Perceptron, startup de ex-Meta, lanza Isaac 0.5 con US$21M

Perceptron, de ex-científicos de Meta FAIR, lleva visión por IA al piso de fábrica

Perceptron, la startup de US$21M fundada por dos ex investigadores de Meta, lanzó esta semana Isaac 0.5, un modelo de visión open-weight pensado para robots industriales en almacenes y fábricas.

Isaac 0.5 es el último modelo de Perceptron, fundada en noviembre de 2024 por Armen Aghajanyan y Akshat Shrivastava, ambos procedentes de Fundamental AI Research (FAIR), la división de investigación en IA de Meta. La compañía anunció el lanzamiento esta misma semana y, en paralelo, cerró una ronda de US$21 millones liderada por Bessemer Venture Partners.

El modelo apunta a llenar lo que sus fundadores describen como un vacío estructural en la llamada IA física: hoy existen modelos foundation generalistas que exigen GPUs dedicadas en la nube por cada despliegue, o modelos narrow que resuelven percepción o control, pero nunca ambos. La tesis de Perceptron es que Isaac 0.5 puede hacer las dos cosas con flexibilidad en entornos cambiantes.

El lanzamiento llega en un momento de momentum inusual para el sector. Según datos de Crunchbase, el financiamiento global de venture capital en physical AI alcanzó US$47.400 millones en el primer semestre de 2026 repartidos en 521 operaciones, casi cuatro veces los US$12.000 millones del segundo semestre de 2025. Bessemer, además, ya cuenta con una práctica dedicada a robótica con apuestas en Waymo, Mind Robotics, Foxglove y ANYbotics, de acuerdo con Business Insider.

¿En qué se diferencia Isaac 0.5 de otros modelos de visión industrial?

Perceptron entrenó Isaac 0.5 con aproximadamente un millón de horas de video, combinando tres fuentes: video general para reconocer escenarios y entornos, ego video (grabación en primera persona de humanos ejecutando tareas, a menudo con cámaras tipo GoPro) y UMI video (grabaciones de movimientos humanos repetitivos). La compañía también construyó internamente conjuntos de datos multimodales a escala de petabytes que incluyen imágenes, texto, video y trayectorias robóticas.

La combinación importa porque la mayoría de robots industriales todavía dependen de reglas rígidas preprogramadas. Como explicó Shrivastava en la entrevista con TechCrunch, incluso una tarea aparentemente simple como clasificar paquetes implica varios pasos encadenados: leer la etiqueta, hacer análisis espacial para localizar cada caja, decidir cuál levantar y planificar el orden de las operaciones.

La gran apuesta arquitectónica es que un único modelo de visión pueda manejar con flexibilidad cada uno de esos pasos, en lugar de encadenar múltiples modelos especializados (uno para OCR, otro para razonamiento espacial, otro para planificación de agarre). Este tipo de simplificación ha sido la fuerza detrás de cambios de plataforma previos, desde monolitos hacia microservicios, o desde APIs de propósito único hacia foundation models.

¿Por qué lanzar el modelo como open-weight?

Perceptron publica Isaac 0.5 como un modelo open-weight, lo que significa que cualquier persona puede inspeccionar sus parámetros y materiales de entrenamiento. En un sector donde la mayoría de modelos frontier permanecen propietarios, el movimiento es atípico y revela una tesis concreta: en clientes industriales regulados —farmacéutica, defensa, alimentación— la auditabilidad suele ser un requisito de procurement, no un nice-to-have.

Para una startup sin el reconocimiento de marca de OpenAI o Anthropic, abrir los pesos también funciona como estrategia defensiva de distribución: en lugar de competir con presupuesto de ventas, el modelo genera adopción por pull del ecosistema, evaluaciones independientes y contribuciones de la comunidad de desarrolladores. Una dinámica parecida se vio con Meta y Llama, y más recientemente con Mistral.

¿Qué significa esto para tu startup?

