Una conversación con Daniela Rus

Cuando la IA se encuentra con la robótica

Daniela Rus, directora del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT

Daniela Rus es profesora Andrew (1956) y Erna Viterbi de Ingeniería Eléctrica y Ciencias de la Computación, y directora del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT. Sus intereses de investigación se centran en la robótica, la informática móvil y la ciencia de datos. Es becaria MacArthur de la generación 2002, miembro de la Asociación para la Maquinaria de Computación (ACM), la Asociación para el Avance de la Inteligencia Artificial (AAAI) y el Instituto de Ingenieros Eléctricos y Electrónicos (IEEE), además de miembro de la Academia Nacional de Ingeniería (NAE) y de la Academia Estadounidense de las Artes y las Ciencias. Obtuvo su doctorado en Ciencias de la Computación en la Universidad de Cornell.

---

¿Qué le inspiró a seguir una carrera en robótica e inteligencia artificial (IA)?

Siempre me ha atraído la intersección de las matemáticas y la informática, pero lo que realmente me inspiró fue la idea de la computación que interactúa con el mundo físico. Sistemas que no son solo abstractos o digitales, sino que se basan en el desorden de los materiales, el movimiento y la incertidumbre. A diferencia del mundo limpio y discreto de la computación tradicional, el mundo real es continuo, ruidoso e impredecible. Ese desafío me pareció emocionante y atractivo.

La robótica y la IA ofrecían una forma de explorar esa tensión: trabajar en algoritmos y modelos que debían adaptarse, aprender y tomar decisiones ante la ambigüedad. Me gustaba que fuera matemático, pero también físico. Podías ver el resultado de tu código traducido en movimiento, interacción o comportamiento.

Gran parte de mi inspiración también provino de la ciencia ficción. Siempre me ha fascinado la idea de las máquinas inteligentes como colaboradoras, exploradoras y extensiones de la capacidad humana. Esto evolucionó hacia una curiosidad sobre cómo podríamos construir sistemas que razonen, actúen y evolucionen en el mundo real.

---

De la IA y la robótica a la “IA física”

¿Cómo imagina que la robótica transformará la industria?

Estamos entrando en una fase en la que la robótica irá mucho más allá de las fábricas estructuradas. Veremos una transición de sistemas rígidos y preprogramados a máquinas inteligentes y reconfigurables capaces de operar en entornos dinámicos, ya sea un almacén, una granja, un hospital, un hogar o incluso una zona de desastre. Esto transformará radicalmente nuestra concepción de la automatización como herramienta para aumentar y ampliar las capacidades humanas.

En la manufactura y la logística, los robots ya no se limitarán a tareas repetitivas. Colaborarán con los humanos, se adaptarán a los cambios en los flujos de trabajo y aprenderán nuevas habilidades sin necesidad de reprogramarse. En el ámbito sanitario, veremos robots que podrán asistir en cirugías, rehabilitación o el cuidado de personas mayores. Estos robots responderán a las necesidades físicas y emocionales de las personas. En la agricultura y la construcción, los sistemas autónomos y “blandos” se desplazarán por terrenos irregulares, tomando decisiones en tiempo real basándose en datos de sensores y señales ambientales.

---

Su trabajo abarca la robótica, la informática móvil y la ciencia de datos. ¿Dónde convergen estos campos y qué nuevas posibilidades abre esto?

Estos campos convergen de formas emocionantes y transformadoras. La robótica proporciona personificación, es decir, máquinas que perciben y actúan en el mundo físico. La informática móvil aporta conectividad, capacidad de respuesta y acceso a recursos distribuidos, lo que permite a los robots operar con flexibilidad en tiempo real y en diversos entornos. Y la ciencia de datos añade la capa de inteligencia, con algoritmos capaces de extraer patrones de datos de sensores de gran riqueza, lo que permite aprender de la experiencia y respalda la toma de decisiones predictiva.

