最近 y varias personas inversoras activas en el mercado primario han hablado mucho. Mientras que en el mercado secundario todavía se busca historias de reducción de costos y aumento de eficiencia con IA en los informes financieros, desde la segunda mitad del año pasado, el mercado primario ha mostrado una personalidad completamente diferente — en cierto sentido, una "locura que rompe el consenso". El punto de inflexión de esta ola es claro: la IA comienza a salir en masa de las pantallas y entrar en el mundo físico real. Los proyectos en los que todos invierten están centrados en aprovechar esta oportunidad en el extremo del dispositivo.

¿Hasta qué punto puede ser loca la IA en el mundo físico?

En este aspecto, sigo bastante de acuerdo con el consenso de la industria: las formas de robots más competitivas en el futuro probablemente sean tres: robots humanoides, conducción autónoma y drones. Estas tres direcciones representan, en efecto, la búsqueda de la máxima eficiencia bajo la lógica industrial. Sin embargo, tras seguir este camino, he descubierto que la invasión de la IA en el mundo físico ya es más temprana, más trivial y más amplia de lo que pensaba.

Solo con dos casos reales puedes sentir la diferencia:

El primero, unas gafas inteligentes con IA para observadores de aves. La dificultad radica en la "aleatoriedad" del mundo físico. En entornos al aire libre, las aves migratorias no permanecen quietas como piezas de maquinaria. La IA debe en unos pocos milisegundos extraer información clave de la confusión de sombras de árboles, cambios bruscos de luz y el aleteo de las aves a varias decenas de veces por segundo, y luego hacer coincidencias en tiempo real con una base de datos de miles de especies. Aquí no solo se pone a prueba la capacidad de cálculo, sino también el límite de precisión de la captura de objetivos dinámicos por parte de la IA.

El segundo, un brazo mecánico con IA en una estación de servicio. Enfrenta un escenario físico completamente abierto y de riesgo muy alto. El sistema necesita identificar rápidamente la posición de la tapa del depósito de combustible en miles de modelos diferentes de vehículos y luego operar con precisión. Cada paso es una dura prueba de la capacidad de adaptación del entorno de la IA.

Estos proyectos parecen muy especializados, pero en realidad exponen el mismo problema: la IA debe completar tareas en entornos reales extremadamente complejos y altamente inciertos. Esto es mucho más difícil que simplemente correr modelos en el mundo digital.