Del tablero de ajedrez a la cancha de tenis: la nueva frontera de la IA física
Durante décadas, el imaginario colectivo sobre la inteligencia artificial y su capacidad para superar al ser humano estuvo dominado por juegos de tablero. Primero fue el ajedrez, cuando Deep Blue de IBM venció al campeón mundial Garry Kasparov en 1997. Luego fue el Go, un desafío combinatorio exponencialmente más complejo, que cayó ante AlphaGo de DeepMind en 2016. En ambos casos, el entorno era digital, controlado y perfectamente predecible. Pero el mundo físico es radicalmente distinto: impredecible, imperfecto y lleno de variables en tiempo real. Ahí es exactamente donde apunta el siguiente capítulo de esta historia, y el tenis es el campo de batalla elegido.
Qué es el proyecto LATENT y por qué importa
Un equipo de investigadores liderado por la Universidad de Tsinghua y Galbot Inc. ha desarrollado LATENT (Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data), un sistema que enseña a un robot humanoide a jugar tenis partiendo de datos de movimiento humano fragmentados e imperfectos. El resultado es tan llamativo como revelador: el robot no solo aprende a devolver pelotas, sino que al final del proceso de entrenamiento logra superar en habilidad a su propio desarrollador principal, Zhikai Zhang.
El hardware elegido para las pruebas es el Unitree G1, un robot humanoide que ya había ganado visibilidad en la comunidad robótica global por su agilidad y bajo costo relativo frente a otros humanoides del mercado. Sobre este cuerpo físico, el equipo construyó un stack de software capaz de transferir aprendizaje desde simulación hasta el mundo real, un proceso conocido como sim-to-real transfer.
👥 ¿Quieres ir más allá de la noticia?
En nuestra comunidad discutimos las tendencias, compartimos oportunidades y nos ayudamos entre emprendedores. Sin humo, solo acción.
👥 Unirme a la comunidadCómo aprende el robot: el corazón técnico de LATENT
La clave diferencial de LATENT no es el robot en sí, sino la arquitectura de aprendizaje. En lugar de requerir capturas de movimiento perfectas de tenistas profesionales —datos costosos y difíciles de obtener—, el sistema trabaja con clips de movimiento mediocres, incompletos y fragmentados de humanos comunes. A partir de ellos, construye un espacio de acción latente que corrige, combina y generaliza estos movimientos imperfectos para generar comportamientos físicos funcionales.
El proceso de entrenamiento tiene tres etapas relevantes:
- Entrenamiento en simulación: el robot aprende a moverse, anticipar trayectorias y coordinar todo el cuerpo en un entorno virtual donde los errores no tienen costo físico.
- Transferencia al mundo real (sim-to-real): los parámetros aprendidos se trasladan al Unitree G1 físico, ajustando para las fricciones, latencias y variabilidades del entorno real.
- Iteración continua: el primer día de pruebas reales, el robot no devolvía prácticamente ningún saque. En pocos días de iteración, ya ejecutaba rallies multi-golpe, desplazamientos ágiles y coordinación corporal completa en tiempo real.
El equipo ha publicado el proyecto de forma abierta: el código está disponible en GitHub bajo el perfil de GalaxyGeneralRobotics, y existe una página de proyecto en zzk273.github.io/LATENT. Esta apertura es significativa: acelera la reproducibilidad y el avance comunitario.
Por qué el tenis es un desafío más difícil que el ajedrez o el Go
Vale la pena detenerse en este punto, porque es fácil subestimar la complejidad del salto. Los juegos de tablero, por geniales que sean, tienen algo en común: ocurren en un espacio de estados discreto, perfectamente definido y sin fricción física. La IA solo necesita procesar información y calcular movimientos óptimos.
El tenis, en cambio, combina múltiples desafíos simultáneos que son el pan de cada día de la robótica física:
- Percepción en tiempo real: rastrear una pelota en movimiento a alta velocidad con visión computacional.
- Coordinación cuerpo completo: no solo el brazo, sino piernas, torso, postura y equilibrio deben sincronizarse en milisegundos.
- Reacción ante la incertidumbre: la pelota puede venir con efecto, a distintas velocidades y ángulos imposibles de predecir perfectamente.