En su intersección, presenciamos el auge de sistemas inteligentes con base física, que son robots capaces de realizar tareas y aprender del mundo, adaptarse a nuevos contextos y colaborar con humanos y otras máquinas. Por ejemplo, los robots móviles ahora pueden recopilar continuamente datos ambientales, aprender comportamientos óptimos a partir de ellos y actualizar sus políticas sobre la marcha, todo ello mientras se mantienen conectados a plataformas en la nube o redes perimetrales que facilitan la coordinación y el intercambio de información.

Esta convergencia abre la puerta a nuevas capacidades, desde robots blandos autoconfigurables que adaptan sus formas y funciones en tiempo real, hasta sistemas autónomos capaces de operar en entornos remotos o impredecibles con mínima supervisión. Se trata de construir sistemas adaptables, interconectados y que comprendan el mundo en el que se mueven.

---

Escribió un libro sobre cómo los robots y los humanos pueden colaborar. ¿Cómo prevé que evolucione esta colaboración?

Cada vez más, los robots son compañeros de equipo, más que herramientas. A medida que la IA se vuelve más capaz, los robots seguirán asumiendo tareas físicas repetitivas y asistirán en actividades complejas, como la toma de decisiones, la adaptación y la percepción en entornos dinámicos. Esta evolución significa que la colaboración consiste en diseñar sistemas que respondan a la intención humana, complementen sus fortalezas y se adapten a la complejidad del mundo real.

A medida que la IA se fusiona con la robótica, preveo que esta colaboración se volverá más fluida y sensible al contexto. Los robots aprenderán del comportamiento humano, comprenderán las señales sociales y ambientales y ajustarán su asistencia en consecuencia, ya sea un robot de almacén coordinándose con un trabajador humano, un asistente quirúrgico anticipando el próximo movimiento de un médico o un robot doméstico aprendiendo una rutina diaria.

La clave es construir sistemas confiables, interpretables y adaptables, para que los humanos puedan confiar en ellos, comprender sus limitaciones y trabajar con ellos con confianza. A largo plazo, visualizo equipos de humanos y robots aprendiendo juntos, cada uno con capacidades únicas: humanos con creatividad y criterio, robots con resistencia, precisión y conocimiento basado en datos. El resultado será una inteligencia colaborativa, donde juntos, las personas y los robots podrán hacer más que las personas o los robots solos.

---

¿Cómo se define la “IA física” y cuáles son los principales obstáculos para su implementación generalizada?

La IA física se refiere al uso de la capacidad de la IA para comprender texto, imágenes y otros datos en línea para hacer que las máquinas del mundo real sean más inteligentes. Integra la IA en máquinas que interactúan con el mundo físico. Es decir, robots que van más allá de ejecutar movimientos preprogramados, adaptándose y aprendiendo en tiempo real. Va más allá de la inteligencia digital al integrar el aprendizaje, la toma de decisiones y el razonamiento en sistemas que deben lidiar con la incertidumbre, la fricción, el ruido, el tiempo, el espacio, la física y las limitaciones. En otras palabras, el desorden del mundo físico.

Desarrollamos las bases de la IA física en la intersección del aprendizaje automático [ML], la teoría de control, la ciencia de los materiales y la interacción corpórea. Se trata de enseñar a las máquinas a responder de forma inteligente y adaptativa, aprendiendo y mejorando con el tiempo.

Los obstáculos para implementar la IA física son significativos. En primer lugar, es más difícil obtener datos en el mundo físico porque hacerlo es costoso, requiere mucho tiempo y, a menudo, está incompleto o incluso no está disponible. En segundo lugar, en el mundo físico, no podemos permitirnos errores ni alucinaciones. La seguridad y la fiabilidad son más difíciles de garantizar cuando la IA afecta directamente al movimiento físico. En tercer lugar, la mayoría de las arquitecturas de IA actuales no se adaptan bien a entornos de tiempo real con recursos limitados, ni a tareas que requieren correlaciones espacio-temporales. Además, el codiseño de inteligencia con forma mecánica, de modo que el aprendizaje se distribuya entre sensores, actuadores y materiales, aún se encuentra en sus primeras etapas.

Éstos son algunos de los desafíos clave que debemos afrontar para construir sistemas inteligentes que sean resilientes, confiables y arraigados en el mundo en el que vivimos.

