Desde la computación acelerada y la simulación hasta las operaciones de datos, herramientas de código abierto, ingeniería de validación y aprendizaje continuo, estas cinco plataformas representan puntos de control distintos en el emergente stack de la IA física.
Durante gran parte del auge moderno de la IA, la infraestructura tuvo un único centro de gravedad: el cómputo. Los modelos crecieron, los entrenamientos consumieron más GPUs y la industria se organizó en torno a aceleradores, clústeres en la nube, frameworks de entrenamiento y software para desarrolladores. Ese stack era suficiente cuando los resultados de la IA eran texto, imágenes, video o código.
La IA física cambia la definición. Un robot no simplemente ejecuta un modelo. Debe percibir un entorno cambiante, razonar sobre el contacto y el movimiento, actuar a través de un cuerpo específico y recuperarse cuando sus acciones fallan. Su ciclo de desarrollo abarca demostraciones en el mundo real, datos sintéticos, simulación física, entrenamiento de políticas, evaluación estructurada, despliegue y la recopilación de nuevos casos de falla. La infraestructura de IA física se está convirtiendo en un sistema de capas interdependientes en lugar de un sinónimo de capacidad de cómputo.
Esta lista se centra en la infraestructura horizontal: plataformas reutilizables entre fabricantes de robots, implementaciones y sectores, excluyendo a los fabricantes de robots y desarrolladores de modelos. Para calificar, una plataforma debía abordar un cuello de botella crítico, proporcionar infraestructura reutilizable en lugar de una solución puntual, admitir múltiples desarrolladores de robótica y mostrar evidencia pública de despliegue, adopción del ecosistema o contribución de código abierto. Las cinco no están ordenadas por valoración o ingresos; cada una representa un punto de control diferente en el emergente stack de IA física.
NVIDIA: El sustrato de computación acelerada y simulación
NVIDIA sigue siendo la empresa más fundamental en el stack de infraestructura de IA física. Su importancia comienza con la computación acelerada, pero la compañía ha ido ascendiendo constantemente hacia el desarrollo de robots, simulación, datos sintéticos, modelos fundacionales y evaluación de políticas.
NVIDIA Isaac ahora abarca simulación y frameworks de aprendizaje robótico, bibliotecas aceleradas por CUDA, modelos de IA y flujos de trabajo de referencia: Isaac Sim para simulación basada en física, Isaac Lab para aprendizaje robótico y entrenamiento de modelos fundacionales, Isaac GR00T para desarrollo de humanoides de propósito general, y Isaac Lab-Arena para evaluación de políticas a gran escala acelerada por GPU. Newton extiende el stack en la capa de física: desarrollado con Google DeepMind y Disney Research y gestionado por la Linux Foundation, es un motor de física de código abierto acelerado por GPU construido para el aprendizaje robótico, cubriendo contacto, fricción, dinámica de cuerpos rígidos y blandos, actuadores y sensores.
La ventaja estratégica no es ningún producto único, sino la capacidad de NVIDIA para conectar computación, generación de mundos, física, datos sintéticos, entrenamiento de modelos, evaluación y despliegue en el edge dentro de un solo ecosistema de desarrolladores, lo más cercano que la IA física tiene a un sustrato de desarrollo común.
La pregunta a observar es qué tan abierto permanece ese ecosistema a medida que se expande. NVIDIA apoya frameworks abiertos, pero también tiene un incentivo obvio para atraer más del flujo de trabajo de IA física hacia su propio cómputo y software. Si se convierte en un sustrato neutral o en una plataforma integrada verticalmente dominante, dará forma a gran parte del mercado.
Applied Intuition: Ingeniería de validación para máquinas autónomas
Si NVIDIA proporciona el sustrato de desarrollo, Applied Intuition representa la infraestructura necesaria para demostrar que una máquina autónoma está lista para el mundo real.
La IA física no puede detenerse en el entrenamiento del modelo. Autos, camiones, drones, vehículos mineros y sistemas industriales deben probarse en condiciones operativas que son costosas, peligrosas, raras o imposibles de reproducir repetidamente en el mundo físico. Applied Intuition construyó su posición durante la era de los vehículos autónomos, donde la simulación y la validación son sistemas de ingeniería fundamentales en lugar de herramientas opcionales, y ahora posiciona su plataforma de IA física end-to-end en automoción, defensa, transporte, minería, construcción, agricultura y robótica.
