Ondas cerebrales: el siguiente dato que busca la IA física

El pasado 26 de julio, TechCrunch publicó un análisis con una tesis incómoda para quienes creen que la IA física se resolverá scrapeando la web: los modelos frontera de robótica ya no se alimentan de vídeos de YouTube. Necesitan capturas con múltiples ángulos de cámara, anotación densa y, en breve, lecturas de ondas cerebrales.

La idea central del artículo de TechCrunch es que el cuello de botella de la IA física no está en la arquitectura de los modelos, sino en los datos. Y que la próxima frontera de esa recogida de datos podría estar, literalmente, en la cabeza de los operadores humanos.

No existe un internet de acciones

Los grandes modelos de lenguaje despegaron porque había billones de tokens de texto esperando en la web. La robótica no tiene nada equivalente. El dataset colaborativo Open X-Embodiment, publicado en 2023 por Google DeepMind y decenas de laboratorios, reunió alrededor de un millón de trayectorias de 22 tipos de robots, una cifra minúscula comparada con los corpus que entrenan a un LLM moderno.

Por eso los laboratorios de IA física llevan años pagando datos a mano: sesiones de teleoperación en las que una persona guía al robot tarea a tarea, vídeo egocéntrico grabado con cámaras corporales y flotas de anotadores etiquetando cada fotograma. Es un proceso caro, lento y difícil de escalar, más cercano a producir una serie de televisión que a lanzar un crawler.

Qué puede aportar una señal cerebral

En ese contexto encaja la propuesta que recoge TechCrunch: añadir lecturas de actividad cerebral, típicamente vía EEG no invasivo, como una capa más de anotación. Un electroencefalograma no sirve para "leer la mente", pero sí aporta información que las cámaras no capturan: dónde está la atención del operador, cuándo anticipa un error, cuánta carga cognitiva le exige una tarea.

Para un modelo que aprende manipulación, saber que el humano detectó el fallo medio segundo antes de que ocurriera es una etiqueta valiosísima. Conviene, eso sí, separar esto del hype de los implantes: hablamos de diademas y cascos de electrodos superficiales, un terreno con décadas de investigación en interfaces cerebro-ordenador y limitaciones bien conocidas, empezando por el ruido de la señal.

A quién le importa esto

A las empresas de robótica y de modelos fundacionales físicos, que compiten menos por GPUs y más por pipelines de captura propios.
A la industria de la anotación de datos, que ve cómo el trabajo migra del etiquetado de imágenes web a operaciones de captura diseñadas a medida, con hardware específico.
* A los fabricantes de wearables EEG, que llevaban años buscando un caso de uso masivo y podrían encontrarlo como sensores de datos de entrenamiento.

El movimiento confirma un patrón que ya vimos con el lenguaje: cuando el dato gratuito se agota, el valor se desplaza a quien sabe fabricar datos buenos. Los fosos competitivos de la IA física no se parecerán a los de los buscadores, sino a los de quien controla una cadena de producción física con humanos, sensores y control de calidad.

La letra pequeña

Quedan preguntas abiertas que el propio enfoque plantea. La primera es de escala: equipar a miles de operadores con EEG multiplica el coste por hora de dato. La segunda es de privacidad: la actividad cerebral es probablemente el dato biométrico más sensible que existe, y su regulación (el neuroderecho ya asoma en varias legislaciones) está muy verde. La tercera es de utilidad real: falta evidencia pública de que estas señales mejoren de forma medible las políticas de control de un robot.

Desde ElephantPink lo leemos con interés y cautela a partes iguales: la dirección (datos más ricos, capturados a propósito) nos parece correcta, porque es la misma lección que dejó el entrenamiento de los LLM. Pero entre un EEG en la cabeza de un teleoperador y un robot doméstico competente hay un trecho enorme, y conviene no confundir una fuente de datos prometedora con un atajo.