---

¿Puedes ayudarnos a comprender las redes neuronales líquidas [LNN]?

Las LNN son una nueva clase de modelo de IA diseñado para ser adaptativo, compacto e interpretable, especialmente en entornos dinámicos como la robótica y la informática móvil. A diferencia de las redes neuronales tradicionales, que utilizan arquitecturas fijas y funciones de activación, las redes líquidas cambian su dinámica interna en respuesta a las entradas a lo largo del tiempo, de forma similar a las neuronas biológicas.

En esencia, las LNN son modelos de tiempo continuo, inspirados en las ecuaciones diferenciales del sistema neuronal de las especies pequeñas. Esto significa que procesan los datos adaptándose naturalmente a las entradas variables, lo que las hace especialmente eficaces para aplicaciones en tiempo real basadas en sensores, como vehículos autónomos, drones y sistemas portátiles.

Una ventaja clave de las LNN es su eficiencia. A menudo logran un alto rendimiento con menos parámetros, consumen mucha menos energía y ofrecen una inferencia significativamente más rápida que las redes tradicionales, como los transformadores. También son más interpretables, ya que su estructura matemática facilita el seguimiento de la evolución de las entradas a través del sistema.

Las LNN son un paso hacia una IA confiable y adaptable, es decir, sistemas que no solo son potentes sino que también responden al mundo real y están más alineados con la forma en que los humanos y los animales aprenden y reaccionan en entornos dinámicos.

---

---

¿Cuáles son los conceptos erróneos más grandes sobre la IA y la robótica hoy en día?

Un error común es creer que la IA y la robótica son lo mismo. Si bien están profundamente conectadas, cumplen funciones diferentes. La IA se centra en la toma de decisiones, el aprendizaje y el reconocimiento de patrones, mientras que la robótica se centra en la acción física y la interacción. Los sistemas del mundo real suelen combinar ambas, pero es importante comprender sus funciones específicas, y que el progreso en una no resuelve automáticamente los desafíos en la otra.

Otro mito común es que los robots equipados con IA tienen una inteligencia o autonomía cercana a la humana. Los sistemas actuales son altamente especializados. Un robot que funciona bien en un almacén puede fallar por completo en un hogar. La generalización a distintos entornos, tareas y contextos sociales sigue siendo una frontera de investigación abierta.

También se tiende a asumir que la IA reemplazará a los humanos por completo, cuando en realidad los sistemas más potentes están diseñados para aumentar las capacidades humanas, no para sustituirlas. Pensar en términos de “co-bots” o inteligencia de asistencia refleja mejor la dirección que está tomando este campo.

A menudo se pasa por alto el gran apoyo en forma de infraestructura, datos y supervisión humana que aún requieren la IA y la robótica. Detrás de cada demostración fluida se esconde un complejo sistema de soporte. Lograr que estas tecnologías sean escalables, seguras y confiables en la práctica aún es un proyecto en desarrollo.

---

El impacto humano de la IA y la robótica

¿Cómo cree que podemos equilibrar las crecientes demandas energéticas de la IA con el uso de energía sostenible?

Equilibrar el rápido crecimiento de la IA con el uso sostenible de la energía requiere innovación técnica y un enfoque sistémico. A medida que los modelos de IA, especialmente los modelos básicos y los sistemas de aprendizaje profundo, se hacen más grandes y eficientes, su entrenamiento e implementación pueden consumir grandes cantidades de energía. El reto es garantizar que los beneficios de la IA no se produzcan a costa de daños ambientales.

Una estrategia clave es desarrollar arquitecturas de IA más eficientes. Por ejemplo, las LNN [véase más arriba] ofrecen un alto rendimiento con menos parámetros y menores necesidades de cómputo. Son ideales para aplicaciones en tiempo real en dispositivos edge.

Otra estrategia consiste en optimizar los modelos de IA después del entrenamiento. La escasez, la cuantificación y la destilación de modelos son áreas de investigación activas que buscan reducir la huella computacional sin sacrificar la precisión.

