Machenta recauda 40 millones de dólares en una ronda semilla para enseñar nuevas tareas a los robots con una sola demostración

Enseñar una nueva tarea a un robot puede llevar mucho más tiempo que realizarla. Recopilar demostraciones, preparar datos de entrenamiento y actualizar un modelo puede convertir un pequeño cambio en el flujo de trabajo en un importante proyecto de ingeniería. Machenta ha recaudado 40 millones de dólares en una ronda semilla para acortar ese proceso y desarrollar un modelo fundacional de robótica diseñado para aprender una tarea física a partir de una sola demostración, sin entrenamiento adicional específico para esa tarea.

La empresa londinense anunció la financiación el 27 de octubre, con Creandum y Union Square Ventures como colíderes de la ronda. Usará el capital para ampliar su modelo y hacer crecer el equipo en su nueva oficina y laboratorio de King’s Cross.

Machenta llama a su enfoque «aprendizaje robótico instantáneo». La empresa afirma haber demostrado la tecnología en tareas de empaquetado, montaje y orden, en las que los robots se adaptan a las variaciones después de que se les muestra qué hacer una sola vez. La ambición es amplia, pero las pruebas deben entenderse como demostraciones de una tecnología en desarrollo, no como evidencia de que un robot ya pueda realizar cualquier tarea posible.

Aprender una nueva tarea sin iniciar un nuevo entrenamiento

La distinción clave está entre entrenar un modelo y enseñar una tarea específica a un modelo ya entrenado. Machenta sigue entrenando su modelo fundacional. Lo que busca eliminar es la necesidad de recopilar un gran conjunto de datos nuevo y ejecutar otro ciclo de entrenamiento cada vez que el robot se enfrenta a una nueva tarea.

«La inteligencia no consiste tanto en lo que ya puedes hacer como en la rapidez con que puedes aprender a hacer algo nuevo», afirmó el profesor Edward Johns, cofundador y director ejecutivo de Machenta, en el anuncio.

El flujo de trabajo propuesto es deliberadamente sencillo: mostrar el comportamiento deseado, dejar que el robot lo observe y, después, hacer que ejecute la tarea. En la práctica, la demostración pasaría a formar parte de las instrucciones que recibe un modelo existente, en lugar de ser el comienzo de un proyecto independiente de desarrollo de modelos.

Esto es especialmente pertinente cuando la tarea sigue siendo, en términos generales, la misma, pero cambian los objetos o su disposición. Un robot que solo puede repetir una secuencia fija necesita que el entorno se ajuste a su programa. Un sistema capaz de aprender debe identificar qué se le pide lograr con la demostración y adaptar sus acciones a la situación que tiene delante.

La simulación se utiliza para entrenar la capacidad de aprender

La estrategia de entrenamiento de Machenta traslada a la simulación buena parte de la carga de generar datos. Según el comunicado, el objetivo no es enumerar todas las tareas a las que el robot podría enfrentarse en el futuro. Se trata de exponer el modelo a suficientes situaciones variadas para que desarrolle una capacidad reutilizable de aprender a partir de un nuevo ejemplo.

Esto cambia de dónde espera obtener escala la empresa. Muchos proyectos de aprendizaje robótico dependen en gran medida de recopilar demostraciones físicas mediante teleoperación o grabaciones de actividades humanas. Machenta apuesta por que la experiencia simulada pueda aportar la diversidad necesaria para aprender nuevas tareas, mientras que una demostración real proporciona las instrucciones durante el despliegue.

En su introducción técnica, la empresa denomina al sistema modelo de visión, demostración y acción, o VDA. Este recibe como entradas una demostración y las observaciones continuas de una cámara, y predice acciones en un bucle cerrado. La empresa afirma que el preentrenamiento se realiza únicamente con simulaciones; el ejemplo de enseñanza y las observaciones en directo son entradas del mundo real durante la inferencia.

La distinción es importante: que el preentrenamiento se realice solo con simulaciones no significa que el robot desplegado opere sin información del mundo real. Aun así, debe interpretar la demostración, observar su entorno y elegir acciones a medida que cambian las condiciones.

La investigación detrás del aprendizaje robótico en contexto

La empresa se basa en el trabajo realizado por Johns y por el cofundador y director de tecnología, Vitalis Vosylius, en el Imperial College London. Johns es profesor de Aprendizaje Robótico en Imperial, y ambos desarrollaron métodos anteriores para aprender comportamientos físicos a partir de un número reducido de ejemplos.

