Desde la calle, la única indicación que encontré de la sede de Inteligencia Física en San Francisco es un símbolo pi que es de un color sutilmente diferente al del resto de la puerta. Cuando entro, inmediatamente me enfrento a la actividad. No hay mostrador de recibimiento ni logotipos brillantes con luces fluorescentes.

En el interior, el espacio es una caja de hormigón titán que se vuelve un poco menos austera gracias a una extensión desordenada de largas mesas de madera rubia. Algunos están claramente destinados al refrigerio, llenos de cajas de galletas Girl Scout, frascos de Vegemite (cualquiera aquí es australiano) y pequeñas cestas de alambre llenas de demasiados condimentos. El resto de las tablas cuentan una historia completamente diferente. Muchos más de ellos están cargados de monitores, repuestos robóticos, marañas de cables negros y brazos robóticos completamente ensamblados en varios estados de intento de dominar lo mundano.

Durante mi turista, con un protector dobla un pantalón enfadado, o lo intenta. No va aceptablemente. Otro está intentando darle la reverso a una camiseta con el tipo de determinación que sugiere que eventualmente tendrá éxito, pero no hoy. Un tercero (éste parece activo enfrentado su disposición) pela rápidamente un calabacín y luego deposita las virutas en un recipiente separado. Las virutas al menos van aceptablemente.

“Piense en ello como ChatGPT, pero para robots”, me dice Sergey Levine, señalando el ballet motorizado que se desarrolla en la sala. Levine, profesor asociado en UC Berkeley y uno de los cofundadores de Physical Intelligence, tiene el comportamiento amable y con quevedos de cualquiera que ha pasado un tiempo considerable explicando conceptos complejos a personas que no los comprenden de inmediato.

Lo que estoy viendo, explica, es la período de prueba de un tirabuzón continuo: los datos se recopilan en estaciones robóticas aquí y en otros lugares (almacenes, hogares, dondequiera que el equipo pueda instalarse) y esos datos entrenan modelos básicos robóticos de uso militar. Cuando los investigadores entrenan un nuevo maniquí, regresa a estaciones como ésta para su evaluación. La carpeta de pantalones es el experiencia de cualquiera. Incluso lo es el que cambia la camisa. El pelador de calabacines podría estar probando si el maniquí puede generalizarse a diferentes vegetales, aprendiendo los movimientos fundamentales del pelado lo suficientemente aceptablemente como para manipular una manzana o una papa que nunca ha enfrentado.

La compañía igualmente opera una cocina de prueba en este edificio y en otros lugares utilizando hardware acondicionado para exponer a los robots a diferentes entornos y desafíos. Hay una sofisticada máquina de café a propósito cerca y asumo que es para el personal hasta que Levine aclara que no, que está ahí para que los robots aprendan. Cualquier café con lactosa espumoso es información, no un beneficio para las docenas de ingenieros en campo que en su mayoría están mirando sus computadoras o revoloteando sobre sus experimentos mecanizados.

El hardware en sí es deliberadamente poco glamoroso. Estas armas se venden por unos 3.500 dólares, y eso es con lo que Levine describe como “un enorme ganancia de beneficio” por parte del mercader. Si los fabricaran internamente, el coste del material caería por debajo de los 1.000 dólares. Hace unos primaveras, dice, un perito en robótica se habría sorprendido de que estas cosas pudieran hacer cualquier cosa. Pero ese es el punto: la buena inteligencia compensa el mal hardware.

Mientras Levine se disculpa, Lachy Groom se acerca a mí y se mueve por el espacio con la determinación de cualquiera a quien le suceden media docena de cosas a la vez. A sus 31 primaveras, Groom todavía conserva la frescura de los niños maravilla de Silicon Valley, una designación que se ganó temprano, a posteriori de activo vendido su primera compañía nueve meses a posteriori de fundarla a los 13 primaveras en su Australia originario (esto explica el Vegemite).

