La próxima gran frontera de la inteligencia artificial no consiste solo en responder preguntas o manejar aplicaciones. Consiste en observar una acción humana, comprender su objetivo y trasladarla al mundo físico. Skild AI afirma que su modelo robótico S1 puede hacer precisamente eso: recibir una única demostración en vídeo y ejecutar una tarea nueva sin ajustar de nuevo sus parámetros para ese trabajo concreto.
La idea suena casi tan sencilla como enseñarle a alguien a trasplantar una planta, preparar café o montar un kit: primero se lo muestras y después lo intenta. Sin embargo, detrás hay un entrenamiento previo masivo, varios tipos de datos y un problema técnico mucho más difícil que generar texto. Un robot debe entender la intención, relacionar objetos vistos desde cámaras distintas, controlar su cuerpo, detectar errores y adaptarse mientras el entorno cambia.
El avance es prometedor, pero conviene leerlo con precisión. S1 no demuestra todavía que cualquier robot pueda aprender cualquier tarea con un vídeo, ni sus resultados equivalen a una validación independiente. Lo que sí muestra es una vía importante para reducir uno de los mayores costes de la robótica: tener que recopilar datos y reentrenar el sistema cada vez que cambia el trabajo.
Qué es S1 de Skild AI y qué se ha anunciado
Skild AI presentó los resultados de S1 en agosto de 2026 como un modelo fundacional para robótica diseñado desde el principio para el aprendizaje en contexto. El 10 de septiembre, NVIDIA detalló la colaboración tecnológica y su posible aplicación en fábricas, almacenes y otros entornos cambiantes. Según ambas compañías, basta con grabar una demostración visual de la tarea y proporcionar ese vídeo al modelo como contexto.
El modelo intenta inferir qué quiere conseguir la persona, qué objetos intervienen y en qué orden debe actuar. Después traduce esa intención a los movimientos del robot disponible. La característica esencial es que no necesita modificar sus pesos ni pasar por un ajuste específico para cada tarea mostrada.
Esto no significa que S1 empiece desde cero. El sistema ha sido preentrenado con una combinación amplia de experiencias robóticas. La demostración individual funciona como una instrucción nueva apoyada en todo ese aprendizaje previo, del mismo modo que un modelo de lenguaje puede seguir un ejemplo incluido en el prompt sin volver a entrenarse.
Cómo aprende un robot viendo un solo vídeo
En la robótica convencional basada en aprendizaje automático, desplegar una tarea nueva suele exigir grabar muchas demostraciones mediante teleoperación, preparar los datos, ajustar una política especializada y validar el resultado. Si cambian el producto, la mesa, el orden de las piezas o el brazo robótico, una parte del proceso puede tener que repetirse.
S1 propone trasladar parte de ese aprendizaje al momento de uso. El vídeo entra en la ventana de contexto y actúa como especificación visual. El modelo debe resolver cuatro problemas encadenados:
- Inferir la intención: distinguir el objetivo de los movimientos accidentales o irrelevantes de la demostración.
- Encontrar correspondencias: reconocer en su propia escena los objetos y funciones que observó desde otro punto de vista.
- Componer habilidades: combinar acciones aprendidas anteriormente en una secuencia que quizá no apareció en el entrenamiento.
- Corregirse durante la ejecución: reaccionar si un objeto se desplaza, un agarre falla o la escena no coincide exactamente con el vídeo.
Aprendizaje en contexto no significa entrenamiento con un solo vídeo
Esta distinción es fundamental. La tarea concreta puede especificarse con una demostración, pero la capacidad para entenderla procede de un preentrenamiento mucho mayor. Skild describe una mezcla de teleoperación, vídeo humano en primera persona, simulación y otras fuentes de datos. Cada una aporta algo diferente: proximidad al hardware real, variedad de situaciones o capacidad para escalar.
NVIDIA señala que el desarrollo utiliza infraestructura de cálculo acelerado, los modelos de mundo Cosmos, entornos de simulación de Omniverse y herramientas de entrenamiento y validación como Isaac Lab e Isaac Sim. La demostración única es, por tanto, la última pieza de un sistema muy entrenado, no un atajo que elimine la necesidad de datos previos.
