Un equipo de la Universidad Northwestern us\u00f3 inteligencia artificial para evolucionar planes corporales de robots dentro de una simulaci\u00f3n f\u00edsica, luego ensambl\u00f3 f\u00edsicamente los dise\u00f1os con mejor desempe\u00f1o y los solt\u00f3 sobre grava, c\u00e9sped y ra\u00edces de \u00e1rboles. El trabajo, publicado en los Proceedings of the National Academy of Sciences en marzo de 2026, representa un paso significativo m\u00e1s all\u00e1 de demostraciones anteriores en banco de laboratorio, donde los robots dise\u00f1ados por IA funcionaban \u00fanicamente sobre mesas planas. Al obligar a las m\u00e1quinas evolucionadas a enfrentarse a un terreno exterior impredecible, los investigadores est\u00e1n probando si la evoluci\u00f3n digital puede producir hardware lo bastante resistente para el mundo real.<\/p>\n
Los robots de este estudio no son dispositivos de un solo prop\u00f3sito dise\u00f1ados por ingenieros humanos. Se ensamblan a partir de m\u00f3dulos aut\u00f3nomos<\/a>, cada uno con su propio motor, bater\u00eda y ordenador a bordo. Pi\u00e9nselos como bloques de construcci\u00f3n motorizados que se encajan entre s\u00ed. Ning\u00fan bloque individual puede caminar por s\u00ed solo, pero cuando varios se combinan en la disposici\u00f3n adecuada, la locomoci\u00f3n coordinada emerge de sus interacciones. El equipo de investigaci\u00f3n llama a estas creaciones \u201cmetam\u00e1quinas con patas\u201d, una etiqueta que captura la idea central de que la inteligencia emerge cuando los m\u00f3dulos se combinan y coordinan colectivamente sus movimientos.<\/p>\n Este enfoque modular conlleva una ventaja pr\u00e1ctica que la mayor\u00eda de los robots convencionales no tienen. Como cada unidad es autosuficiente, una pata da\u00f1ada puede reemplazarse o todo el plan corporal puede reconfigurarse sin redise\u00f1ar la electr\u00f3nica o el software de control desde cero. Esa flexibilidad es lo que hace tan atractiva la b\u00fasqueda evolutiva en simulaci\u00f3n: el algoritmo puede explorar r\u00e1pidamente miles de arreglos de m\u00f3dulos, descartando fracasos y promoviendo dise\u00f1os que se mueven bien. En principio, el mismo inventario de piezas podr\u00eda reconfigurarse en caminantes, reptadores o incluso m\u00e1quinas trepadoras, dependiendo de lo que descubra el algoritmo.<\/p>\n En lugar de ajustar manualmente el n\u00famero de patas y los \u00e1ngulos de las articulaciones, los investigadores dejaron que un algoritmo de optimizaci\u00f3n explorara un espacio de dise\u00f1o comprimido de posibles configuraciones modulares. El proceso, descrito en el estudio revisado por pares<\/a>, funciona codificando los planes corporales en una representaci\u00f3n matem\u00e1tica compacta y luego puntuando cada candidato seg\u00fan su rendimiento de locomoci\u00f3n en simulaci\u00f3n. A lo largo de muchas generaciones de selecci\u00f3n, el algoritmo converge en morfolog\u00edas que equilibran velocidad, estabilidad y consumo energ\u00e9tico en terreno virtual, respetando a la vez las limitaciones impuestas por los m\u00f3dulos f\u00edsicos.<\/p>\n Los dise\u00f1os ganadores no eran lo que un ingeniero humano habr\u00eda esbozado. El equipo seleccion\u00f3 las mejores configuraciones de tres, cuatro y cinco patas para el ensamblaje f\u00edsico. Aparecieron n\u00fameros impares de patas y disposiciones asim\u00e9tricas porque el algoritmo optimiz\u00f3 puramente la funci\u00f3n, sin estar constre\u00f1ido por preferencias est\u00e9ticas o convenciones de libro de texto. Esa disposici\u00f3n a explorar planes corporales extra\u00f1os es precisamente lo que distingue al dise\u00f1o evolutivo de la ingenier\u00eda tradicional, donde los dise\u00f1adores tienden a recurrir a la simetr\u00eda bilateral y a plantillas familiares como cuadr\u00fapedos o hex\u00e1podos.