Cuando me acerqué a él por primera vez antaño, mientras daba la bienvenida al edificio a un pequeño clase de visitantes vestidos con sudaderas, su respuesta a mi solicitud de suceder tiempo con él fue inmediata: “Por supuesto que no, tengo reuniones”. Ahora tiene diez minutos, tal vez.

Groom encontró lo que estaba buscando cuando comenzó a seguir el trabajo docente que salía de los laboratorios de Levine y Chelsea Finn, una ex estudiante de doctorado de Levine en Berkeley que ahora dirige su propio laboratorio en Stanford centrado en el estudios robótico. Sus nombres seguían apareciendo en todo lo interesante que sucedía en robótica. Cuando escuchó rumores de que podrían estar iniciando poco, localizó a Karol Hausman, una investigadora de Google DeepMind que igualmente enseñaba en Stanford y de quien Groom había descubierto que estaba involucrada. “Fue simplemente una de esas reuniones en las que sales y dices: Esto es todo”.

Groom nunca tuvo la intención de convertirse en un inversionista de tiempo completo, me dice, aunque algunos podrían preguntarse por qué no, entregado su historial. Posteriormente de dejar Stripe, donde fue uno de los primeros empleados, pasó aproximadamente cinco primaveras como inversor donosura, haciendo apuestas tempranas en empresas como Figma, Notion, Ramp y Lattice mientras buscaba la empresa adecuada para iniciar o unirse. Su primera inversión en robótica, Standard Bots, se produjo en 2021 y lo reintrodujo en un campo que le encantaba cuando era chaval: construir Mundano Mindstorms. Como bromea, estaba “mucho más de asueto como inversor”. Pero trastornar era sólo una forma de mantenerse activo y conocer concurrencia, no el objetivo final. “Estuve cinco primaveras buscando que la empresa comenzara a posteriori de Stripe”, dice. “Buenas ideas en un buen momento con un buen equipo – (eso) es extremadamente raro. Todo es ejecución, pero puedes ejecutar como el abismo una mala idea, y sigue siendo una mala idea”.

La empresa de dos primaveras ha recaudado ahora más de mil millones de dólaresy cuando le cuestiono sobre su pista, se apresura a aclarar que en sinceridad no arde tanto. La decano parte de su consumición se destina a informática. Un momento a posteriori, reconoce que bajo los términos correctos, con los socios correctos, recaudaría más. “No hay frontera en cuanto a la cantidad de parné que efectivamente podemos poner a trabajar”, afirma. “Siempre hay más computación que puedes aplicar al problema”.

Lo que hace que este acuerdo sea particularmente inusual es lo que Groom no les da a sus patrocinadores: un cronograma para convertir la Inteligencia Física en una tarea para aventajar parné. “No doy respuestas a los inversores sobre la comercialización”, dice sobre los patrocinadores que incluyen a Khosla Ventures, Sequoia Caudal y Thrive Caudal, entre otros, que han valorado la empresa en 5.600 millones de dólares. “Es poco extraño que la concurrencia lo tolere”. Pero lo toleran, y puede que no siempre lo hagan, razón por la cual a la empresa le corresponde estar aceptablemente capitalizada ahora.

Entonces, ¿cuál es la organización, sino la comercialización? Quan Vuong, otro cofundador que morapio de Google DeepMind, explica que expedición en torno al estudios transversal y diversas fuentes de datos. Si cualquiera construye una nueva plataforma de hardware mañana, no necesitará comenzar la colección de datos desde cero: podrá transferir todo el conocimiento que ya tiene el maniquí. “El costo insignificante de incorporar autonomía a una nueva plataforma robótica, cualquiera que sea esa plataforma, es mucho pequeño”, afirma.

La empresa ya está trabajando con un pequeño número de empresas de diferentes sectores (abastecimiento, comida, un fabricante de chocolate al otro flanco de la calle) para probar si sus sistemas son lo suficientemente buenos para la automatización en el mundo verdadero. Vuong afirma que en algunos casos ya lo son. Con su enfoque de “cualquier plataforma, cualquier tarea”, la superficie para el éxito es lo suficientemente sobresaliente como para comenzar a marcar tareas que están listas para la automatización hoy.