Su investigación sobre Instant Policy, publicada en ICLR 2025, describe el aprendizaje por imitación en contexto a partir de una o dos demostraciones, sin entrenamiento adicional. Representa las demostraciones, las observaciones y las acciones mediante un grafo, y utiliza un proceso de difusión aprendido para generar la estructura del grafo necesaria para predecir acciones.

El artículo también describe el entrenamiento con seudodemostraciones: trayectorias generadas mediante simulación que proporcionan un amplio conjunto de ejemplos. Los experimentos abarcan tareas simuladas y reales, además de trabajos sobre la transferencia entre distintas configuraciones robóticas y las instrucciones definidas mediante lenguaje.

Esta investigación ayuda a explicar los fundamentos científicos, pero no demuestra que el modelo comercial actual de Machenta tenga exactamente la misma arquitectura. La startup describe el sistema más reciente como un modelo fundacional desarrollado a partir de esta línea de investigación.

El aprendizaje en contexto es habitual en los modelos de lenguaje, donde los ejemplos incluidos en una instrucción pueden influir en la respuesta sin actualizar los pesos del modelo. Aplicar esa idea a la robótica es más exigente, porque el resultado debe convertirse en una secuencia de acciones físicas sujeta a las limitaciones del mundo real, y no limitarse a ser una respuesta plausible.

Qué demuestran las pruebas y qué queda por evaluar

La publicación técnica de Machenta informa de ensayos de una hora con tres tareas sencillas que se reinician por sí solas: 74 colocaciones correctas de bloques en 74 intentos, 78 entregas de destornilladores en 78 intentos y 97 intentos exitosos de poner botellas de pie de un total de 99. La empresa atribuye los dos fallos con las botellas al riesgo de colisión y a las limitaciones cinemáticas.

Son pruebas iniciales útiles de fiabilidad, pero no constituyen una evaluación industrial amplia. La publicación también presenta el aprendizaje directo a partir de las manos humanas y la operación con manos humanoides como líneas preliminares. No demuestra una cobertura universal de tareas ni un rendimiento fiable en todos los entornos de trabajo.

Para un posible usuario, la diferencia entre una demostración convincente y un sistema listo para su implementación abarca la repetibilidad, la recuperación ante fallos, el comportamiento seguro en presencia de personas y los límites prácticos del hardware del robot. Aprender una instrucción rápidamente no permite que una pinza manipule un objeto que no puede agarrar físicamente.

Sin embargo, la oportunidad comercial es clara. Si el tiempo de enseñanza se reduce considerablemente, resulta más fácil plantearse el uso de robots en trabajos que cambian con demasiada frecuencia como para justificar una programación e integración prolongadas. Esto podría repercutir tanto en la implementación en fábricas como en aplicaciones de menor escala en las que es difícil conseguir asistencia especializada en robótica.

Una ronda semilla para ampliar el modelo y el equipo

Machenta se suma a una ola más amplia de inversión en inteligencia robótica adaptable. La cobertura de Unite.AI sobre la financiación de Dream Labs para una IA compatible con distintos robots ilustra otro esfuerzo por hacer que las capacidades aprendidas sean útiles en diferentes máquinas. Machenta se centra en la rapidez con la que una nueva instrucción física puede convertirse en un comportamiento útil.

Kathi Wilhelm, socia de Creandum, destacó los años de investigación del equipo antes de crear la empresa. Rebecca Kaden, socia directora de Union Square Ventures, hizo hincapié en el valor de los robots capaces de aprender rápidamente una nueva tarea, en lugar de requerir un proceso de entrenamiento distinto para cada trabajo.

Para Machenta, la siguiente etapa consiste en convertir esa base de investigación en capacidades más amplias y fiables. Los 40 millones de dólares proporcionan a la empresa recursos para ampliar el modelo y contratar personal para desarrollarlo, mientras que su equipo fundador aporta al negocio seis años de trabajo sobre el aprendizaje robótico con un solo ejemplo.

La pregunta central es hasta qué punto puede ampliarse ese comportamiento de aprendizaje a medida que las tareas se vuelven más variadas y exigentes. Si el método demuestra ser sólido, el cambio importante será práctico: las personas podrían dedicar menos tiempo a crear un proceso de entrenamiento y más a mostrarle al robot el trabajo que realmente necesitan que haga.