Desde el cálculo acelerado y la simulación hasta las operaciones de datos, herramientas de código abierto, ingeniería de validación y aprendizaje continuo, estas cinco plataformas representan puntos de control distintos en la pila de IA física emergente.
Para la mayor parte del boom moderno de la IA, la infraestructura tenía un solo centro de gravedad: compute. Los modelos aumentaron, las carreras de capacitación consumieron más GPU, y la industria se organizó alrededor de aceleradores, grupos de nubes, marcos de capacitación y software desarrollador. Esa pila era suficiente cuando las salidas de AI eran texto, imágenes, vídeo o código.
La AI física cambia la definición. Un robot no solo ejecuta un modelo. Debe percibir un entorno cambiante, razón de contacto y movimiento, actuar a través de un cuerpo específico, y recuperarse cuando sus acciones fallan. Su ciclo de desarrollo abarca demostraciones reales, datos sintéticos, simulación física, capacitación de políticas, evaluación estructurada, despliegue y la recopilación de nuevos casos de fracaso. La infraestructura de IA física se está convirtiendo en un sistema de capas interdependientes en lugar de un sinónimo de capacidad informática.
Esta lista se centra en la infraestructura horizontal: plataformas reutilizables en fabricantes de robots, encarnaciones e industrias, excluyendo fabricantes de robots y desarrolladores de modelos. Para calificar, una plataforma tenía que abordar un cuello de botella crítico, proporcionar infraestructura reutilizable en lugar de una solución de punto, apoyar a múltiples desarrolladores de robótica, y mostrar evidencia pública del despliegue, adopción de ecosistemas o contribución de código abierto. Los cinco no son ordenados por valoración o ingresos; cada uno representa un punto de control diferente en la pila física emergente AI.
NVIDIA: El sustrato acelerado de computación y simulación
NVIDIA sigue siendo la empresa más fundamental en la pila de infraestructura física AI. Su importancia comienza con la computación acelerada, pero la empresa se ha extendido constantemente hacia el desarrollo de robots, simulación, datos sintéticos, modelos de fundación y evaluación de políticas.
NVIDIA Isaac abarca ahora marcos de simulación y aprendizaje de robots, bibliotecas aceleradas de CUDA, modelos de IA y flujos de trabajo de referencia: Isaac Sim para simulación física, Isaac Lab para el aprendizaje de robots y el entrenamiento de fundaciones, Isaac GR00T para el desarrollo humanoide generalizado, e Isaac Lab-Arena para la evaluación de políticas a gran escala y acelerado por GPU. Newton extiende la pila en la capa física: desarrollada con Google DeepMind y Disney Research y gestionada por la Fundación Linux, es un motor de física acelerado por GPU de código abierto construido para el aprendizaje de robots, cubriendo contacto, fricción, dinámicas rígidas y de cuerpo blando, actuadores y sensores.
La ventaja estratégica no es un producto único, sino la capacidad de NVIDIA para conectar la computación, la generación mundial, la física, los datos sintéticos, la formación de modelos, la evaluación y el despliegue de bordes dentro de un ecosistema desarrollador, lo más cercano que la AI física tiene a un sustrato de desarrollo común.
La cuestión a observar es la apertura del ecosistema mientras se expande. NVIDIA apoya los marcos abiertos, pero también tiene un obvio incentivo para sacar más del flujo de trabajo físico de AI hacia su propio compute y software. Si se convierte en un sustrato neutral o una plataforma verticalmente integrada dominante formará gran parte del mercado.
Intuición aplicada: Ingeniería de validación para máquinas autónomas
Si NVIDIA proporciona el sustrato de desarrollo, repliegue de Intuición Aplicada
resentirá la infraestructura necesaria para probar que una máquina autónoma está lista para el mundo real.
La IA física no puede parar en el entrenamiento modelo. Los automóviles, camiones, drones, vehículos mineros y sistemas industriales deben ser probados en condiciones de funcionamiento costosas, peligrosas, raras o imposibles de reproducir repetidamente en el mundo físico. Applied Intuition construyó su posición durante la era del vehículo autónomo, donde la simulación y validación son sistemas de ingeniería básica en lugar de herramientas opcionales, y ahora posiciona su plataforma de IA física de extremo a extremo a través de automotriz, defensa, camión, minería, construcción, agricultura y robótica.
Su plataforma combina simulación y evaluación, ingestión de datos a gran escala, recopilación de datos de cierre cerrado, desarrollo de sistemas autónomos, operación de flotas y software de operación de vehículos. Aplicado dice que su herramienta convierte los datos de sensores del mundo real en segmentos curados para entrenamiento, simulación y evaluación, con métricas continuas alimentando el próximo ciclo de desarrollo. El valor de la empresa radica en convertir los requisitos del mundo real en sistemas de prueba estructurados: bibliotecas de escenarios, condiciones ambientales y sensoras variadas, simulación paralela y evaluación cableada en integración continua.