La Inteligencia Física no es la única que persigue esta visión. La carrera por construir inteligencia robótica de propósito militar –la saco sobre la cual se pueden construir aplicaciones más especializadas, muy parecidas a los modelos LLM que cautivaron al mundo hace tres primaveras– se está calentando. Skild AI, con sede en Pittsburgh y fundada en 2023, recaudó solo este mes 1.400 millones de dólares con una valoración de 14.000 millones de dólares y está adoptando un enfoque notablemente diferente. Si aceptablemente la inteligencia física sigue centrada en la investigación pura, Skild AI ya ha implementado comercialmente su Skild Brain “omnicorporal”, y dice que generó 30 millones de dólares en ingresos en tan solo unos meses el año pasado en seguridad, almacenes y fabricación.

Skild incluso ha disparado en notorio a sus competidores, discutiendo en su blog que la mayoría de los “modelos básicos de la robótica” son simplemente modelos de visión y jerga “disfrazados” que carecen de “serio sentido global físico” porque dependen demasiado de un entrenamiento previo a escalera de Internet en emplazamiento de una simulación basada en la física y datos de robótica reales.

Es una división filosófica proporcionado marcada. Skild AI envite a que la implementación comercial cree un volante de datos que mejore el maniquí con cada caso de uso del mundo verdadero. La Inteligencia Física envite a que resistir la amor de la comercialización a corto plazo le permitirá producir una inteligencia militar superior. Quién tiene “más razón” tardará primaveras en resolverse.

Mientras tanto, la Inteligencia Física opera con lo que Groom describe como una claridad inusual. “Es una empresa tan pura. Un investigador tiene una penuria, vamos y recopilamos datos para satisfacer esa penuria (o nuevo hardware o lo que sea) y luego lo hacemos. No está impulsado externamente”. La empresa tenía una hoja de ruta de cinco a diez primaveras sobre lo que el equipo pensaba que sería posible. Para el mes 18, lo habían superado, dice.

La empresa tiene más o menos de 80 empleados y planea crecer, aunque Groom dice que es de esperar “lo más lentamente posible”. Lo que supone el decano desafío, afirma, es el hardware. “El hardware es efectivamente complicado. Todo lo que hacemos es mucho más complicado que el de una empresa de software”. El hardware se rompe. Llega lentamente, retrasando las pruebas. Las consideraciones de seguridad lo complican todo.

Mientras Groom se apresura a cumplir su próximo compromiso, me bajo observando a los robots continuar con su destreza. Los pantalones aún no están del todo doblados. La camiseta permanece obstinadamente del flanco derecho. Las virutas de calabacín se van acumulando muy aceptablemente.

Hay preguntas obvias, incluida la mía, sobre si cualquiera efectivamente quiere un autómata en su cocina pelando verduras, sobre la seguridad, sobre los perros que se vuelven locos en presencia de los intrusos mecánicos en sus hogares, sobre si todo el tiempo y el parné que se invierte aquí resuelve problemas suficientemente grandes o crea otros nuevos. Mientras tanto, los externos cuestionan el progreso de la empresa, si su visión es realizable y si tiene sentido colocar por la inteligencia militar en emplazamiento de aplicaciones específicas.

Si Groom tiene alguna duda, no la demuestra. Está trabajando con personas que han estado trabajando en este problema durante décadas y que creen que finalmente ha llegado el momento adecuado, que es todo lo que necesita aprender.

Por otra parte, Silicon Valley ha estado respaldando a personas como Groom y dándoles mucha cuerda desde el eclosión de la industria, sabiendo que hay muchas posibilidades de que incluso sin un camino claro cerca de la comercialización, incluso sin un cronograma, incluso sin certeza sobre cómo será el mercado cuando lleguen allí, lo descubrirán. No siempre funciona. Pero cuando lo hace, tiende a evidenciar muchas veces que no lo hizo.