GPT-6 Astra pilota un robot Unitree G1 y ordena una cocina que no conoce

Investigadores de Stanford y Caltech han montado HomeBody, un sistema que deja a un robot Unitree G1 moverse por una cocina desconocida, recoger trastos y sacar cosas de los cajones sin ayuda. La pieza llamativa no es el robot, sino como lo controlan: han quitado la capa de control entrenada que normalmente traduce las ordenes del modelo en movimiento de brazo, y han dejado que un modelo de vision y lenguaje (VLM) llame directamente a una biblioteca de habilidades.

Ese VLM es GPT-6 Astra, intercambiable por otro. Cuando el sistema recibe una orden del tipo "recoge la cocina", el modelo no genera trayectorias: elige que habilidad invocar (agarrar, navegar, abrir un cajon) y encadena unas con otras. Si algo falla, se corrige sobre la marcha.

Explorar antes de tocar

Antes de moverse, el robot hace un barrido de la habitacion y levanta un gemelo digital en Isaac Sim, el simulador de Nvidia. Los objetos y su posicion quedan registrados en una memoria espacial, lo que le permite volver a por algo aunque ya no lo tenga en el campo de vision. Es la misma idea que sostiene a los agentes que operan sobre un navegador o un escritorio: el modelo planifica y una memoria externa le aguanta el contexto.

El codigo esta en el repositorio de Stanford-TML, y la parte de simulacion se apoya en la documentacion de Isaac Sim.

Los propios autores listan los problemas: la latencia de Astra, servos de los dedos que se calientan de mas y un coste de computo alto. Nada de eso es menor si el objetivo es un robot domestico funcionando de forma continua, pero marca donde esta hoy el cuello de botella. No en la destreza mecanica, sino en la frecuencia con la que un modelo grande puede tomar decisiones.

HomeBody es la ultima de una serie de pruebas con Astra. Otras anteriores mostraron una mejora notable en razonamiento espacial, y una tercera señalo problemas de seguridad cuando el modelo controla un robot fisico. OpenAI ya ha dicho que quiere volver a la robotica, con planes que incluyen el uso personal.

Lo interesante no es que un modelo limpie una cocina en un video. Es la arquitectura: si un VLM generalista puede sustituir a la capa de control especifica por tarea, cada robot nuevo deja de necesitar su propio entrenamiento y pasa a necesitar solo una biblioteca de habilidades bien definida. Queda por ver si eso aguanta fuera del laboratorio, donde la latencia y el coste de computo no perdonan, y donde un fallo de seguridad en un brazo de varios kilos no se arregla reintentando.