También necesitamos acercar la inteligencia a los datos. Ejecutar modelos de IA compactos como LLN en dispositivos periféricos como teléfonos, sensores y robots puede reducir drásticamente los requisitos de energía y ancho de banda. Esto es especialmente importante para aplicaciones físicas, donde la inteligencia en el dispositivo de baja latencia es más sostenible y con mayor capacidad de respuesta.

La sostenibilidad debe convertirse en una métrica fundamental del diseño de sistemas de IA, junto con el rendimiento y la precisión. Esto incluye la optimización de las operaciones de los centros de datos, el uso de fuentes de energía renovables y la incorporación de evaluaciones del ciclo de vida en el desarrollo de la IA. Al alinear la innovación en IA con la gestión ambiental, podemos garantizar que los sistemas inteligentes beneficien tanto a las personas como al planeta.

---

¿Cómo podemos diseñar la robótica y la IA para servir a la humanidad de manera equitativa?

Desde el punto de vista técnico, lograr la equidad requiere diseñar sistemas robustos, adaptables y que aprovechen al máximo los recursos. Esto incluye el desarrollo de modelos de IA que funcionen de forma fiable en diversos entornos, grupos de usuarios y distribuciones de datos, no solo en entornos ideales o con recursos suficientes. También implica crear algoritmos que puedan operar en dispositivos periféricos de bajo consumo, lo que permite amplias implementaciones y usos sin depender de una infraestructura costosa. Técnicas como el aprendizaje de pocos disparos, el aprendizaje por transferencia y los modelos interpretables son esenciales para construir sistemas que puedan personalizarse y auditarse localmente. En robótica, esto implica construir hardware y sistemas de control modulares, fáciles de mantener y asequibles, haciendo accesibles las capacidades del mundo real más allá de los laboratorios de élite o las aplicaciones industriales. En resumen, la equidad debe integrarse en los cimientos, desde los conjuntos de datos y los modelos hasta los componentes físicos y las interfaces de usuario.

---

En su opinión, ¿qué papel deberían desempeñar los responsables políticos, los investigadores y el público en el desarrollo y la implementación responsables de máquinas inteligentes?

La robótica y la IA deben diseñarse teniendo en cuenta la inclusión, el acceso y el impacto social a largo plazo, no solo el rendimiento técnico o las ganancias. Los equipos con experiencia interdisciplinaria tienen mayor probabilidad de construir sistemas que reflejen una gama más amplia de experiencias y aplicaciones humanas.

El diseño equitativo también implica pensar más allá de las aplicaciones de gama alta. La IA y la robótica no deberían limitarse a vehículos autónomos o asistentes quirúrgicos; también deberían abordar desafíos de interés público: acceso a la educación, atención a personas mayores, resiliencia ambiental, respuesta a desastres y reparación de infraestructuras. Estas son áreas donde los incentivos comerciales pueden ser insignificantes, pero donde existe un gran valor social.

Desde una perspectiva de sistemas, necesitamos una IA transparente, responsable y explicable, especialmente cuando está integrada en sistemas físicos. Esto permite a los usuarios comprender, confiar y cuestionar los resultados. Al mismo tiempo, las políticas en torno a la gobernanza de datos, el impacto laboral y el acceso a la infraestructura de IA son cruciales para garantizar que los beneficios se perciban ampliamente.

---

¿Te preocupa que las máquinas adquieran inteligencia general? ¿Estamos cerca de lograrlo?

Creo que es importante distinguir entre la inteligencia general tal como la imaginamos en la ciencia ficción —máquinas que pueden hacer todo lo que un humano y más— y la capacidad de los sistemas de IA actuales. A pesar del rápido progreso, estamos lejos de lograr una verdadera inteligencia artificial general. Incluso los modelos actuales más potentes son altamente especializados. Destacan en el reconocimiento de patrones, el modelado del lenguaje o la planificación en entornos bien definidos. Pero carecen de sentido común, comprensión contextual y el razonamiento flexible que incluso un niño demuestra.