Si estás construyendo algo adyacente a IA física, visión por computadora, robótica o logística industrial, este lanzamiento es una señal concreta de hacia dónde se están moviendo el capital y el talento en 2026. Algunas lecturas accionables:

• El capital está migrando a infraestructura de IA verticalizada. Los US$21M de Bessemer en Perceptron son una fracción de los US$47.400 millones desplegados en physical AI en el primer semestre de 2026, según Crunchbase. La tesis dominante ya no es "AI para software", sino "AI para átomos". Si tu startup vive en esa intersección —robótica, visión, manufactura, logística—, la receptividad de los inversores es materialmente mayor que hace doce meses.
• Publicar pesos como open-weight se está convirtiendo en estrategia de go-to-market, no en gesto filantrópico. Liberar el modelo base permite a un equipo pequeño competir por confianza, auditabilidad y adopción del ecosistema en lugar de por fuerza de ventas. Evalúa si tu propio producto podría beneficiarse de una apertura parcial: liberar el modelo base, los pesos o un harness de evaluación mientras mantienes cerradas las funcionalidades premium.
• El cuello de botella sigue siendo el dato de entrenamiento, no la arquitectura del modelo. Perceptron pasó más de un año ensamblando un millón de horas de video y un dataset interno a escala de petabytes. Si estás construyendo IA física, tu activo propietario de datos será probablemente tu moat más durable, más que el modelo en sí. Empieza a capturar datos operacionales de ground-truth hoy, aunque todavía no sepas exactamente cómo los vas a usar.
• Mira la cartera de robótica de Bessemer como indicador sectorial. Con apuestas en Waymo, Mind Robotics, Foxglove y ahora Perceptron, la firma está publicando, sin querer, una tesis sobre qué capas del stack de physical AI espera que compongan. La "capa de inteligencia" que se sienta entre el hardware y el cliente final es donde se concentran varias de sus inversiones; ése es exactamente el lugar donde Perceptron se está posicionando.

El contexto mayor: physical AI ya es el tema dominante de inversión en IA

Los números detrás de la ronda de Perceptron cuentan una historia más grande. Según datos de PitchBook citados por Business Insider, la inversión global de venture capital en robótica y physical AI creció desde aproximadamente US$4.000 millones en 2019 hasta US$26.000 millones en 2025, y ya superó los US$23.000 millones en el primer semestre de 2026. Mordor Intelligence proyecta que el mercado de robótica industrial alcanzará aproximadamente US$54.000 millones en 2026, creciendo hacia US$94.000 millones hacia 2031, mientras que Deloitte estima que alrededor del 22% de las organizaciones manufactureras planean adoptar tecnologías de robótica con physical AI en los próximos dos años, más del doble de las tasas de adopción actuales.

Perceptron no es la única startup persiguiendo esta oportunidad. Physical Intelligence y Skild AI también construyen modelos de propósito general para robots; Dyna Robotics trabaja en foundation models para robótica; Field AI se enfoca en robots que operan en espacios no estructurados como obras de construcción. Que múltiples equipos bien financiados converjan sobre el mismo problema es a la vez validación y advertencia: quien llegue primero a un despliegue confiable en el mundo real definirá el estándar, y el resto competirá por verticales más estrechos.

Para los founders que construyen dentro o cerca de este espacio, el mensaje es que la fiebre del oro es real, pero Bessemer lo capturó con precisión cuando escribió que habrá "100.000 veces más robots sobre la Tierra en los próximos 10 a 20 años". La pregunta no es si la ola llega, sino qué arquitectura —y qué activo de datos— se convierte en el estándar por defecto.

Fuentes

• Ex-Meta scientists want to bring visual AI to the factory floor (TechCrunch)
• Meet the 22 investors to know in robotics and physical AI (Business Insider)
• VCs Pour Billions Into Physical AI As The Next Wave Of AI Investing Takes Shape (Crunchbase News)
• The next phase of physical AI: Moving robotics from experimental labs to scaled production (Intelligent CIO)