La promesa de la IA física es que los ingenieros podrán programar agentes físicos de la misma manera en que lo hacen con los digitales.

Todavía no hemos llegado a ese punto. La robótica sigue frenada por una escasez de datos provenientes de espacios físicos. Para entrenar sus máquinas, las empresas necesitan construir almacenes de prueba simulados, mientras que toda una industria está surgiendo en torno a la vigilancia de líneas de fábrica y trabajadores de la economía gig para entrenar modelos de deep learning que operen robots.

Otra opción es la simulación; réplicas virtuales detalladas de entornos del mundo real podrían proporcionar los datos y espacios de trabajo que los roboticistas necesitan para realizar este trabajo de manera escalable.

Antioch, una startup que construye herramientas de simulación para desarrolladores de robots, quiere cerrar lo que la industria llama la brecha sim-to-real: el desafío de hacer que los entornos virtuales sean lo suficientemente realistas como para que los robots entrenados en ellos puedan operar de manera confiable en el mundo físico.

“¿Cómo podemos hacer el mejor trabajo posible reduciendo esa brecha, para que la simulación se sienta igual al mundo real desde la perspectiva de su sistema autónomo?”, comentó el cofundador de Antioch, Harry Mellsop.

Para lograrlo, la compañía informó hoy a TechCrunch que ha recaudado una ronda semilla de 8,5 millones de dólares que la valora en 60 millones de dólares, liderada por las firmas de capital de riesgo A* y Category Ventures, con la participación adicional de MaC Venture Capital, Abstract, Box Group e Icehouse Ventures.

Mellsop inició la empresa con sede en Nueva York junto a cuatro cofundadores en mayo del año pasado. Dos de los otros fundadores, Alex Langshur y Michael Calvey, se unieron a él para cofundar Transpose, una startup de seguridad e inteligencia, y venderla a Chainalysis por un monto no revelado. Los otros dos —Collin Schlager y Colton Swingle— trabajaron anteriormente en Meta Reality Labs y Google DeepMind, respectivamente.

Conozca a su próximo inversor o startup en Disrupt

Su próxima ronda. Su próxima contratación. Su próxima oportunidad de éxito. Encuéntrela en TechCrunch Disrupt 2026, donde más de 10.000 fundadores, inversores y líderes tecnológicos se reúnen durante tres días para más de 250 sesiones tácticas, presentaciones poderosas e innovación que define el mercado. Regístrese ahora para ahorrar hasta 410 dólares.

Conozca a su próximo inversor o startup en Disrupt

Su próxima ronda. Su próxima contratación. Su próxima oportunidad de éxito. Encuéntrela en TechCrunch Disrupt 2026, donde más de 10.000 fundadores, inversores y líderes tecnológicos se reúnen durante tres días para más de 250 sesiones tácticas, presentaciones poderosas e innovación que define el mercado. Regístrese ahora para ahorrar hasta 410 dólares.

La necesidad de una mejor simulación está en el corazón de lo que están haciendo muchas de las principales empresas de autonomía. En el espacio de los vehículos autónomos, por ejemplo, Waymo utiliza el modelo de mundo de Google DeepMind para probar y evaluar su modelo de conducción. En teoría, esa técnica hará que el despliegue de vehículos Waymo en nuevas áreas requiera menos recolección de datos, un costo clave en el escalamiento de la tecnología de vehículos autónomos.

Construir y utilizar esos modelos para probar robots requiere, posiblemente, un conjunto de habilidades diferente al de crear un auto que se conduce solo, y Antioch quiere construir la plataforma que resuelva ese problema para las empresas más nuevas que no cuentan con el capital para hacerlo todo por sí mismas. Esas empresas más pequeñas tampoco tienen el capital para construir arenas de pruebas físicas o conducir autos repletos de sensores durante millones de kilómetros.

“La gran mayoría de la industria no utiliza la simulación en absoluto, y creo que ahora estamos entendiendo claramente que necesitamos movernos más rápido”, afirmó Mellsop.

Los ejecutivos de Antioch comparan su producto con Cursor, la popular herramienta de desarrollo de software potenciada por IA. Antioch permite a los constructores de robots crear múltiples instancias digitales de su hardware y conectarlas a sensores simulados que imitan los mismos datos que el software del robot recibiría en el mundo real. Estos entornos permiten a los desarrolladores probar edge cases, realizar reinforcement learning o generar nuevos datos de entrenamiento.