<\/p>\n Detr\u00e1s de escena, el sistema se apoya en un simulador f\u00edsico para aproximar c\u00f3mo se mover\u00e1n diferentes arreglos de m\u00f3dulos. Cada robot candidato se coloca en un entorno virtual y se le ordena caminar hacia adelante; los que tropiezan o desperdician energ\u00eda se descartan, mientras que los que viajan m\u00e1s lejos o de manera m\u00e1s eficiente se seleccionan como \u201cpadres\u201d para la siguiente generaci\u00f3n. Seg\u00fan los autores, esta canalizaci\u00f3n puede evaluar y refinar miles de dise\u00f1os mucho m\u00e1s r\u00e1pido de lo que cualquier proceso de prueba y error basado en hardware podr\u00eda lograr.<\/p>\n Trabajos previos del mismo laboratorio ya hab\u00edan mostrado que la IA pod\u00eda dise\u00f1ar robots funcionales en segundos con una GPU de consumo. Un estudio de 2023, tambi\u00e9n publicado en PNAS, demostr\u00f3 optimizaci\u00f3n estructural r\u00e1pida<\/a> que produjo m\u00e1quinas caminantes funcionales casi al instante. Uno de esos dise\u00f1os anteriores ten\u00eda tres patas y aletas traseras, una forma que ning\u00fan ingeniero habr\u00eda propuesto. En ese momento, Sam Kriegman describi\u00f3 el resultado con crudeza: \u201cCuando la gente mira este robot, quiz\u00e1 vea un artilugio in\u00fatil. Yo veo el nacimiento de un organismo completamente nuevo.\u201d<\/p>\n Pero esas m\u00e1quinas anteriores caminaron sobre mesas lisas. La brecha entre una superficie de laboratorio controlada y un campo real de grava o un parche de ra\u00edces de \u00e1rbol es enorme. El terreno irregular introduce fuerzas que las simulaciones s\u00f3lo pueden aproximar, y los peque\u00f1os errores de modelado se acumulan con cada paso. El estudio de 2026 aborda directamente esa brecha. Kriegman y su equipo pusieron a prueba los robots ensamblados al aire libre<\/a> en grava, c\u00e9sped y terrenos llenos de ra\u00edces de \u00e1rboles, entornos donde la pisada nunca est\u00e1 garantizada y las fuerzas de contacto var\u00edan de forma impredecible de un paso a otro.<\/p>\n En los v\u00eddeos publicados con el trabajo, los robots se mueven con una marcha torpe pero efectiva, trepando sobre peque\u00f1os obst\u00e1culos y recuper\u00e1ndose de resbalones que har\u00edan caer a una m\u00e1quina programada de forma m\u00e1s r\u00edgida. Las patas modulares se flexionan y reposicionan a medida que el cuerpo se inclina, lo que sugiere que los dise\u00f1os evolucionados tienen al menos cierta tolerancia incorporada a las perturbaciones. Ese comportamiento no es resultado de un programador humano anticipando cada posible bache; emerge del proceso evolutivo que recompens\u00f3 los dise\u00f1os capaces de mantener el avance a pesar de din\u00e1micas ruidosas.<\/p>\n Uno de los resultados m\u00e1s llamativos es que estos robots sobreviven a da\u00f1os severos<\/a> y siguen avanzando. Debido a que cada m\u00f3dulo opera de forma semiindependiente, perder una pata no colapsa todo el sistema de control. Los m\u00f3dulos restantes redistribuyen su esfuerzo y contin\u00faan la locomoci\u00f3n, aunque con patrones de marcha alterados. Esto contrasta fuertemente con la mayor\u00eda de los robots comerciales, donde un solo actuador roto puede dejar in\u00fatil toda la plataforma hasta que un t\u00e9cnico intervenga para reparar o reiniciar el dispositivo.<\/p>\nC\u00f3mo la simulaci\u00f3n impuls\u00f3 el proceso de dise\u00f1o<\/h2>\n
De mesas planas a terreno accidentado<\/h2>\n
Sobrevivir al da\u00f1o sin reinicio<\/h2>\n