La actualización de Amap de Alibaba mejora su pila de inteligencia artificial incorporada para robots

Amap, el brazo de mapas y servicios de ubicación de Alibaba, ha lanzado una actualización de pila completa para ABot, el sistema de inteligencia artificial incorporada que está construyendo para guiar robots en lugar de conductores. Anunciado el 22 de julio de 2026, la actualización incluye cinco nuevos modelos que cubren navegación, manipulación, razonamiento, memoria a largo plazo y control de movimiento, y Amap afirma que la pila combinada obtuvo las mejores puntuaciones en 17 benchmarks.

Lo que la empresa lanzó es un conjunto de modelos y artículos de investigación, no un robot con una etiqueta de precio o un cliente. La distinción es importante. El lanzamiento describe capacidades medidas en benchmarks, no una máquina que funciona en un turno en algún lugar con sus intervenciones registradas. La pila está diseñada para ser agnóstica con respecto al cuerpo, conectándose a robots humanoides, cuadrúpedos y con ruedas a través de habilidades intercambiables para que un “cerebro” pueda, en principio, conducir diferentes hardware — la misma ambición de cruzar cuerpos que impulsa la carrera de robótica más amplia.

Qué agrega la actualización

La navegación es la parte más cercana al trabajo diario de Amap, y su modelo, ABot-N1, refleja eso. Combina un módulo lento para la planificación de rutas con uno rápido que emite comandos de movimiento, y agrega lo que el equipo llama una “cadena de pensamiento a nivel de píxel” que conecta lo que la cámara ve con el razonamiento escrito para que se pueda rastrear una decisión. Amap afirma que ABot-N1 puede cruzar una ciudad utilizando solo mapas de navegación ordinarios, con una tasa de éxito del 92,9% al aire libre; el artículo informa una tasa del 95,4% en escenas interiores complejas y una ganancia del 35% en el alcance de puntos de interés, hasta el 77,3%.

La manipulación es más difícil, y es lo que ABot-M0.5 se propone: el negocio de múltiples pasos de moverse hacia un objeto y manipularlo, como buscar agua de un dispensador en una habitación. En lugar de ejecutar el movimiento y el agarre como una secuencia, los divide en dos flujos de acción, y agrega un método de entrenamiento que Amap llama “autocuración de sueño” que permite al modelo seguir actuando a partir de predicciones visuales ruidosas en lugar de detenerse en pequeños errores. En la suite de pruebas RoboCasa-365, Amap informa superar al sistema anterior por 20,4% en tareas complejas y 10,6% en tareas básicas.

Dos modelos más forman la capa de decisión. ABot-ER está diseñado para razonar sobre cómo se relacionan los objetos, los espacios y las tareas, en lugar de solo reconocer lo que está en el marco; Amap afirma que ocupó el primer lugar en un benchmark de preguntas y respuestas espaciales, Embodied Arena 2D-EQA, en el momento del anuncio. ABot-AgentOS se sitúa por encima de los controladores y maneja la planificación, el uso de herramientas, la ejecución y la verificación, con una memoria de por vida que puede aprender de intentos fallidos. Un quinto modelo, ABot-C0, convierte esas decisiones en movimiento para robots cuadrúpedos. Juntos, las capas de razonamiento y agente se dirigen a la parte de la inteligencia artificial incorporada que tropieza con la mayoría de los sistemas: no un solo agarre, sino encadenar muchos pasos en una tarea larga sin perder el hilo.

Benchmarks, no despliegues

Amap puso más sobre la mesa de lo que la mayoría de los lanzamientos de robots hacen. Publicó artículos para los modelos de navegación, manipulación, agente y control de movimiento en arXiv y lanzó código y conjuntos de pruebas, lo que es más verificable que un vídeo resumido. Los investigadores externos pueden, en principio, reproducir el trabajo.

Los números todavía llevan el asterisco habitual. Son los resultados del equipo, y varios de los benchmarks son los que Amap introdujo junto con los modelos: ABot-N1 viene con nuevas pruebas de punto de destino y punto de interés, y el sistema de agente se puntúa en un benchmark que el mismo artículo define. Ningún laboratorio independiente ha reproducido las cifras, y ninguno de los modelos llega con un despliegue en el mundo real adjunto — no hay tamaño de flota, no hay tiempo de actividad, no hay tasa de intervención que muestre con qué frecuencia una persona tuvo que hacerse cargo. Esa brecha separa un resultado de benchmark de el “año de despliegue” que rivales como AgiBot han comenzado a reclamar.

El único ancla física es un robot guía cuadrúpedo que Amap dijo en abril de 2026 que enviaría al Medio Maratón de Beijing E-Town. Eso es una demostración, no un despliegue: un robot en un entorno ensayado dice poco sobre cómo se mantiene la pila a lo largo de la cola larga de un entorno real.

Por qué una empresa de mapas está construyendo cerebros de robot

Amap ejecuta una de las plataformas de navegación más grandes de China, y su apuesta es que los datos de mapas y puntos de interés detrás de ese servicio son una ventaja inicial para el razonamiento espacial que los robots necesitan para moverse por el mundo físico. La empresa estableció una división de inteligencia incorporada en enero de 2026 y lanzó sus primeros modelos base de navegación y manipulación, ABot-N0 y ABot-M0, semanas después; la actualización de julio es la segunda generación de ese trabajo.

Se produce en un campo concurrido. Desarrolladores chinos, nuevos participantes humanoides y fabricantes de cobots que equipan robots con inteligencia artificial generalista todos están persiguiendo la misma capa de modelo de fundación cruzada de cuerpo, y China está invirtiendo dinero público y privado en inteligencia incorporada y los modelos que hay debajo. La prueba que enfrentan todos es la que Amap aún no ha respondido: si una pila que encabeza los benchmarks puede ejecutar un robot que realice un trabajo útil, sin supervisión, en un piso que nadie ha organizado de antemano. Amap ha mostrado la primera mitad. La segunda es todavía una afirmación.

China está invirtiendo dinero privado en inteligencia incorporada y los modelos que hay debajo. La prueba que enfrentan todos es la que Amap aún no ha respondido: si una pila que encabeza los benchmarks puede ejecutar un robot que realice un trabajo útil, sin supervisión, en un piso que nadie ha organizado de antemano. Amap ha mostrado la primera mitad. La segunda es todavía una afirmación.