Análisis de KinetIQ Ascend: 99,9 % a velocidad humana

Un robot sacando anillos de rodamiento de acero de un contenedor no es glamuroso. Es el equivalente de almacén a lavar un tenedor para siempre, excepto que el tenedor es resbaladizo, reflectante y financieramente importante. Según RockingRobots, Humanoid probó KinetIQ Ascend en una tarea de alimentación de máquinas en la que un robot recogía anillos de rodamiento de acero de un contenedor y los colocaba en una cinta transportadora. Ese es exactamente el tipo de tarea aburrida que la IA robótica tiene que sobrevivir antes de que alguien deba dejarla acercarse a la palabra autonomía sin un acompañante. La nueva afirmación de Humanoid es más grande que un contenedor de donas metálicas. La empresa dice que KinetIQ Ascend es un enfoque de aprendizaje por refuerzo destinado a impulsar la manipulación robótica hacia una fiabilidad del 99,9% a velocidad humana y más allá, según The Robot Report. Traducción: el robot no debería limitarse a copiar a un humano; debería practicar, fallar, ajustar y finalmente dejar de tratar cada postura incómoda de un objeto como una emergencia filosófica.

La afirmación, según The Robot Report The Robot

Report dice que Humanoid, con sede en Londres, presentó KinetIQ Ascend como un enfoque de aprendizaje por refuerzo diseñado para alcanzar una fiabilidad de manipulación del 99,9% a velocidad humana y más allá. Ese número importa porque la manipulación industrial es brutalmente implacable: un 98% puede verse adorable en una demostración y luego convertirse en un cañón de confeti de tiempo de inactividad cuando se repite miles de veces. La empresa tampoco presenta esto como un truco de laboratorio de juguete; The Robot Report señala que Humanoid está construyendo robots humanoides para uso industrial de propósito general y fue fundada por Artem Sokolov en 2024. Jarad Cannon, director de tecnología de Humanoid, planteó la propuesta directamente en The Robot Report: “La carrera de los humanoides se está convirtiendo en una cuestión de escala, y el aprendizaje por refuerzo en el mundo real puede ser una parte central de la respuesta”, y “Los robots que antes requerían meses de ajuste manual ahora superan las demostraciones humanas en cuestión de días”. Es una frase picante, y también el campo de batalla correcto. El ajuste manual es donde los proyectos robóticos van a convertirse en encurtidos artesanales de software.

El ciclo de entrenamiento, según RockingRobots

RockingRobots informa que KinetIQ Ascend amplía la plataforma KinetIQ de Humanoid al permitir que los robots refinen comportamientos aprendidos previamente mediante entrenamiento de prueba y error en tareas específicas. Ese es el movimiento técnico clave: empezar con algo que el robot ya puede intentar y luego dejar que la retroalimentación real de la tarea moldee un mejor comportamiento. Es aprendizaje por refuerzo en el lugar más desordenado donde la fricción, la iluminación, las tolerancias y la rareza de los objetos conspiran como un departamento del caos sindicalizado. La lista de tareas es útil porque evita la trampa habitual de las demostraciones robóticas, donde un robot realiza un movimiento limpio una vez y internet declara la victoria antes de que la pinza se haya enfriado. RockingRobots dice que Humanoid probó el sistema recogiendo componentes de contenedores, entregando objetos a personas y moviendo recipientes usando dos brazos. No son trucos mágicos exóticos, pero son exactamente el tipo de tareas repetibles de manipulación que deciden si un robot se gana espacio en la planta o se convierte en un perchero carísimo.

Por qué el aprendizaje por refuerzo en

el mundo real es lo interesante, según The Robot Report La cobertura de The Robot Report deja claro que Humanoid está posicionando el aprendizaje por refuerzo en el mundo real como una respuesta de escalado al cuello de botella del ajuste manual. En robótica, ese cuello de botella no es solo molesto; es estructural. Cada nuevo accesorio, contenedor, forma de pieza, condición de iluminación o entrega a una mano humana puede exigir un ajuste cuidadoso, y de repente tu robot de propósito general necesita la hoja de cálculo de apoyo emocional de un proyecto de automatización personalizado. El ángulo de la IA es que la imitación por sí sola te da un techo: el sistema aprende a reproducir un comportamiento, pero no necesariamente a descubrir estrategias más rápidas o más fiables bajo consecuencias reales. La propuesta de Humanoid, tal como la resumen The Robot Report y RockingRobots, es que la prueba y error en tareas con estilo de producción puede cerrar la última brecha de fiabilidad. Eso no significa que lances un humanoide a una fábrica y lo dejes aprender como un niño pequeño con cafeína. Significa que el sistema de aprendizaje tiene que estar limitado, ser medible y aburridamente seguro, que es donde vive la ingeniería real.

Qué observar a continuación, según RockingRobots y The Robot Report

RockingRobots describe KinetIQ Ascend como pensado para reducir el ajuste manual y la recopilación de datos al desarrollar nuevas capacidades robóticas. The Robot Report añade la ambición principal: una fiabilidad de manipulación del 99,9% a velocidad humana y más allá. La pregunta útil ahora no es si la demostración parece impresionante, sino si la fiabilidad se mantiene en ejecuciones más largas, distribuciones de piezas más desordenadas y cambios de tarea que no fueron preparados con cariño para el día de cámara. Para quienes construyen, la conclusión es práctica: el aprendizaje por refuerzo en el mundo real se está convirtiendo en un control serio dentro de la pila de entrenamiento robótico, no solo en una referencia académica con gafas de seguridad. Si Humanoid puede mostrar resultados repetibles más allá de tareas seleccionadas, KinetIQ Ascend se convierte en una señal de que los humanoides industriales podrían entrenarse menos como autómatas codificados a mano y más como sistemas que mejoran mediante práctica estructurada. Hasta entonces, conserva el optimismo, pide las curvas de fallo y recuerda que el 99,9% todavía tiene que ganarse cada nueve.