Qué tareas ha realizado S1
En las demostraciones publicadas, S1 aborda trabajos desconocidos de varios minutos que encadenan decenas de manipulaciones. Entre los ejemplos aparecen trasplantar una planta, preparar café de filtro, cocinar y voltear una tortita y montar un kit. Skild asegura que algunas secuencias alcanzan los diez minutos y no estaban presentes como tareas completas en sus datos de preentrenamiento.
Uno de los casos más ilustrativos es el trasplante. La empresa sitúa en once minutos el intervalo entre grabar la demostración humana y comenzar la ejecución autónoma en el robot, una vez preparada la escena. El dato no mide cuánto tardaría una instalación industrial completa en superar sus controles de seguridad, pero sí muestra la rapidez con la que puede probarse una conducta nueva.
El sistema también exhibe comportamientos de recuperación y adaptación en vídeos cualitativos. Cuando se mueven objetos, cambia la iluminación o un intento falla, el robot puede volver a intentarlo. En otra prueba, si no encuentra el recipiente exacto de la demostración, utiliza uno con una función equivalente. Son señales interesantes de generalización física, aunque todavía no sustituyen una evaluación externa en condiciones variadas.
Qué dicen realmente las cifras
Skild informa de una puntuación media acumulada por paso cercana al 66 % en tareas largas no vistas, frente a alrededor del 9 % de un sistema comparable condicionado mediante lenguaje en su estudio controlado. Para tareas ya representadas en el entrenamiento, la compañía sitúa el rendimiento del aprendizaje en contexto cerca del 96 %.
Hay que interpretar estos porcentajes con cautela. Una métrica acumulada por pasos no es lo mismo que completar de principio a fin el 66 % de todas las tareas. En una secuencia larga, un fallo temprano puede inutilizar el resultado aunque muchas acciones individuales hayan sido correctas. Además, los bancos de pruebas son internos y aún no existe una reproducción independiente publicada de todos los experimentos.
Otro resultado llamativo es la comparación con el ajuste posterior. Según la interpolación de Skild, una sola demostración en contexto alcanzó un rendimiento similar al de unas 380 demostraciones usadas para ajustar una política previamente entrenada; reunirlas habría exigido entre 50 y 100 horas de teleoperación. Con 2.000 demostraciones, no obstante, el sistema ajustado llegó aproximadamente al 86 %, por encima del 66 % de la modalidad de un solo ejemplo. La lectura correcta no es que una demostración siempre gane, sino que puede ofrecer un punto de partida mucho más rápido.
Por qué este enfoque puede cambiar la automatización física
La automatización industrial clásica funciona especialmente bien cuando el entorno es estable, el volumen es alto y la tarea cambia poco. Su coste inicial se amortiza repitiendo una operación miles o millones de veces. El problema aparece en fábricas con lotes pequeños, almacenes variables, agricultura, inspección, preparación de alimentos o mantenimiento: allí las excepciones son frecuentes y reprogramar continuamente reduce la rentabilidad.
Si el aprendizaje por demostración visual se vuelve fiable, una persona que conoce el proceso podría enseñar una nueva variante sin escribir código robótico ni recopilar cientos de ejemplos. Eso ampliaría el número de tareas económicamente automatizables y permitiría reutilizar un mismo sistema en trabajos sucesivos.
También cambia la interfaz. En lugar de describir con palabras una maniobra delicada, el operario puede mostrarla. El vídeo contiene información difícil de expresar en una instrucción: velocidad, orden, trayectoria, presión aproximada, orientación de los objetos y pequeños gestos correctivos.
De los agentes de software a los agentes físicos
Los agentes digitales ya pueden planificar acciones y utilizar herramientas dentro de un ordenador. En nuestra explicación de la Agents API de OpenAI y la automatización con IA vimos cómo un sistema mantiene estado, ejecuta pasos y coordina especialistas. Un robot añade otra capa: percepción continua, control del cuerpo y consecuencias físicas.
