El humanoide en la cocina y el atajo de Stanford: controlar un robot sin modelos de acción

El laboratorio TML de Stanford presentó en septiembre de 2026 HomeBody (entre los autores figura también un investigador de Caltech), un sistema de investigación que confía el manejo de un robot humanoide directamente a un modelo de visión y lenguaje de frontera. Según la página del proyecto y lo publicado por The Decoder el 27 de septiembre, el enfoque se salta la capa intermedia que suele ocupar un modelo de acción (VLA) entrenado. En su lugar, el modelo de OpenAI — llamado "GPT Astra" en la página de Stanford y "GPT-6 Astra" por The Decoder — invoca directamente una biblioteca de cinco habilidades motoras ya existentes y coordina la navegación por un mapa, coger y dejar objetos, abrir cajones y coger algo de un cajón abierto.

Antes de actuar, el Unitree G1 explora el espacio que lo rodea para reconstruir un gemelo digital en Nvidia Isaac Sim mediante un proceso real2sim, y guarda la posición tridimensional de los objetos en una memoria espacial. Ese mapa interno le permite recuperar objetos incluso cuando salen de su campo de visión inmediato. El cálculo a bordo corre en un portátil con una sola GPU RTX 4090, que gestiona el control del brazo y la mano a 250 Hz y las actualizaciones de la política AMO a 50 Hz; el modelo de OpenAI, en cambio, se consulta por API. En la demostración cualitativa publicada por los investigadores, el robot logró ordenar una cocina que nunca había visto a partir de una petición genérica, sin entrenamiento específico para ese contexto.

Aun así, el sistema muestra las limitaciones propias de una tecnología todavía inmadura. Los autores señalan que "la latencia de razonamiento de GPT Astra introduce pausas entre las habilidades" y que la duración total de las tareas "también está limitada por el alcance del humanoide, sus capacidades de manipulación y la resistencia del hardware" (traducción nuestra), con especial referencia al sobrecalentamiento de los servomotores de los dedos. Además, reconstruir el entorno exige tiempo de preparación y conlleva costes de API no cuantificados. En el momento de nuestra verificación, el código del repositorio oficial de GitHub aún no es público, no se indica la licencia, no hay un paper de arXiv vinculado y no está claro si la prueba se repitió en más de una cocina. No hay datos estadísticos sobre la tasa de éxito ni sobre el número de pruebas; el 95 % que circula por internet no se refiere a HomeBody: parece proceder de una evaluación de terceros sobre brazos robóticos I2RT YAM, que no hemos podido comprobar en una fuente primaria.

Saltarse la traducción motora intermedia para confiar directamente en una inteligencia de frontera es un experimento fascinante, pero nos recuerda que la física lleva otro ritmo que el cálculo puro. Si la acción tiene que congelarse mientras el modelo responde por API, la fluidez del gesto sigue siendo una meta lejana. — Olya