Generalist AI ha presentado GEN-1.5, su último modelo de fundación para robótica, con una capacidad que hasta ahora no se había demostrado de forma sistemática: aprender una tarea física nueva en cuestión de segundos, a partir de una sola demostración en vídeo, sin ningún proceso de fine-tuning ni actualización de gradientes. La noticia, difundida a finales de agosto de 2026, ha centrado buena parte del debate semanal de la comunidad de robótica sobre si los humanoides necesitan o no superar las capacidades humanas para ser útiles.
Qué es GEN-1.5 y qué hace exactamente
GEN-1.5 es un modelo multimodal de gran escala que procesa vídeo junto con datos de sensores, lenguaje y información propioceptiva, y genera trayectorias de acción a 100 Hz. La propuesta central es directa: mostrarle al robot lo que debe hacer durante entre 3 y 12 segundos, y que sea capaz de generalizar esa instrucción a situaciones nuevas, recuperarse de errores a mitad de tarea e improvisar cuando el entorno no es exactamente el mismo que en la demostración.
La empresa afirma que es «el primer modelo del que tienen conocimiento para el que el aprendizaje one-shot y few-shot de habilidades físicas ha emergido a escala». Es una afirmación fuerte, y el propio equipo de IEEE Spectrum puntualiza en su selección semanal que en varios de estos casos el blog de la compañía solo puede decir que no había datos de preentrenamiento relevantes «según su mejor conocimiento» — un matiz que conviene no perder de vista.
Qué lo diferencia de otros modelos existentes
El salto conceptual respecto a generaciones anteriores de modelos robóticos —incluidos los propios GEN-0 y GEN-1 de la misma empresa— es que el aprendizaje ocurre en contexto, sin tocar los pesos del modelo. Esto significa que no hace falta un pipeline de recogida de datos, etiquetado y entrenamiento que puede durar semanas. El robot simplemente «ve» la demostración y actúa.
Sin embargo, la propia Generalist AI reconoce que las habilidades aprendidas de esta manera siguen siendo más frágiles que las obtenidas mediante fine-tuning. La tasa de éxito en las tareas probadas es modesta, y las tareas en sí son cortas y de baja complejidad. No estamos ante un robot de propósito general todavía: la empresa presenta esto como un primer paso significativo, no como un producto listo para despliegue industrial.
El contexto más amplio: ¿necesitamos robots superhumanos?
La presentación de GEN-1.5 llega en una semana en la que la pregunta de fondo en los círculos de robótica es si los robots humanoides necesitan superar las capacidades humanas para tener un caso de uso comercial real. El vídeo de Unitree G1 mostrando maniobras de alta velocidad ha generado exactamente ese debate: las acrobacias son impresionantes, pero ¿para qué industria concreta se necesitan?
GEN-1.5 apunta en una dirección distinta: en lugar de batir marcas físicas, prioriza la adaptabilidad cognitiva. Un robot que aprende en segundos no necesita ser superhumano en fuerza o velocidad si puede reprogramarse solo frente a una tarea nueva. Esa flexibilidad, si se escala, podría ser la clave para hacer los robots de propósito general económicamente viables.
Más allá de GEN-1.5: otros avances de la semana
La selección semanal de IEEE Spectrum incluye varios proyectos que complementan el panorama. El equipo del AIMS Group de la Universidad Politécnica de Hong Kong y el DRAGON Lab de la Universidad de Tokio ha presentado el primer framework de optimización de trayectorias basado en programación convexa secuencial para multirrotores generalizados, tanto convencionales como omnidireccionales — un avance en robótica aérea que prioriza los modelos analíticos de primeros principios sobre el aprendizaje de datos.
Por su parte, Gravis Robotics muestra cómo su kit de actualización Gravis Rack transforma máquinas hidráulicas de construcción pesada en robots con cámaras, lidar y control basado en aprendizaje, sin necesidad de maquinaria ad hoc. Y el trabajo de EVARL sobre braquiación robótica —con un robot de tamaño real atravesando cuatro barras consecutivas— ilustra hasta dónde ha llegado el aprendizaje por refuerzo guiado por waypoints en locomoción compleja.
- Aprendizaje sin reentrenamiento: reduce drásticamente el coste de despliegue
- Generalización a situaciones no vistas en la demostración
- Recuperación de errores en tiempo real durante la ejecución
- Primera demostración conocida de one-shot learning físico a escala
- Tareas probadas son simples y de corta duración
- Habilidades aprendidas en contexto más frágiles que con fine-tuning
- Las afirmaciones de «primero del mundo» dependen del conocimiento propio de la empresa
- Sin datos públicos de tasas de éxito en entornos industriales reales
- No hay producto comercial anunciado
GEN-1.5 no es un robot que puedas comprar ni desplegar hoy en una fábrica española o alemana. Pero marca una dirección clara: el cuello de botella para la robótica de propósito general no es ya tanto la mecánica o la velocidad del hardware como la capacidad del software para adaptarse rápido y barato a tareas nuevas. Si Generalist AI —o cualquier competidor— consigue escalar este enfoque a tareas más largas y complejas, el argumento para comprar robots humanoides o manipuladores de propósito general se vuelve mucho más sólido. Para las empresas europeas que están evaluando automatización, la pregunta ya no es solo «¿cuánto cuesta el robot?» sino «¿cuánto cuesta enseñarle cada nueva tarea?» GEN-1.5 ataca directamente ese segundo coste.
Publicado el 2 de septiembre de 2026. Información basada en el blog oficial de Generalist AI y cobertura de IoT Tech News e IEEE Spectrum.
