Una mano robótica necesitó 13.000 años simulados para aprender el cubo de Rubik, y en 2026 una mano de cinco dedos aún enrosca una bombilla solo el 36 por ciento de las veces

La mano robótica de OpenAI resolvió la mezcla más difícil del cubo de Rubik en 2 de 10 intentos con su mejor configuración, tras el equivalente a unos 13.000 años de práctica en simulación. El artículo que lo comunica llegó a arXiv el 16 de octubre de 2019. Desde entonces los laboratorios han enseñado a manos robóticas también con demostraciones humanas, sensores táctiles y hardware más barato, y los resultados medidos más recientes para una mano de cinco dedos, de Google DeepMind el 30 de julio de 2026, van del 32 al 92 por ciento según la tarea.

Cada cifra que sigue es la que el laboratorio citado comunicó en su propio artículo o anuncio. La mayoría proceden de robots distintos, objetos distintos y definiciones distintas de éxito, de modo que no forman una clasificación.

Lo que hizo realmente la mano del cubo de OpenAI

El robot era una mano Shadow Dexterous E Series, una mano humanoide de cinco dedos, con tres cámaras RGB que vigilaban el cubo. OpenAI entrenó la política de control y el sistema de visión enteramente en simulación y luego los pasó a la mano real. La técnica a la que atribuye el resultado es la aleatorización automática del dominio: el simulador genera variaciones cada vez más difíciles del mundo, de modo que la política no puede apoyarse en ninguna versión concreta.

El artículo fija la experiencia de entrenamiento acumulada de la política del cubo en unos 13 mil años, con 64 chips gráficos NVIDIA V100 y 920 máquinas de trabajo de 32 núcleos de procesador cada una.

Los resultados con el robot real están en una tabla de diez pruebas por política. La mejor política, con los ángulos de las caras del cubo suministrados por un sensor Giiker, resolvió una mezcla que requería 15 giros de cara en el 60 por ciento de las pruebas y la peor mezcla posible, de 26 giros, en el 20 por ciento. Con solo la visión para leer los ángulos de las caras, la misma política logró el 20 por ciento y el 0 por ciento. Una prueba terminaba si el cubo se caía o si la mano no había acabado en 1600 pasos de tiempo, unos 128 segundos. El artículo informa de que la política solía recuperarse, volviendo a agarrar, cuando giraba la cara equivocada o el cubo resbalaba.

Aprender de las manos de una persona

La simulación no es la única forma de enseñar a una mano. Una persona puede mostrar la tarea al robot, y el robot copia el movimiento. En abril de 2023 Tony Zhao, Vikash Kumar, Sergey Levine y Chelsea Finn publicaron ALOHA, un sistema bimanual (de dos brazos) de bajo coste, manejado con una interfaz de teleoperación a medida, es decir, una persona dirige el robot a distancia. Su algoritmo, Action Chunking with Transformers, aprendió seis tareas reales, entre ellas abrir un vasito translúcido de condimento y encajar una pila, con un 80 a 90 por ciento de éxito con unos 10 minutos de demostraciones. La página del proyecto dice que el hardware se construyó con un presupuesto de 20.000 dólares.

Lo siguiente fue reunir las demostraciones de muchos laboratorios. El artículo Open X-Embodiment, publicado en octubre de 2023, combinó datos de 22 robots de 21 instituciones, con 527 habilidades. En las pruebas de habilidades emergentes su modelo RT-2-X obtuvo un 75,8 por ciento frente al 27,3 por ciento de RT-2. Los autores dicen que no probaron robots con sensores y actuadores muy distintos, y que no estudiaron la generalización a robots nuevos.

Cui y sus colegas escribieron en octubre de 2025 que la teleoperación manual de un brazo y una mano diestros sobrecarga a los operadores humanos. Su solución reparte el trabajo: una persona guía el brazo mediante realidad virtual mientras una política aprendida mueve los dedos con la información del tacto y de las cámaras. Informan de un 90 por ciento de éxito con objetos diversos, incluidos los no vistos. En junio de 2025 Elvis Nava, Robert Katzschmann y sus colegas describieron mimic-one, una mano de 16 grados de libertad entrenada con demostraciones de guante y de realidad virtual, con hasta un 93,3 por ciento de éxito en pruebas fuera de distribución, es decir, en situaciones distintas de los datos de entrenamiento.

Los robots también pueden aprender de sus propios errores. El artículo de Physical Intelligence sobre pi*0.6, publicado el 18 de noviembre de 2025, describe un método de entrenamiento llamado RECAP que mezcla demostraciones, los intentos del propio robot y correcciones de un teleoperador humano. La empresa informa de que el modelo resultante dobla ropa en hogares reales, monta cajas y prepara bebidas de espresso, y de que en algunas de las tareas más difíciles el método más que duplica el rendimiento y reduce aproximadamente a la mitad la tasa de fallos. La ropa es también la tarea que el artículo anterior de tuput sobre la paradoja de Moravec usó como ejemplo de cabecera.

Dar a las yemas de los dedos un sentido del tacto

La mano F-TAC, de un equipo que incluye a Zihang Zhao, Kaspar Althoefer y Song-Chun Zhu, lleva sensores táctiles con una resolución espacial de 0,1 milímetros en el 70 por ciento de su superficie. El preprint apareció el 19 de diciembre de 2024 y la Queen Mary University of London anunció la versión publicada, en Nature Machine Intelligence, el 9 de junio de 2025. En 600 pruebas reales, informan los autores, la mano con tacto superó a las alternativas sin tacto en tareas complejas de manipulación (p inferior a 0,0001).

