Hay una diferencia entre una IA que puede escribir código y una IA que puede atornillar una pieza en una línea de montaje. La primera requiere texto y electricidad. La segunda requiere entender el espacio tridimensional, la física de los objetos, la resistencia de los materiales y el movimiento en tiempo real. Son problemas completamente distintos. Y NVIDIA decidió que el segundo es el negocio del próximo decenio.
Lo llaman "Physical AI" — inteligencia artificial física. Y el cambio que está operando en la empresa que fabrica los chips detrás de la mayor parte del entrenamiento de IA en el mundo revela algo sobre en qué dirección va la tecnología cuando termina el ciclo de los chatbots.
La apuesta que Jensen Huang lleva dos años explicando
Jensen Huang, el CEO de NVIDIA, empezó a hablar de Physical AI en 2024. La tesis era simple en su formulación y compleja en su implicación: el siguiente salto en inteligencia artificial no va a ocurrir en servidores respondiendo preguntas, sino en robots, vehículos autónomos y fábricas que aprenden a operar en el mundo físico.
Para que eso pase, no alcanza con tener modelos de lenguaje grandes. Se necesita:
1. Simulación: los robots necesitan aprender a moverse antes de que los pongas en una fábrica real, porque si aprenden en la fábrica real, rompen cosas. NVIDIA tiene una plataforma llamada Omniverse, que permite simular entornos físicos con un nivel de detalle que el modelo puede usar para entrenarse.
2. Inferencia en el borde: los sistemas físicos necesitan tomar decisiones en milisegundos, no en los segundos que tardan las consultas a un servidor en la nube. Eso requiere chips optimizados para correr IA directamente en el dispositivo — los robots, los autos, las cámaras de seguridad.
3. Datos del mundo físico: los modelos de lenguaje se entrenaron con texto. Los modelos de Physical AI necesitan datos de sensores, cámaras, LIDAR, acelerómetros — un tipo de información radicalmente diferente que todavía escasea.
NVIDIA construyó productos para los tres problemas. Eso es lo que distingue su posición: no vende una pieza del rompecabezas, sino la mesa donde se arma.
Por qué la fábrica es el caso de uso más importante
Los medios de comunicación cubrieron durante años el tema de los vehículos autónomos como el caso de uso principal de la IA en el mundo físico. Tesla, Waymo y una docena de startups prometieron coches que se manejan solos y entregaron, en el mejor de los casos, sistemas que funcionan en condiciones controladas en ciudades específicas.
Lo que no cubrieron con la misma intensidad fue la manufactura.
Las fábricas modernas tienen un problema estructural: son difíciles de reprogramar. Una línea de montaje diseñada para producir un modelo de auto necesita semanas de trabajo para adaptarse a un modelo diferente. Los robots industriales tradicionales son rígidos — hacen exactamente lo que fueron programados para hacer, sin capacidad de adaptarse a variaciones.
La IA física cambia eso de una forma que tiene consecuencias geopolíticas directas. Si una fábrica puede reprogramarse en días en lugar de semanas, la ventaja competitiva de los países con mano de obra barata se reduce. La velocidad de adaptación importa más que el costo por hora trabajada.
BMW, Mercedes, Amazon y Foxconn anunciaron en 2025 proyectos para integrar robots con IA en sus líneas de producción usando plataformas de NVIDIA. No son experimentos. Son despliegues a escala que, si funcionan, van a presionar a sus competidores a hacer lo mismo.
El problema que NVIDIA no controla
La Physical AI depende de datos del mundo real que todavía no existen en cantidad suficiente para entrenar modelos realmente generales. Un robot que aprende a ensamblar un tipo de pieza no generaliza bien a otro tipo de pieza. Es el mismo problema de la IA de texto, resuelto con billones de palabras de internet — pero para el mundo físico no hay un corpus equivalente.
Varias empresas están construyendo esa base de datos de manera activa: Apptronik, Figure AI y 1X Technologies entrenan robots humanoides con la idea de que los datos que generan operando pueden usarse para entrenar modelos más generales. NVIDIA participa en esa cadena como proveedor de la infraestructura de simulación y cómputo.
Hay un segundo problema que es menos técnico y más político: los aranceles. La guerra comercial entre Estados Unidos y China que se intensificó bajo la administración Trump a partir de 2025 golpeó directamente a NVIDIA. China era un mercado enorme para sus chips de IA. Las restricciones de exportación impuestas por el gobierno estadounidense — con el argumento de que los chips de IA tienen uso dual militar-civil — cortaron ese mercado.
Eso aceleró el desarrollo de chips chinos propios, particularmente de Huawei, cuyo chip Ascend 910C comenzó a ganar adopción en China como alternativa doméstica. NVIDIA no va a perder ese mercado indefinidamente sin consecuencias para su crecimiento.
Qué significa esto más allá de la empresa
Physical AI va más allá de la próxima apuesta de una empresa de semiconductores. Es una señal sobre en qué etapa está la transición tecnológica que el mundo está atravesando.
La primera etapa fue digital: mover información al plano virtual, hacer que las tareas cognitivas de los humanos pudieran automatizarse a escala. Eso ya ocurrió.
La segunda etapa es física: hacer que las máquinas puedan operar en el mundo material con la misma eficiencia con que los modelos de lenguaje operan en el mundo simbólico. Esa etapa está empezando.
Las implicaciones no son solo económicas. Una fábrica que puede producir robots que aprenden a operar otras fábricas crea un ciclo de retroalimentación que no había existido antes. La velocidad con que la tecnología puede replicarse a sí misma en el mundo material es la variable que los economistas y los estrategas militares todavía no tienen bien estimada.
Jensen Huang lo dice con la grandilocuencia que caracteriza a los CEOs de Silicon Valley. Pero debajo del discurso hay un problema de ingeniería real que, si se resuelve, cambia más cosas que cualquier chatbot.
Fuente original: Un Mundo Loco