La cuestión a observar es si la fuerza en movilidad autónoma traduce igualmente bien a la manipulación y la robótica humanoides, donde el comportamiento depende de instrucciones de lenguaje, dinámicas de contacto y interacciones de larga duración, y los fracasos implican destreza, fuerza e interpretación de tareas en lugar de navegación sola.
Scale AI: La fábrica de datos para la robótica
Scale AI representa otra capa fundamental: el sistema necesario para convertir las interacciones físicas crudas en datos de entrenamiento utilizables.
Los datos robóticos no se pueden recopilar desde internet de la manera en que el texto o las imágenes pueden. Las trayectorias deben producirse a través de sistemas físicos o manifestaciones humanas, una interacción a la vez, luego sincronizadas, calibradas, limpiadas, anotadas y evaluadas. Scale construyó su reputación industrializando esos procesos para vehículos autónomos y modelos de IA fronterizos, y ahora está ampliando el mismo enfoque en IA física.
Su plataforma combina fábricas de datos centralizadas, colectores humanos distribuidos, sistemas robot reales y colección egocéntrica sin robot, con anotación multimodal y ajuste de políticas internas destinados a verificar que un conjunto de datos produce mejoras de modelo mensurables. La compañía dice que su red recopila más de 1.000 horas de datos de demostración por día; reportó la entrega de más de 150.000 horas de datos físicos de inteligencia artificial durante 2025 y la adición de 10 clientes robóticos, con socios de nombre público incluyendo la Inteligencia Física y Inteligencia Generalista. Esto hace que Scale sea más que un proveedor de etiquetas: está construyendo el sistema operativo para especificar tareas, gestionar contribuyentes, hacer cumplir la calidad y validar conjuntos de datos contra las políticas de abajo.
La pregunta a ver es si Scale puede reproducir en robótica la ventaja de la escala que construyó en conducción autónoma y AI generativa. Los datos de robot se fragmentan a través de encarnaciones, sensores, frecuencias de control y ajustes de implementación; industrializar esas diferencias sin eliminar la necesidad de modelos de información será su reto central.
Hugging Face LeRobot: La capa de coordinación de código abierto
LeRobot no es una empresa independiente, pero representa una capa que la AI física no puede permitirse
dejar completamente dentro de plataformas patentadas.
Durante la era de gran modelo, marcos de código abierto, repositorios modelo, formatos estandarizados y conjuntos de datos compartidos disminuyeron sustancialmente el costo de la experimentación. Robotics necesita un común público similar, sobre todo porque muchos laboratorios y startups no pueden construir su propia infraestructura de datos y capacitación de extremo a extremo.
Hugging Face describe a LeRobot como una colección de código abierto de modelos, conjuntos de datos y herramientas para la robótica del mundo real, centrada en el aprendizaje de imitación y el aprendizaje de refuerzo. Su ecosistema incluye políticas preentrenadas, demostraciones recogidas en humanos, entornos simulados, integraciones de robots y herramientas para registrar datos, políticas de capacitación, evaluarlos e implementarlos en hardware.
Su importancia es especialmente visible en la capa de datos. LeRobotDataset v3.0 introdujo un formato estandarizado para los datos multimodales de aprendizaje de robots, incluyendo series de tiempo sensorimotores, acciones, vídeo multicamera, metadatos de tareas, indexación, visualización y streaming nativo de Hub, rediseñado para apoyar conjuntos de datos con números muy grandes de episodios sin forzar a cada laboratorio a inventar su propio sistema de almacenamiento y acceso. Versión 0.6.0 agregó un comando de evaluación unificado, parámetros de simulación adicionales, interfaces de modelo de recompensa, correcciones humanas en el bucle, y nuevas políticas de acción en lenguaje de visión y modelo mundial.
Cada vez es más un punto de integración para otras plataformas de IA física: los modelos GR00T de NVIDIA y los entornos de Isaac Lab-Arena están disponibles a través de los flujos de trabajo LeRobot, permitiendo a los desarrolladores capacitar y evaluar diferentes políticas a través de conjuntos de datos comunes, simulación e interfaces de hardware.
El papel estratégico de LeRobot es por lo tanto más grande que proporcionar código de muestra. Puede convertirse en una capa de coordinación a través de la cual los conjuntos de datos, modelos, interfaces de hardware, entornos de simulación, recetas de capacitación y parámetros de referencia se vuelven portátiles, manteniendo la IA física de fragmentación en ecosistemas aislados: un formato por robot, una aplicación de conjunto de datos por laboratorio, un oleoducto de evaluación por empresa modelo.