La diferencia importa para la seguridad. Un agente de software puede generar un archivo incorrecto o pulsar donde no debe; un agente físico puede derramar líquidos, romper una pieza o alcanzar a una persona. Por eso la autonomía útil no depende solo de que el modelo comprenda la tarea, sino de límites de fuerza, zonas seguras, parada inmediata, supervisión, detección de anomalías y procedimientos claros para recuperar el control.
Las limitaciones que aún deben resolverse
- Validación independiente: los principales resultados y vídeos proceden de Skild y de su socio tecnológico. Faltan pruebas reproducibles realizadas por terceros.
- Fiabilidad de extremo a extremo: una tasa prometedora por pasos puede seguir siendo insuficiente para trabajos donde un solo error detiene la producción o crea un riesgo.
- Generalización real: hay que comprobar el comportamiento con objetos frágiles, materiales deformables, espacios abarrotados, cámaras distintas y hardware que no se parezca al usado en el desarrollo.
- Coste y disponibilidad: no se ha publicado una oferta general con precios que permita calcular el retorno para una pequeña empresa.
- Seguridad y responsabilidad: enseñar una tarea rápido no elimina la evaluación de riesgos, la certificación del equipo ni la responsabilidad humana sobre el despliegue.
Mostrar una vez no significa confiar a la primera
En un uso profesional, la demostración debería iniciar una fase de prueba, no cerrar el proceso. Una implantación sensata ejecutaría primero la tarea en simulación o a velocidad y fuerza reducidas, mediría fallos, definiría condiciones de parada y ampliaría la autonomía solo después de acumular evidencia suficiente.
Qué puede significar para el empleo
Si esta tecnología progresa, es probable que automatice partes de puestos antes que profesiones completas. Las primeras adopciones deberían concentrarse en operaciones repetitivas, incómodas o peligrosas dentro de entornos controlados. Al mismo tiempo crecerá el trabajo de preparar demostraciones, supervisar resultados, resolver excepciones, mantener el hardware y decidir qué procesos no deben delegarse.
En los próximos meses cabe esperar más pilotos comerciales y comparaciones entre aprendizaje por vídeo, instrucciones lingüísticas y ajuste tradicional. A varios años vista, si la fiabilidad mejora y el coste baja, el cambio más profundo sería convertir la programación de robots en una actividad accesible para quienes dominan el oficio pero no la ingeniería robótica.
Eso es una predicción, no un hecho consumado. Los hogares abiertos y desordenados plantean un nivel de variabilidad y seguridad muy superior al de una célula industrial. Que un modelo prepare una tortita en una demostración no significa que un robot doméstico general esté listo para cocinar sin vigilancia.
Qué conviene vigilar a partir de ahora
Para saber si S1 representa un salto práctico y no solo una demostración llamativa, habrá que observar cinco señales: evaluaciones externas, porcentaje de tareas completas sin intervención, transferencia entre tipos de robot, horas de operación antes de un fallo y coste total de desplegar una nueva tarea. También será importante conocer qué datos se registran durante el uso y cómo se impide que una demostración insegura se convierta en una acción real.
Las fuentes primarias más relevantes son la presentación técnica de S1 publicada por Skild AI y la descripción de la colaboración y la infraestructura publicada por NVIDIA. Ambas permiten revisar los vídeos, la metodología declarada y las cifras originales, pero siguen siendo materiales de las empresas implicadas.
Conclusión: enseñar mostrando puede ser la nueva interfaz de la robótica
S1 apunta a una transición importante: pasar de programar o reajustar cada conducta a mostrar el resultado deseado dentro del contexto. La propuesta puede reducir drásticamente el tiempo necesario para probar tareas largas y nuevas, y los experimentos publicados ofrecen indicios de adaptación, composición de habilidades y recuperación ante cambios.
Pero el titular necesita su matiz: el robot no adquiere inteligencia general a partir de un único vídeo. Usa una demostración sobre la base de un preentrenamiento enorme, y su fiabilidad todavía debe medirse fuera de los laboratorios y materiales promocionales. Si las pruebas independientes confirman el enfoque, enseñar a los robots mediante ejemplos visuales podría convertirse en una de las interfaces más valiosas de la IA física.