Qué pasó
- El instituto Allen para la IA presentó el 6 de noviembre de 2026, en el blog de Hugging Face, un marco para crear entornos controlados donde estudiar el aprendizaje de robots. Los llaman FoundationWorlds.
- El primero es ToyBlocks, una simulación abierta construida en torno a un brazo robótico y bloques sobre una mesa. El escenario es deliberadamente simple, pero el robot debe razonar cómo interactúan los bloques mientras los empuja, los voltea y los apila.
- Cada FoundationWorld combina un mundo simulado con herramientas para generar tareas y demostraciones de forma automática, además de métricas para medir la conducta del robot a lo largo del tiempo.
- Los autores quieren extender el enfoque a entornos cada vez más complejos.
Por qué importa
- Las demostraciones de robots que doblan ropa o clasifican piezas suelen ser estrechas y no explican qué aprendió la máquina ni por qué falla.
- Los científicos suelen empezar por entornos pequeños y controlados, como una placa de Petri. La robótica carecía de uno que permitiera cambiar los datos de entrenamiento, repetir una prueba y rastrear la causa de un error.
- Un entorno así permite preguntas concretas: cómo mejora un modelo al sumar datos o cómo combinar mejor el razonamiento de alto nivel con el control físico fino.
El dato
Cuatro requisitos. Ai2 diseñó ToyBlocks para cumplir a la vez física y apariencia realistas, generación automática de tareas y demostraciones a gran escala, desafíos que combinen razonamiento y control, y medición de resultados. Según los autores, un dominio más amplio haría inviable cumplirlos todos.
Contexto
ToyBlocks genera sus propias demostraciones, es decir, grabaciones de un robot que completa tareas en simulación, sin la teleoperación lenta de una persona que lo maneja a distancia. Los investigadores pueden variar esos datos, por ejemplo con más demostraciones de empujar o voltear, y evaluar el desempeño en tareas que quedaron fuera del entrenamiento.
Los bloques llevan imágenes y letras en las caras, de modo que hay tareas de búsqueda, clasificación y ordenamiento. A veces el robot debe girar un bloque para ver una cara oculta. Para generar las habilidades se usan aprendizaje por refuerzo y planificación de movimiento en Isaac Lab, el marco abierto de Nvidia, y las políticas aprenden destrezas como empujar o voltear sin agarrar. Un planificador de tareas y movimiento encadena esas habilidades y produce los datos.
Todo esto ocurre en simulación. Los autores plantean que el brazo y los bloques simulados se comportan de manera muy parecida a los físicos, pero esa correspondencia es una afirmación del equipo.
En Mamífero seguimos la robótica y los mundos simulados. Contamos que Corea abrió una fábrica de datos con 12 humanoides y que Mundo convierte fotos de una habitación en un mundo explorable. También que Rivian compró Third Dimension para recrear escenas reales de conducción y que Nvidia abrió cuatro modelos Cosmos 3 para simular conducción y robots.
Qué viene
- Ai2 planea nuevos FoundationWorlds con entornos más complejos.
- El trabajo se apoya en sus proyectos anteriores de aprendizaje robótico abierto: MolmoAct 2, MolmoBot y MolmoSpaces.
- Falta ver si lo aprendido en un mundo tan acotado se traslada a robots reales.
Cierre
Para entender por qué un robot falla hay que poder repetir el experimento. ToyBlocks ofrece algo tan modesto como un brazo y unos bloques, pero con la ventaja de que todo se puede cambiar y medir.
Fuentes
- Allen Institute for AI, “ToyBlocks: A controlled world for robot learning and evaluation”, blog de Hugging Face, 6 de noviembre de 2026, enlace.
- Imagen de portada: Bobjgalindo, CC BY 4.0, vía Wikimedia Commons
Editado por Rodrigo Cornejo. Quiénes escriben las notas
