✨︎ Resumen (TL;DR):
- Tiangong Ultra corrió 100 metros en 8.86 segundos el 25 de agosto de 2026 en Pekín, por debajo de los 9.58 segundos de Usain Bolt, pero frenó contra un colchón y su torso mostró un pequeño fuego.
- Las empresas publicaron tasas de manipulación de 52% a 66%; varias pruebas son tareas que un niño de ocho años resuelve sin pensar.
- Manipulación, generalización, tareas largas, sobrecalentamiento y seguridad siguen pendientes. Kai Williams calcula que cerrar la brecha tomará años y posiblemente décadas.
El humanoide chino Tiangong Ultra corrió 100 metros en 8.86 segundos el 25 de agosto de 2026 en Pekín, un tiempo menor que los 9.58 segundos del récord de Usain Bolt. La marca contrasta con las tasas que las propias empresas reportan en manipulación, entre 52% y 66%, incluso para tareas domésticas sencillas. Kai Williams documentó esa brecha en un reporte publicado el 1 de septiembre de 2026 en Understanding AI.
8.86 segundos y un frenado fuera de control
La carrera ocurrió en los Juegos Mundiales de Robots Humanoides de Pekín. Tiangong Ultra bajó de nueve segundos, pero para detenerse se estrelló contra un colchón colocado más allá de la meta.
Al Jazeera, con material de Reuters, reportó que después del impacto apareció un pequeño fuego en el torso del robot. En la otra semifinal, otro humanoide se desarmó a mitad de la carrera.
Kai Williams publicó su reporte en Understanding AI, la publicación de Timothy B. Lee, después de meses de entrevistas con especialistas. La escena atlética concentra el problema: los récords de velocidad caen rápido, mientras agarrar, doblar, abrir o pelar objetos sigue produciendo porcentajes modestos.
Theophile Gervet, presidente de Genesis AI, le dijo a esa publicación que la manipulación es el problema no resuelto que puede liberar más del 90% del valor en robótica.
Pelar una naranja cuesta más que dar una voltereta
La paradoja de Moravec es un principio de robótica que explica por qué una máquina puede resolver con poco esfuerzo una tarea intelectual como el ajedrez, pero necesita mucha precisión para sostener un vaso.
Physical Intelligence explica la paradoja con una diferencia concreta. Brian Machado, CEO de Bracket Bot, señaló que bailar resulta sencillo porque el piso no reacciona frente al robot. Una almohada, una bolsa de papas o un vaso de agua sí responden de manera distinta.
En septiembre de 2025, el roboticista Benjie Holson, quien pasó por Google X y ahora trabaja en OpenAI, convirtió el problema en un reto público con 15 tareas de manipulación.
Tres pruebas consistían en abrir puertas. Otra pedía preparar un sándwich de crema de cacahuate a partir de un frasco cerrado. La más difícil para una persona era pelar una naranja. Varias de esas acciones son movimientos que un niño de ocho años resuelve sin pensarlo.
El 22 de diciembre de 2025, Physical Intelligence anunció que había resuelto diez de esas tareas al afinar su modelo basado en π0.6. La empresa reportó 52% de acierto promedio y 72% de avance de tarea.
Un modelo de comparación entrenado sin preentrenamiento robótico no completó ninguna prueba y se quedó en 9% de avance. Voltear un calcetín al revés requirió unas ocho horas de datos; Williams contabilizó 176 ejemplos exitosos para esa sola tarea.
El robot tardó entre cuatro y diez veces más que una persona en casi todas las pruebas. La naranja terminó pelada con ayuda de una herramienta porque la pinza no alcanzaba. Physical Intelligence marcó ese recurso como una violación de las reglas y descartó el resultado como éxito.
En enero de 2026, Holson publicó una segunda tanda de retos: tender una cama, clavar un clavo y atrapar un huevo sin romperlo. Han pasado más de siete meses y nadie ha anunciado una solución para ninguna de esas pruebas.
Las dos tareas que Holson etiquetó como de horizonte largo, sacar la basura y freír un huevo, no pasan de cinco minutos.
