor tanto de la oferta como de la adopción temprana. 21

Ese contexto es importante para entender el auge de los centros de datos. Las ayudas públicas, las compras masivas y los programas de recompra de datos pueden aumentar rápidamente el número de robots, instalaciones y horas grabadas. Pueden contribuir a crear un ecosistema de aprendizaje, pero no demuestran por sí mismos que los clientes vayan a pagar por robots capaces de reducir costes de forma fiable, elevar la producción o realizar tareas que las personas no puedan desempeñar con facilidad.

El verdadero cuello de botella es la convergencia

El congreso de Pekín no demostró que China haya resuelto ya la inteligencia encarnada. Mostró que su industria está ensamblando, a una escala poco habitual, las piezas de una posible solución:

1. Datos amplios, procedentes de demostraciones humanas y entornos diversos.
2. Datos anclados en la física, obtenidos mediante teleoperación, sensores robóticos y tareas reales de producción.
3. Infraestructura interoperable, para que las grabaciones puedan trasladarse entre cuerpos robóticos y plataformas de software.
4. Modelos que escalen y se transfieran, en lugar de limitarse a memorizar demostraciones.
5. Retroalimentación del despliegue, incluidos fallos, recuperaciones e intervenciones de operadores.
6. Ingresos comerciales, capaces de financiar la recopilación continua de datos sin depender indefinidamente de subsidios.

El ecosistema propuesto por Lightwheel también apunta a este circuito: estándares de datos abiertos, recopilación guiada por evaluaciones y coordinación entre el diseño de los datos y el de los modelos. 1

La conclusión más sólida es, por tanto, más concreta que afirmar que «China ha construido un cerebro robótico». China está construyendo las fábricas, los instrumentos y los conjuntos de datos destinados a hacer posible ese cerebro. Que esa infraestructura produzca humanoides realmente útiles dependerá de la calidad de los datos, su fidelidad física, la compatibilidad entre distintos equipos y la evidencia de que los robots pueden generar un valor duradero fuera de las demostraciones y los laboratorios de investigación.