El mayor desafío que enfrenta la IA física puede ser físico, no artificial

Detrás de casi cualquier demostración que capta la atención de los medios en la industria de IA física se encuentra la misma verdad: la máquina es un prototipo, y los prototipos no son productos. Construir un robot que funcione es una hazaña de ingeniería. Construir el milésimo, a un costo que alguien pagará, sin un equipo de especialistas listo para atenderlo ante una avería, es un desafío totalmente distinto, y es uno que la industria apenas está comenzando a enfrentar.

De la pieza única a la línea de montaje

Un robot prototipo podría funcionar con un actuador a medida mecanizado a mano, un sensor obtenido de un proveedor boutique con un plazo de entrega de dos meses, o un paquete de baterías ensamblado por los mismos ingenieros que lo diseñaron. Nada de eso importa cuando solo hay una unidad. Todo ello se convierte en una responsabilidad seria a escala de diez mil.

Los proveedores deben ser calificados, y suele ser necesario calificarlos dos veces, de modo que un incendio en una fábrica o un retraso en el envío no detenga la producción. Los componentes diseñados para el máximo rendimiento en un laboratorio a menudo necesitan ser rediseñados para tolerancia, durabilidad y, sobre todo, costo. Los procesos de ensamblaje que funcionaban con un pequeño equipo de doctorados resolviendo problemas a mano deben simplificarse lo suficiente como para que un técnico en una línea de producción pueda realizar el trabajo en minutos, no en días.

Este trabajo se llama diseño para la fabricabilidad. Es lento, es tedioso, es donde la batalla de ingeniería en la IA física se está librando cada vez más, y es una batalla que muchas compañías de robótica bien financiadas y técnicamente brillantes han perdido.

Las demostraciones impresionantes no ganan mercados

Existe un instinto natural heredado de una década de ciclos tecnológicos impulsados por software que lleva a asumir que quien construya el modelo más inteligente o el robot más parecido a un humano será el que salga victorioso. Ese instinto ha beneficiado a los inversores en la IA en general. Es probable que los engañe en la IA física.

Los negocios de hardware no se ganan en el día de la demostración, sino en los años posteriores, basándose en la economía de unidades, la resiliencia de la cadena de suministro y la capacidad de mantener miles de máquinas operando en el campo sin un pequeño ejército de ingenieros de guardia.

La energía solar ofrece un precedente útil. Los paneles que finalmente dominaron el mercado no fueron necesariamente los más eficientes en un laboratorio; fueron aquellos que las empresas pudieron fabricar de forma fiable, a costos decrecientes y con volúmenes crecientes. Los vehículos eléctricos siguieron una trayectoria similar, donde las cadenas de suministro de baterías y el rendimiento de fabricación fueron tan importantes como cualquier avance único de ingeniería. La IA física, con robots construidos a partir de decenas o cientos de componentes, cada uno un posible punto de falla, puede resultar aún menos indulgente. Una empresa que despliegue un robot simplemente bueno, respaldado por proveedores fiables y una curva de costos que se inclina a la baja cada trimestre, probablemente superará a un rival con un robot deslumbrante que solo puede producirse de a una docena a la vez.

La IA puede acelerar la ingeniería, no la física

¿No cerrará la propia IA esta brecha? En cierta medida, sí. Las herramientas de diseño generativo ya están explorando geometrías de componentes que ningún ingeniero humano pensaría intentar. La simulación, acelerada por aprendizaje automático, está comprimiendo ciclos de pruebas que antes duraban meses. Los modelos predictivos pueden señalar qué proveedores o materiales podrían causar problemas de rendimiento antes de que se mecanice una sola pieza.

Estas herramientas son verdaderos aceleradores, y las empresas que las utilicen eficazmente en ingeniería y aprovisionamiento avanzarán más rápido que las que no lo hagan.

Pero existe un techo rígido sobre cuánto puede comprimirse el calendario, porque el mundo físico no itera como lo hace el software. Una nueva aleación aún debe superar pruebas de fatiga medidas en miles de ciclos. Una línea de fábrica todavía necesita ser equipada, puesta en marcha y atravesar su propia curva de aprendizaje accidentada antes de que los rendimientos se estabilicen. Ninguna simulación acorta los meses que lleva calificar un nuevo material o los trimestres que lleva poner en marcha una nueva línea de producción. Cualquier empresa que construya su hoja de ruta bajo la suposición de que los plazos de hardware colapsarán como lo han hecho los de software se está preparando para una sorpresa desagradable, y muy pública.

Los cuellos de botella pasados por alto

Si hay una lección de ciclos de hardware anteriores, es que los componentes que reciben menos atención tienden a causar mayor retraso.

En la IA física, eso probablemente comienza con los actuadores, es decir, los motores y mecanismos que le otorgan al robot el torque y la precisión para realizar trabajo físico. Siguen siendo escasos, provenientes de un pequeño conjunto de fabricantes calificados, y poner en marcha nueva capacidad lleva años, no trimestres.

Continúa con la percepción. Las cámaras, sensores de fuerza y sistemas propioceptivos que permiten a una máquina percibir su entorno siguen siendo costosos e inmaduros en relación con lo que exigirá un despliegue denso y real.

Se extiende a la propia fabricación. La industria ha dependido en gran medida de un conjunto concentrado de regiones y proveedores, una estructura que cada vez se percibe más como una debilidad estratégica, impulsando a las empresas hacia huellas de fabricación más distribuidas y redundantes, incluso cuando eso implica sacrificar algo de eficiencia.

Y termina con la energía: las baterías, la electrónica de potencia y la infraestructura de carga que deberán escalar junto a flotas de máquinas funcionando continuamente en almacenes, hogares y sitios de trabajo. Ninguna de estas categorías encabezará una ponencia principal. Todas ellas probablemente decidirán quién realmente envía productos.

Una vista previa de una mayor retribución

El auge de la IA física es, en efecto, una prueba en vivo de una suposición con la que la industria tecnológica se ha sentido cómoda: que la inteligencia, una vez construida, escala libremente. Esa suposición se mantiene en gran medida para el software. No se mantiene para las fábricas.

La capacidad de cómputo puede duplicarse de la noche a la mañana. Los modelos pueden mejorar con una nueva ejecución de entrenamiento. El despliegue puede ocurrir al pulsar un botón. Las cadenas de suministro no pueden duplicarse de la noche a la mañana. Los técnicos capacitados, los proveedores calificados y las líneas de producción maduras tardan años en construirse, y ningún salto en la capacidad del modelo acorta ese calendario.

Nada de esto significa que la IA física esté sobrevalorada o que la tecnología subyacente no sea real. Significa que el centro de gravedad se está desplazando de la inteligencia artificial a la infraestructura física. Las empresas, y los inversores que las respaldan, que comprendan este cambio temprano y destinen recursos reales a la capacidad de fabricación y a la resiliencia de la cadena de suministro en lugar de la próxima demostración llamativa, serán las que probablemente sigan en pie cuando la actual ola de videos virales ceda paso al trabajo más lento y arduo de desplegar realmente estas máquinas a gran escala.