Esto es posible siempre y cuando la simulación sea de una fidelidad suficientemente alta. El desafío aquí es asegurar que la física en la simulación coincida con la realidad para que, cuando el modelo se ponga a cargo de una máquina real, nada salga mal. La empresa comienza con modelos construidos por Nvidia, World Labs y otros, y desarrolla bibliotecas específicas de dominio para que sean fáciles de usar. Trabajar con múltiples clientes, dicen los ejecutivos, le da a Antioch una profundidad de contexto para refinar sus simulaciones que ninguna empresa individual de IA física podría igualar por sí sola.

“Lo que ocurrió con la ingeniería de software y los LLM apenas está comenzando a suceder con la IA física”, comentó a TechCrunch Çağla Kaymaz, socia de Category Ventures. “Trabajamos mucho en herramientas de desarrollo (dev tools) y amamos esa vertical, pero los desafíos son diferentes. Con el software, puedes tener herramientas de codificación deficientes y el riesgo generalmente está bastante contenido en el mundo digital. En el mundo físico, lo que está en juego es mucho mayor”.

El enfoque de Antioch ahora se centra principalmente en sistemas de sensores y percepción, que representan la mayor parte de la necesidad en autos y camiones automatizados, maquinaria agrícola y de construcción, o drones aéreos. Las aspiraciones de que la IA física potencie robots generalizados para replicar tareas humanas están más lejos. Si bien la propuesta de Antioch es para startups, algunos de sus primeros compromisos han sido con enormes multinacionales que ya están invirtiendo fuertemente en robótica.

Adrian Macneil tiene un conocimiento sólido de este espacio. Como ejecutivo en la startup de conducción autónoma Cruise, construyó la infraestructura de datos de la compañía, y en 2021 fundó Foxglove, una empresa que ofrece el mismo tipo de data pipelines a startups de IA física. Macneil está respaldando a Antioch como inversor ángel.

“La simulación es realmente importante cuando intentas construir un caso de seguridad o lidiar con tareas de muy alta precisión”, señaló en la conferencia Ride AI en San Francisco el miércoles. “No es posible conducir suficientes kilómetros en el mundo real”.

A Macneil le gustaría ver surgir el mismo tipo de herramientas que impulsaron la revolución SaaS —plataformas como GitHub, Stripe y Twilio— para apoyar la IA física. “Necesitamos que una parte mucho mayor de toda la cadena de herramientas (toolchain) esté disponible de forma comercial”, dijo a TechCrunch.

“Realmente todos pensamos que cualquiera que construya un sistema autónomo para el mundo real lo hará principalmente en software dentro de dos o tres años”, dijo Mellsop. “Es la primera vez que puedes tener agentes autónomos iterando en un sistema de autonomía física y realmente cerrar el bucle de retroalimentación”.

Ya existen experimentos en esta dirección. David Mayo, investigador del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT, está utilizando la plataforma de Antioch para evaluar LLM. En un experimento, Mayo hace que los modelos de IA diseñen robots y luego usa el simulador de Antioch para probarlos. Incluso puede enfrentar a los modelos entre sí en concursos simulados, como empujar a un robot rival fuera de una plataforma. Darle a los LLM un sandbox realista podría ayudar a proporcionar un nuevo paradigma para su evaluación comparativa (benchmarking).

Sin embargo, antes de que llegue un mundo de ingenieros de IA, aún queda trabajo por delante para cerrar la brecha entre los modelos digitales y el mundo real. Si se logra, los desarrolladores podrán crear el tipo de volante de inercia de datos (data flywheel) que Macneil cree que es la clave del éxito de líderes de categoría como Waymo, donde los ingenieros confían cada vez más en que el modelo del próximo mes será más capaz que el anterior.

Si otras empresas quieren replicar ese éxito, tendrán que construir esas herramientas ellas mismas, o comprarlas.

Cuando realiza compras a través de enlaces en nuestros artículos, podríamos ganar una pequeña comisión. Esto no afecta nuestra independencia editorial.

Vía TechCrunch AI.