Los robots "no se sacian", los datos reales siguen siendo el campo de batalla de la inteligencia encarnada

Los problemas de datos son uno de los principales retos a los que se enfrenta hoy la actualización inteligente de la industria de los robots.

El 28 de marzo, como foro paralelo de la Cumbre del Zhongguancun, la conferencia de ciencia ficción de China 2026 celebrada en el sitio, el Centro de Entrenamiento de Innovación de Datos sobre Haptica Basada en Inteligencia Encarnada y Percepción Multimodal de Beijing Shijingshan fue inaugurado oficialmente.

Según informó un reportero, el centro fue creado conjuntamente por Beijing Shijingshan Technology Innovation Group Co., Ltd. y Heishan Technology, basándose en las necesidades de desarrollo de la industria de la inteligencia encarnada, y definiendo tres direcciones técnicas: háptica, heterogeneidad y recolección autónoma sin personal. El centro construye una plataforma integral de conversión tecnológica de extremo a extremo que integra adquisición de datos multimodales, entrenamiento de algoritmos y despliegue en escenarios.

Los problemas de datos son uno de los principales retos a los que se enfrenta hoy la actualización inteligente de la industria de los robots. En el segmento del foro del Zhongguancun titulado “Diálogo de 10 mil millones de yuanes sobre inteligencia encarnada”, el cofundador de Xingdong Yuan, Xi Yue, cree que la mayor dificultad del desarrollo de la inteligencia encarnada en la actualidad sigue siendo los datos.

Desde el punto de vista de los escenarios concretos de implementación empresarial, Xi Yue considera que la dificultad para recolectar datos de escenarios reales es alta, por lo que se requiere que el equipo del escenario abra permisos; además, la recolección a gran escala tiene problemas como costos elevados y tiempos largos. Y los planes de sustitución existentes presentan limitaciones: el modelo comúnmente usado en la industria de replicar 1:1 escenarios reales y crear un campo de entrenamiento propio. Debido a que depende de que los ingenieros participen de principio a fin en la recolección, el entrenamiento, el despliegue y la localización de problemas, la eficiencia general es baja y los costos son altos.

Xi Yue cree que la industria puede construir un “volante de datos” en bucle cerrado de “adquisición de datos-iteración de modelos”, para que los robots puedan manejar de forma autónoma todo tipo de situaciones extremas en entornos reales y mejorar continuamente la eficiencia del sistema; y en segundo lugar, impulsar el modo combinado de “demostraciones humanas + recolección con máquina real”. Sin embargo, actualmente todavía se requiere resolver a fondo las diferencias de ambos en la constitución del propio sistema, las formas de movimiento y los métodos de percepción.

El fundador de Yuanli Lingji, Tang Wenbin, reconoce que los datos son uno de los cuellos de botella actuales de la inteligencia encarnada, pero no son el único problema. A su juicio, la recolección de datos es, en esencia, un problema de dinero y tiempo: al invertir fondos para comprar robots, construir campos de entrenamiento, contratar operadores remotos y subcontratar etiquetado, se puede acumular rápidamente una cantidad de datos de millones de horas y nivel de millones de muestras. Por lo tanto, “si hay datos o no los hay” no es una barrera industrial. Lo que realmente establece la ventaja competitiva es si la empresa puede devolver automáticamente datos desde escenarios reales; si puede construir un bucle cerrado eficiente de volante de datos.

Zhi Ping ya cuenta con varias vías para obtener datos, pero al volver a la realidad, el cofundador Zhang Peng sigue creyendo que el valor de los datos de escenarios reales es insustituible, y esta también es la dirección en la que la industria debe centrarse ahora: una parte que, mediante productos desplegados en primera línea, logran devolución de datos y el acopio de esos datos. Ese segmento es el activo más valioso en materia de datos. Con el fin de garantizar la seguridad, Zhi Ping también compartirá esa parte de los datos con los clientes.

Según informó un reportero, en la actualidad, el proyecto de la cuarta fase del Centro de Adquisición y Entrenamiento de Datos de Robots Humanoides en Beijing Shijingshan colabora principalmente con empresas como Leju, Tushan, Reimann, Lingchu, etc., para intentar resolver la escasez de datos y los cuellos de botella de calidad en la industria de robots.

Sobre el problema de oferta y demanda de datos de robots en la actualidad, una persona del sector le dijo al reportero que actualmente el ámbito de la inteligencia encarnada está atravesando una reconstrucción del sistema de datos. El auge de tecnologías sin datos de propio cuerpo (como EGO para datos en perspectiva de primera persona y el plan UMI para interfaces de operaciones generales) podría dejar en una situación difícil a las fábricas de adquisición de datos de teleoperación que antes dependían de inversiones en activos pesados.

Desde la perspectiva del valor de los datos, dicha persona señaló que los datos de escenarios reales siguen siendo el punto más alto de la “pirámide” de datos necesarios para el entrenamiento de modelos de robots. Pero la industria en general afronta dos problemas centrales: primero, la falta de estandarización en la calidad de los datos y el diseño de la cadena de datos; segundo, existe un abismo significativo entre industrias en la capacidad de procesamiento de datos. No todas las empresas cuentan con la solidez técnica para construir un sistema eficiente de procesamiento de datos, y dentro de la industria no existe un mecanismo de intercambio unificado de “secretos técnicos” de datos ni un sistema de evaluación comparativa de referencia, lo que lleva a que la eficiencia de aplicación de datos sea dispar.

Dicha persona señaló que, si en el futuro las tecnologías de datos sin modelo de propio cuerpo como EGO, UMI, etc. lograran su adopción generalizada, se podría ampliar aún más la escasez central de los recursos de escenarios. Por parte de las empresas, también podrían liberarse de la dependencia de las fábricas tradicionales de recolección de datos y completar la adquisición directamente en escenarios reales. La accesibilidad y la diversidad de los escenarios se convertirán en una variable clave de la competitividad de los datos.

Por lo tanto, a partir de la tendencia de actualización e iteración tecnológica, la inteligencia encarnada necesita datos de entrenamiento a escala de cientos de millones de horas; pero el total actual sigue siendo gravemente insuficiente. Sin embargo, algunos activos principales que estén desalineados con las rutas tecnológicas dominantes podrían enfrentar riesgos de depreciación en el futuro, como el caso de centros de activos pesados que dependan del propio robot y de instalaciones fijas, que podrían generar una caída de la utilización de capacidad y un aumento disparado de los costos unitarios.

A largo plazo, la lógica central de la competencia en el ámbito de los datos sufrirá un cambio fundamental: del “duelo por hardware de si se cuenta con centros de entrenamiento a escala”, a la capacidad de obtener datos desde escenarios reales, la eficiencia de iteración del ciclo entre escenarios y datos, etc.

Gran cantidad de información, análisis preciso: todo en la app de Sina Finance