- Mundo abierto: a diferencia de un tablero, la cancha tiene superficie, iluminación variable, viento y condiciones que ningún simulador replica de forma perfecta.
Superar estas barreras es lo que hace de LATENT un hito técnico relevante, más allá del espectáculo visual.
Implicaciones para founders e inversores en robótica e IA aplicada
Para el ecosistema startup, el avance de LATENT y el Unitree G1 tiene implicaciones que van mucho más allá del deporte. Señala una tendencia estructural que vale la pena monitorear:
1. El costo de los datos de entrenamiento físico se desploma
Históricamente, entrenar robots para tareas físicas complejas requería enormes inversiones en captura de movimiento profesional. LATENT demuestra que es posible aprender de datos imperfectos y baratos. Esto democratiza el desarrollo de habilidades robóticas y reduce una de las principales barreras de entrada para startups de robótica aplicada.
2. El sim-to-real madura como metodología
La transferencia exitosa de simulación a entorno real ha sido uno de los cuellos de botella históricos de la robótica. El hecho de que este equipo lo logre para habilidades tan complejas y dinámicas como golpear una pelota de tenis indica que la metodología está madurando a un ritmo acelerado.
3. Los robots humanoides generalistas se vuelven más viables
El Unitree G1 no es un robot especializado en tenis: es un humanoide generalista. Enseñarle una habilidad atlética compleja refuerza la tesis de que los humanoides podrán aprender una amplia gama de tareas físicas con el mismo hardware, lo cual es crítico para la economía de escala en manufactura, logística y servicios.
4. La ventana de oportunidad para startups de robótica es ahora
Empresas como Figure AI, 1X Technologies, Boston Dynamics y Agility Robotics ya compiten en el espacio de humanoides. Pero los avances en métodos de entrenamiento abiertos como LATENT abren espacio para players más pequeños que no necesitan construir el hardware desde cero ni disponer de datasets millonarios.
El estado actual del ecosistema de robots humanoides
El contexto más amplio es igualmente relevante. En los últimos 24 meses, el espacio de robótica humanoide ha captado inversiones masivas: Figure AI cerró una ronda de 675 millones de dólares con participación de Microsoft, OpenAI y NVIDIA. Physical Intelligence (Pi) levantó 400 millones. Y empresas chinas como Unitree Robotics están compitiendo agresivamente en precio, ofreciendo hardware humanoide de alto rendimiento a fracciones del costo de sus contrapartes occidentales.
El proyecto LATENT, desarrollado con el Unitree G1, encaja perfectamente en esta narrativa: hardware accesible + métodos de entrenamiento abiertos + resultados sorprendentes. Es exactamente el tipo de combinación que puede catalizar un ecosistema de startups construyendo aplicaciones verticales sobre plataformas de robótica generalista.
Conclusión
El avance de LATENT es mucho más que una curiosidad deportiva o un experimento llamativo para redes sociales. Representa una señal clara de que la brecha entre la IA de tablero y la IA física se está cerrando a velocidad acelerada. Aprender habilidades atléticas complejas desde datos imperfectos, ejecutarlas en tiempo real sobre un humanoide generalista y publicar el código abierto para que cualquier equipo lo reproduzca: eso es un cambio de paradigma en toda regla.
Para los founders tech del ecosistema LATAM y global, la pregunta relevante no es si los robots eventualmente nos ganarán al tenis. La pregunta es: ¿qué aplicaciones prácticas de valor real se pueden construir sobre estas capacidades robóticas emergentes, y quién va a estar posicionado para construirlas primero? La ventana está abierta. El reloj corre.
Descubre cómo otros founders están siguiendo y aplicando tendencias emergentes de IA y robótica. Únete gratis a la comunidad de Ecosistema Startup.
Fuentes
- https://www.xataka.com/robotica-e-ia/creiamos-que-maquinas-solo-nos-podian-ganar-al-ajedrez-al-go-ahora-se-preparan-para-machacarnos-al-tenis (fuente original)
- https://robohorizon.eu/es/news/2026/03/robot-tenis-datos-imperfectos/ (fuente adicional)
- https://www.youtube.com/watch?v=6xqj1HY2nb4 (fuente adicional)
