{"id":4051,"date":"2026-03-31T19:11:54","date_gmt":"2026-03-31T17:11:54","guid":{"rendered":"http:\/\/laf5.publisher.highstack.com.ar\/?p=4051"},"modified":"2026-03-31T19:11:54","modified_gmt":"2026-03-31T17:11:54","slug":"un-robot-humanoide-ya-juega-al-tenis-con-un-96-de-acierto-y-no-es-solo-una-demo-llamativa-detras-hay-un-sistema-que-empieza-a-resolver-uno-de-los-grandes-problemas-de-la-robotica","status":"publish","type":"post","link":"https:\/\/laf5.publisher.highstack.com.ar\/?p=4051","title":{"rendered":"Un robot humanoide ya juega al tenis con un 96% de acierto y no es solo una demo llamativa. Detr\u00e1s hay un sistema que empieza a resolver uno de los grandes problemas de la rob\u00f3tica"},"content":{"rendered":"
\n

La inteligencia artificial lleva a\u00f1os demostrando que puede superar a los humanos en entornos donde todo est\u00e1 definido. Juegos como el ajedrez o el Go marcaron ese punto de inflexi\u00f3n en el que las m\u00e1quinas dejaron de competir para empezar a dominar. Sin embargo, todo eso ocurr\u00eda en un espacio controlado, donde las reglas eran claras y el entorno no cambiaba.<\/p>\n

El salto que estamos viendo ahora es mucho m\u00e1s complejo. Ya no se trata de tomar decisiones en un tablero, sino de trasladar esa inteligencia a un cuerpo que tiene que moverse, reaccionar y adaptarse en tiempo real. Y ah\u00ed es donde entra el tenis.<\/p>\n

El verdadero reto no era el juego, era el cuerpo<\/h2>\n
\"Pasamos
\u00a9 YouTube \/ Galbot.<\/figcaption><\/figure>\n

Jugar al tenis no consiste solo en devolver una pelota. Implica interpretar trayectorias a gran velocidad, ajustar la posici\u00f3n del cuerpo en mil\u00e9simas de segundo y coordinar movimientos con una precisi\u00f3n casi autom\u00e1tica. Para un humano, ese proceso es natural. Para un robot, durante a\u00f1os, fue un problema pr\u00e1cticamente irresoluble.<\/p>\n

La dificultad no estaba en entender qu\u00e9 hacer, sino en ejecutarlo. La inteligencia artificial ya pod\u00eda analizar situaciones complejas, pero no ten\u00eda una forma eficaz de trasladar ese an\u00e1lisis a un sistema f\u00edsico con limitaciones reales: equilibrio, fricci\u00f3n, inercia, tiempo de reacci\u00f3n.<\/p>\n

Aprender a partir de movimientos imperfectos<\/h2>\n
\"Pasamos
\u00a9 YouTube \/ Galbot.<\/figcaption><\/figure>\n

Este avance que ha permitido romper esa barrera parte de una idea bastante distinta a la habitual. En lugar de entrenar al robot con datos perfectos, los investigadores decidieron utilizar movimientos humanos imperfectos como base de aprendizaje. No buscaban replicar una t\u00e9cnica ideal, sino construir una capacidad de adaptaci\u00f3n.<\/p>\n

El sistema, conocido como LATENT, se entren\u00f3 inicialmente con habilidades b\u00e1sicas: desplazamientos laterales, golpes de derecha y de rev\u00e9s, ajustes de posici\u00f3n. En lugar de enfrentarlo directamente a un partido completo, se redujo la complejidad del entorno, utilizando una pista mucho m\u00e1s peque\u00f1a para que pudiera interiorizar esos patrones fundamentales.<\/p>\n

A partir de ah\u00ed, el robot empez\u00f3 a hacer algo clave: corregirse a s\u00ed mismo. Ajustar el \u00e1ngulo de la raqueta, modificar su postura y reaccionar de forma din\u00e1mica ante cada pelota, sin necesidad de seguir un patr\u00f3n r\u00edgido.<\/p>\n

Cuando la inteligencia artificial deja de ser solo software<\/h2>\n
\"Pasamos
\u00a9 YouTube \/ Galbot.<\/figcaption><\/figure>\n

Ese aprendizaje se ha trasladado a un robot humanoide real, el Unitree G1, equipado con m\u00faltiples grados de libertad que le permiten moverse de forma relativamente fluida. En pruebas f\u00edsicas, ha sido capaz de devolver pelotas a velocidades superiores a los 50 km\/h y mantener intercambios b\u00e1sicos con jugadores humanos en una pista real.<\/p>\n

No estamos ante un robot que vaya a competir con profesionales, ni siquiera con jugadores experimentados. Pero ese no es el objetivo. Lo importante es que ya no se trata de una simulaci\u00f3n, sino de una interacci\u00f3n real con un entorno impredecible. Cada golpe implica ajustar variables que no est\u00e1n completamente controladas. Cada error obliga a recalcular. Y aun as\u00ed, el sistema responde.<\/p>\n

De entender reglas a entender el mundo<\/h2>\n

Durante muchos a\u00f1os, la inteligencia artificial avanz\u00f3 en sistemas donde todo estaba definido de antemano. El mundo f\u00edsico es justo lo contrario: ruido, incertidumbre, imperfecci\u00f3n constante. Que un robot pueda desenvolverse en ese entorno, aunque sea de forma limitada, indica que estamos entrando en una fase distinta.<\/p>\n

El tenis es solo una excusa. Lo relevante es que este tipo de aprendizaje puede trasladarse a otros contextos: manipulaci\u00f3n de objetos, tareas industriales, asistencia en entornos complejos o incluso interacci\u00f3n directa con humanos.<\/p>\n