El grupo de investigación en IA de Meta presentó la yema Digit 360 el 31 de octubre de 2024. Meta dice que tiene más de 8 millones de taxeles (los píxeles que perciben el tacto), que detecta fuerzas de hasta 1 milinewton, y que va acompañada de Sparsh, un modelo del tacto preentrenado con más de 460.000 imágenes táctiles. GelSight fabricaría la Digit 360, y Wonik Robotics una mano Allegro táctil, ambas con amplia disponibilidad prevista para 2025.

El tacto no tiene por qué ser elaborado. Un artículo de Science Robotics de Qi Ye y sus colegas, comentado el 17 de febrero de 2026, usó la mano LEAP de bajo coste y cuatro dedos con una cámara web corriente y sensores básicos de tacto o no tacto, tras un preentrenamiento con demostraciones humanas que combinaban visión y tacto. La mano completó sus ocho tareas con una tasa de éxito global del 73 por ciento, y del 85 por ciento en las cinco practicadas en simulación. Las tres tareas no vistas, entre ellas afilar un lápiz y aflojar un tornillo, se completaron “la mayor parte de las veces” según el informe de Phys.org, que no da una cifra. Los fallos enumerados incluyen tapones pequeños que la mano no tiene par para girar y dedos que se atascan en ranuras estrechas de manillas de grifo.

Manos más baratas, y cables en lugar de motores

Kenneth Shaw, Ananye Agarwal y Deepak Pathak escribieron en septiembre de 2023 que los métodos de aprendizaje para la manipulación diestra se habían quedado sobre todo en la simulación por falta de hardware adecuado. Su mano LEAP cuesta unos 2000 dólares y se monta en cuatro horas con piezas fáciles de conseguir. El resumen lo cifra en aproximadamente una octava parte del precio de su competidora más cercana, la mano Allegro.

Algunas manos nuevas mueven los dedos con cables, llamados tendones. mimic-one es una. También lo hace Ruka-v2, de un equipo que incluye a Lerrel Pinto e Irmak Guzey, publicada el 27 de marzo de 2026. Añade una muñeca de dos grados de libertad y movimiento lateral de los dedos a la Ruka original, que los autores dicen que podría construirse por menos de 1300 dólares. En estudios con usuarios sobre tareas teleoperadas, Ruka-v2 redujo el tiempo de ejecución un 51,3 por ciento y aumentó el éxito un 21,2 por ciento respecto a la original. Se teleoperó en 13 tareas, y aprendió 3 de ellas de forma autónoma.

La simulación volvió

La simulación no perdió su lugar. Toru Lin, Jitendra Malik, Yuke Zhu y sus colegas comunicaron en febrero de 2025 un sistema de aprendizaje por refuerzo entrenado en simulación para un humanoide Fourier GR1 con dos manos de varios dedos. Informan de un 90 por ciento de éxito aproximado con objetos vistos y del 60 al 80 por ciento con objetos nuevos. Por tareas, la mejor política promedió un 62,3 por ciento en agarrar y alcanzar, un 80 por ciento en levantar una caja y un 52,5 por ciento en un traspaso con dos manos, con diez pruebas por objeto. Los autores sospechan que la baja cifra del traspaso se debe a haber usado solo una aleatorización sencilla de la física simulada, y dicen que las capacidades están lejos de una manipulación de propósito general y de nivel humano.

Un artículo de febrero de 2026, DexRepNet++, informa de un 87,9 por ciento de éxito en agarres en simulación para una política entrenada con 40 objetos y probada con más de 5000 no vistos. Su resumen describe una pequeña brecha entre la simulación y el hardware real, pero no da una tasa de éxito en el mundo real.

Las cifras de cinco dedos de DeepMind, julio de 2026

El 30 de julio de 2026 Google DeepMind anunció Gemini Robotics 2. El modelo controla la mano SharpaWave de cinco dedos y 22 grados de libertad del humanoide Apollo 2 de Apptronik. La publicación de DeepMind da estas tasas de éxito para esa mano: desenroscar una bombilla 92 por ciento, enroscarla 36 por ciento, atar una bolsa de basura 44 por ciento, una tarea con recogedor 32 por ciento y una bolsa ziplock 40 por ciento. Con pinzas de dos dedos en una plataforma Franka Duo informa de 74,2 por ciento en recoger y colocar en general, 78,9 por ciento en preparar herramientas y 89,6 por ciento en inserciones precisas.

La publicación de DeepMind dice que la manipulación diestra con varios dedos sigue siendo un reto. Dice también que los robots nuevos de dos brazos suelen poder adaptarse con menos de 200 ejemplos.

El reportaje de tuput sobre los pilotos de humanoides en 2026 cubre el lado de las fábricas y los aeropuertos de estas máquinas.

Lo que sigue fallando

La comparación es el primer problema. Un estudio de mayo de 2026 sobre la investigación en manos diestras, de Weiguang Zhao y sus colegas, dice que los trabajos usan supuestos distintos sobre robots, sensores, tareas, datos de entrenamiento y evaluación, lo que dificulta una comparación sistemática.

El segundo es la distancia entre las demostraciones y los objetos no vistos. La mano del cubo de 2019 resolvió la peor mezcla en 2 de 10 pruebas, las cifras de Lin y sus colegas con objetos nuevos quedan por debajo de las de objetos vistos, y cuatro de los cinco resultados de cinco dedos de DeepMind están por debajo del 50 por ciento, todos de pruebas del propio DeepMind. El equipo de Science Robotics enumera el par motor, los atascos y los resbalones como problemas mecánicos abiertos.

El tercero es el acceso y la velocidad. Según la cobertura de The Robot Report del 2 de agosto de 2026, DeepMind limita el modelo Gemini Robotics 2 y su versión para el propio dispositivo a socios de acceso anticipado, y dice que los robots tienen aún margen para mejorar en velocidad de movimiento.