Su plataforma combina simulación y evaluación, ingesta de datos a gran escala, recopilación de datos en bucle cerrado, desarrollo de sistemas autónomos, operación de flotas y software operativo para vehículos. Applied afirma que sus herramientas convierten datos de sensores del mundo real en segmentos curados para entrenamiento, simulación y evaluación, con métricas continuas que alimentan el siguiente ciclo de desarrollo. El valor de la empresa radica en convertir los requisitos del mundo real en sistemas de prueba estructurados: bibliotecas de escenarios, condiciones ambientales y de sensores variadas, simulación paralela y evaluación conectada a la integración continua.
La pregunta a observar es si la fortaleza en movilidad autónoma se traduce igualmente bien a la manipulación y robótica humanoide, donde el comportamiento depende de instrucciones de lenguaje, dinámicas de contacto e interacciones de largo plazo, y donde las fallas involucran destreza, fuerza e interpretación de tareas en lugar de solo navegación.
Scale AI: La fábrica de datos para robótica
Scale AI representa otra capa fundamental: el sistema necesario para convertir interacciones físicas crudas en datos de entrenamiento utilizables.
Los datos de robótica no pueden recolectarse de internet como se hace con texto o imágenes. Las trayectorias deben producirse a través de sistemas físicos o demostraciones humanas, una interacción a la vez, luego sincronizarse, calibrarse, limpiarse, anotarse y evaluarse. Scale construyó su reputación industrializando esos procesos para vehículos autónomos y modelos de IA de frontera, y ahora está extendiendo el mismo enfoque hacia la IA física.
Su plataforma combina fábricas de datos centralizadas, recolectores humanos distribuidos, sistemas robóticos reales y recolección egocéntrica sin robots, con anotación multimodal y ajuste fino de políticas internas destinado a verificar que un conjunto de datos produzca mejoras medibles en el modelo. La compañía dice que su red recolecta más de 1,000 horas de datos de demostración por día; informó haber entregado más de 150,000 horas de datos de IA física durante 2025 y haber sumado 10 clientes de robótica, con socios nombrados públicamente que incluyen Generalist AI y Physical Intelligence. Eso hace que Scale sea más que un proveedor de etiquetado: está construyendo el sistema operativo para especificar tareas, gestionar colaboradores, aplicar calidad y validar conjuntos de datos contra políticas posteriores.
La pregunta a observar es si Scale puede reproducir en robótica la ventaja de escala que construyó en la conducción autónoma y la IA generativa. Los datos de los robots están fragmentados entre implementaciones, sensores, frecuencias de control y configuraciones de despliegue; industrializar esas diferencias sin eliminar la información que los modelos necesitan será su desafío central.
Hugging Face LeRobot: La capa de coordinación de código abierto
LeRobot no es una empresa independiente, pero representa una capa que la IA física no puede permitirse dejar completamente dentro de plataformas propietarias.
Durante la era de los grandes modelos, los frameworks de código abierto, los repositorios de modelos, los formatos estandarizados y los conjuntos de datos compartidos redujeron sustancialmente el costo de la experimentación. La robótica necesita un bien público similar, particularmente porque muchos laboratorios y startups no pueden construir su propia infraestructura de datos y entrenamiento de extremo a extremo.
Hugging Face describe a LeRobot como una colección de código abierto de modelos, conjuntos de datos y herramientas para robótica del mundo real, centrada en el aprendizaje por imitación y el aprendizaje por refuerzo. Su ecosistema incluye políticas preentrenadas, demostraciones recolectadas por humanos, entornos simulados, integraciones de robots y herramientas para grabar datos, entrenar políticas, evaluarlas y desplegarlas en hardware.
Su importancia es especialmente visible en la capa de datos. LeRobotDataset v3.0 introdujo un formato estandarizado para datos de aprendizaje robótico multimodal, incluyendo series temporales sensoriomotoras, acciones, video multicámara, metadatos de tareas, indexación, visualización y streaming nativo de Hub, rediseñado para admitir conjuntos de datos con un número muy grande de episodios sin fallas.
Vía The Robot Report.