Las empresas publican avances con escalas distintas
La siguiente comparación reúne lo que cada organización publicó sobre su propia demostración y conserva las condiciones de cada prueba:
| Sistema y fecha del anuncio | Demostración | Cifra publicada por su responsable |
|---|---|---|
| Tiangong Ultra, 25 de agosto de 2026 | 100 metros planos en los Juegos Mundiales de Robots Humanoides de Pekín | 8.86 s, frente a los 9.58 s de Usain Bolt; frenó contra un colchón y apareció fuego en el torso |
| Physical Intelligence, 22 de diciembre de 2025 | Diez tareas caseras del reto de Benjie Holson, como usar una llave y limpiar una sartén grasosa | 52% de éxito promedio y 72% de avance de tarea |
| GEN-1.5 de Generalist, 19 de agosto de 2026 | Diez tareas cortas de manipulación aprendidas con una sola demostración de 3 a 12 segundos | 59% con esa demostración; 83% después de diez pasos de ajuste sobre cinco minutos de datos |
| S1 de Skild AI, 18 de agosto de 2026 | Cuatro tareas largas ausentes del preentrenamiento, de hasta 10 minutos, como preparar café de filtro | 66% con un solo video; alrededor de 96% en tareas que sí estaban en el entrenamiento |
Agosto empujó la generalización, con asteriscos
La generalización es la capacidad de un robot para ejecutar una tarea nueva sin recibir entrenamiento adicional para cada caso.
Entrenar un robot para una tarea concreta ya se sabe hacer, pero casi cualquier actividad que justifique ese esfuerzo ya está resuelta con automatización convencional. El reto real aparece cuando cambia el objeto, el entorno o la forma de realizar el movimiento.
Williams vio el problema en mayo, en un almacén farmacéutico de Pekín. Un robot de Galbot sacaba cajas de un estante para dejarlas en una rampa. Tardaba unos 40 segundos por pieza y cada producto nuevo del inventario exigía volver a entrenarlo.
La empresa afirma que ese reentrenamiento toma cinco minutos y que sus despliegues recientes operan al doble de velocidad. El dato muestra una mejora concreta, pero también la dependencia de ajustar el sistema cuando cambia el inventario.
El 19 de agosto de 2026, Generalist presentó GEN-1.5. El sistema puede aprender una tarea nueva al observar entre 3 y 12 segundos de demostración, sin entrenamiento adicional.
Un día antes, el 18 de agosto de 2026, Skild AI presentó S1. A partir de un solo video, ejecutó tareas de hasta diez minutos que no estaban en su preentrenamiento, entre ellas preparar café de filtro y trasplantar una planta.
Skild calcula que una demostración equivale a unos 380 ejemplos de teleoperación, entre 50 y 100 horas de trabajo humano.
Ninguna de las dos compañías presentó el resultado como definitivo. Generalist describe sus tareas como simples y de horizonte corto, además de calificar sus tasas como modestas.
Skild aclara que, en la comparación con el método rival, los evaluadores intervinieron manualmente para recuperar fallas, sobre todo en el sistema de referencia. Sin esa intervención, ese sistema habría marcado cero.
Pete Florence, CEO de Generalist, puso el límite con un ejemplo: un robot entrenado para meter una lonchera en una mochila con cierre no necesariamente sabrá hacerlo con una mochila de hebillas.
Las piernas llevan el problema al hardware
Aquí el obstáculo cambia de naturaleza y deja de depender únicamente del ritmo de la IA. Un humanoide con piernas mantiene el equilibrio de forma activa. Si sus motores se detienen, cae sobre quien tenga cerca, y los motores se detienen.
La causa mejor documentada es el calor. Steve Newman publicó el 1 de septiembre de 2026 en Second Thoughts un catálogo de obstáculos técnicos de la robótica. Según su descripción, un robot del tamaño de una persona genera alrededor del doble de calor que ella y carece de circulación y sudor para repartirlo.