La cuestión a observar es si LeRobot puede preservar su accesibilidad al tiempo que se vuelve lo suficientemente confiable para conjuntos de datos más grandes, encarnaciones más complejas y flujos de trabajo orientados a la producción. La coordinación de código abierto es poderosa, pero la infraestructura compartida también requiere una gobernanza duradera, compatibilidad atrasada y mantenimiento a largo plazo.
Iluminación: Infraestructura de aprendizaje continua para robots
Lightwheel representa una capa adicional: la infraestructura necesaria para convertir el aprendizaje de robots desde un oleoducto único en un bucle continuo.
La necesidad rastrea dos problemas difíciles. Los robots no tienen flota generando continuamente datos de entrenamiento de la forma en que los vehículos autónomos hacen, y ningún archivo a escala de Internet de interacción física; casi todas las manifestaciones son producidas por las personas, una interacción a la vez. La evaluación es igual de difícil: los ensayos en el mundo real son lentos y intensivos en mano de obra, incapaces de mantener el ritmo con la evolución del modelo, mientras que el aprendizaje robot necesita una evaluación escalable, de bajo costo y diversa en la cobertura de escenarios.
Así que el aprendizaje de robots de bucle nunca necesita formas: las fallas en las pruebas o el despliegue raramente cambian lo que se recoge o simula después, y la capacidad deja de complicarse. El entrenamiento de la IA física funciona hoy en día, y el cierre requiere un sistema construido para el aprendizaje continuo: uno donde los datos,
simulación, evaluación y despliegue se alimentan en lugar de operar en etapas separadas.
Lightwheel construye ese sistema: un bucle Real2Sim2Real cerrado en el que la simulación hace el trabajo que los ensayos físicos no pueden.
EgoSuite captura demostraciones humanas a gran escala y datos de interacción física que transfieren a través de encarnaciones de robots y alimentan SimFoundry como entradas del mundo real. SimFoundry convierte tareas reales, objetos y propiedades físicas en entornos de simulación reutilizables, con una fábrica de medición de física que calibra los solvers y genera activos contra el contacto medido, fricción y dinámica.
RoboFinals prueba las políticas a través de esas escenas Real2Sim a través de repetibles, masivamente paralelas, con fallos diagnosticables como cobertura de conducta perdida, calibración física débil o nuevos escenarios para agregar al entrenamiento. RoboStack toma políticas validadas en los resultados de implementación y devoluciones, casos de bordes y fallos, desencadenando una colección dirigida, activos de simulación actualizados y evaluaciones más duras. El despliegue no es el final del oleoducto; se convierte en el comienzo del próximo ciclo de aprendizaje.
Juntos, los cuatro productos crean un bucle compuesto: EgoSuite captura experiencia → SimFoundry reconstruye y lo expande → RoboFinals mide capacidad y diagnostica fracaso → RoboStack implementa políticas y devuelve retroalimentación → comienza el próximo ciclo. Eso hace que Lightwheel menos un proveedor de datos que el tejido conectivo del aprendizaje de robots: su valor descansa en hacer cada ciclo mejorar lo que se recoge, simula y se prueba a continuación.
La pregunta a ver es si el bucle cierra tan limpiamente en funcionamiento como en la arquitectura. La retroalimentación del despliegue proviene de operaciones internas de clientes, por lo que todo depende de equipos de robótica que confían lo suficiente en la plataforma para permitir que los resultados del mundo real fluyan de nuevo.
Cinco puntos de control, una pila emergente
NVIDIA proporciona el sustrato de computación, simulación y desarrollo robot. La Intuición Aplicada trae validación e ingeniería de sistemas a máquinas autónomas. Scale AI industrializa la producción de datos de entrenamiento de robótica. LeRobot crea la capa de coordinación de código abierto. Lightwheel está construyendo el bucle de aprendizaje continuo que conecta la experiencia del mundo real, simulación, evaluación y despliegue.
Los límites no permanecerán limpios. NVIDIA está agregando evaluaciones de políticas y conjuntos de datos abiertos; Applied Intuition está conectando operaciones de datos al despliegue de flotas; Scale está validando conjuntos de datos a través del ajuste fino; LeRobot está añadiendo simulación y herramientas de modelo mundial; Lightwheel está conectando la producción de datos a la retroalimentación del mundo real. La convergencia sugiere que la próxima fase de la IA física se determinará no sólo por quién construye el modelo más grande o el robot más capaz, sino por qué plataformas hacen repetible la inteligencia física: compute conectado a la simulación, simulación a pruebas reales, evaluación a modos de fallos factibles, y fallas de despliegue al próximo ciclo de entrenamiento.
Las plataformas que hacen este bucle más rápido, más mensurable y más reutilizable pueden tener la mayor influencia sobre cómo escalas físicas de IA.
Contenido del socio por Lightwheel.
El post 5 Plataformas de Infraestructura Física AI que conforman la robótica en 2026 apareció primero en el Informe Robot.
Fuente: The Robot Report
Somos tu guía de robótica referente en la región.