Dicho esto, no creo que debamos ser complacientes. Los sistemas que tenemos son cada vez más influyentes y ya pueden comportarse de maneras sorprendentes, opacas y, en ocasiones, arriesgadas cuando se implementan a gran escala, especialmente en aplicaciones de alto riesgo como la atención médica, las fuerzas del orden o los sistemas autónomos. Por lo tanto, aunque no me preocupa que las máquinas “despierten”, estoy profundamente comprometido con cómo diseñamos, implementamos y gobernamos una IA cada vez más capaz.

---

Pensando en el futuro

¿Cuál es el gran avance que espera ver realizado en IA y robótica en los próximos cinco años?

Un avance que espero ver es el desarrollo de robots de propósito general, físicamente adaptables, capaces de aprender nuevas habilidades y reconfigurar su morfología para realizar tareas completamente diferentes sin necesidad de ser reconstruidos ni entrenados desde cero. Imaginen un sistema que pueda manipular delicadas herramientas quirúrgicas un día y al siguiente atravesar escombros en una zona de desastre, ajustando tanto su forma como su función en función de su entorno y sus objetivos.

Para hacer realidad esta visión se requerirían avances en aprendizaje corporal, hardware modular y control adaptativo. Pero también se requeriría una transformación más amplia: de máquinas optimizadas a sistemas automejorables que funcionen de forma segura y robusta en el mundo real. Si logramos esto, robots que se vuelven más capaces con la experiencia, basados ​​en el razonamiento físico y que responden a las necesidades humanas, abriremos camino a aplicaciones que aún no hemos imaginado.

---

¿Qué consejo le daría a los jóvenes investigadores e innovadores que sienten pasión por seguir carreras en IA y robótica?

Primero, mantén la curiosidad y sigue planteándote preguntas fundamentales, no solo sobre cómo funcionan los sistemas, sino también sobre por qué los construimos, a quién sirven y qué impacto tienen. La IA y la robótica son interdisciplinarias por naturaleza, así que acepta el desorden: combina las matemáticas con la mecánica, los datos con la ética y la teoría con la experimentación práctica. Las innovaciones más emocionantes suelen surgir de la conexión de ideas entre campos.

En segundo lugar, no te desanimes por la rapidez con la que avanza el campo. Hay mucho ruido, pero también hay espacio para profundizar en problemas importantes. Encuentra una pregunta de investigación o un área de aplicación que resuene con tus valores y comprométete a aprender los fundamentos (por ejemplo, algoritmos, sistemas, física) antes de seguir las tendencias.

En tercer lugar, la colaboración es importante. Ya sea que trabajes en robótica blanda o en una infraestructura escalable de aprendizaje automático, los sistemas del mundo real se construyen en equipo. Busca mentores y compañeros que te desafíen y te apoyen. Sé generoso con tus ideas y receptivo a la retroalimentación.

Finalmente, recuerda que tu voz y perspectiva importan. El futuro de la IA y la robótica no es definitivo. Aún se está escribiendo. Las contribuciones más significativas no serán solo técnicas; serán reflexivas, intencionales y centradas en un impacto positivo.

---

¿Qué consejo le darías a las mujeres jóvenes que aspiran a una carrera en IA y robótica?

Ante todo: perteneces aquí. La IA y la robótica están transformando el mundo, y es vital que quienes diseñan estos sistemas reflejen las comunidades a las que sirven. Tu perspectiva es bienvenida y esencial.

No esperes a sentirte completamente listo para lanzarte. Estos campos evolucionan rápidamente y pueden resultar abrumadores, pero nadie empieza sabiéndolo todo. Concéntrate en desarrollar fundamentos sólidos de matemáticas e informática, y sigue tu curiosidad, ya sea en aprendizaje automático, diseño de hardware, ética o aplicaciones como la salud o el clima. El pensamiento interdisciplinario es una fortaleza, no un desvío.

Rodéate de mentores, compañeros y comunidades que te apoyen. Habrá momentos de inseguridad. Lo importante es la perseverancia, la pasión y encontrar personas que crean en tu crecimiento. No tengas miedo de hacer preguntas, tomarte tu tiempo y aportar tus ideas.

Recuerda que el éxito no se trata solo de lo que construyes, sino de por qué lo construyes. Deja que tus valores y tu imaginación te guíen.

---