Reyk Knuhtsen, responsable de robótica en SemiAnalysis, describió en julio, durante el podcast ChinaTalk, el caso del Unitree G1, uno de los humanoides más extendidos del mundo. Hace un par de años cargaba unos kilos durante cinco minutos y después necesitaba entre media hora y una hora de reposo.
Hoy alcanza entre cinco y 15 minutos de trabajo por cada 10 de descanso. En 2025, el sistema de teleoperación TWIST, desarrollado por Stanford y Simon Fraser, reportó un límite parecido: sus motores se sobrecalentaban después de 5 a 10 minutos continuos, sobre todo al ponerse en cuclillas. El robot se apagaba y se desplomaba.
Otras fallas aparecen por caminos que ninguna simulación anticipa. Pras Velagapudi, CTO de Agility Robotics, contó a Understanding AI que a varios de sus robots desplegados en campo empezó a fallarles una pierna al agacharse.
Una tarjeta de circuito impreso se había flexionado con el uso hasta desconectar un cable. El cable volvía a su sitio cuando el robot estiraba la pierna. El defecto solo apareció después de miles de pasos.
Agility mantiene hoy sus humanoides dentro de recintos de seguridad, apartados de los trabajadores. 1X quiere llevar humanoides con piernas a las casas antes de que termine 2026. La empresa diseñó un robot ligero y flexible, pero dijo al Wall Street Journal, según recoge Understanding AI, que las familias con niños pequeños no podrán entrar a su programa de pruebas.
Las ruedas ofrecen una alternativa conocida: cuestan menos, mantienen la estabilidad aunque se corte la energía, pero no pueden subir escaleras. Esa decisión ya tiene consecuencias comerciales. La británica Humanoid se convirtió en el primer unicornio europeo de robótica humanoide con un robot que rueda en lugar de caminar.
El espejo incómodo es el auto autónomo
Los roboticistas Stefanie Tellex y David Watkins escribieron que el aprendizaje aplicado a la manipulación robótica se siente como el desarrollo del auto autónomo en 2015.
La comparación incomoda por las promesas que llegaron después. En 2016, Ford anunció que produciría en masa un auto sin volante para 2021. John Zimmer, presidente de Lyft, pronosticó que en cinco años la mayoría de los viajes de su plataforma serían autónomos y que hacia 2025 tener coche propio correría la misma suerte que el DVD.
Rodney Brooks había advertido en 2024 que rara vez había visto una tecnología a menos de 10 años de una demostración de laboratorio llegar a un robot desplegado.
Una década después de aquellas promesas, el reporte de Understanding AI contaba 11 ciudades con servicio de robotaxis de Waymo. El mismo 1 de septiembre de 2026, Waymo elevó la cifra a 14 al abrir Denver, San Diego y Tampa.
Ese ritmo es sostenido, pero sigue lejos de la adopción masiva. El reporte lo usa como referencia para medir cuánto podría tardar la llegada de los humanoides a tareas cotidianas.
El precio tampoco se resuelve solo con mejor software. Williams señala que el precio de lista de un robot ha sido históricamente bastante menor que la mitad de lo que cuesta desplegarlo.
Newman agrega la escala industrial. Tesla tardó 14 años en pasar de sus primeras ventas comerciales a su primer año con un millón de autos. Un análisis de Epoch estima que producir humanoides en el rango de los millones anuales tomaría varios años desde que la máquina se vuelva económicamente valiosa.
ChatGPT alcanzó 100 millones de usuarios mensuales en dos meses porque las fábricas de chips ya existían. La cadena de suministro equivalente para robots todavía no existe.
Por eso el cálculo de Williams no depende de la marca de una sola carrera. Cerrar la distancia entre correr y trabajar tomará años y posiblemente décadas.
Quedan dos marcadores concretos. El primero es que alguien resuelva la segunda tanda de retos de Holson, intacta desde enero. El segundo es que los despliegues domésticos prometidos para finales de 2026 lleguen sin operadores humanos detrás de un control remoto.
Hasta entonces, los 8.86 segundos de Pekín describen la velocidad de un robot en una pista. No demuestran que pueda sostener un turno de trabajo físico sin detenerse, sobrecalentarse o requerir ayuda.
