Medición de ondas cerebrales emerge como vía para superar la escasez de datos en robótica física

Qué pasó

En un almacén de la localidad de San Leandro, en California, la empresa Encord —dedicada al desarrollo de herramientas de datos para entrenar modelos de inteligencia artificial— está llevando adelante un experimento pionero en colaboración con la startup alemana Zander Labs.

Andrew Ceja, descrito como "piloto" según la terminología interna de la compañía para sus entrenadores robóticos, desarma cuidadosamente una torre de bloques tipo Jenga mientras utiliza un casco con sensores que registran su actividad cerebral. Este dispositivo fue desarrollado por Zander Labs, una firma de neurociencia que apuesta por medir ondas cerebrales para inferir estados mentales como error, intención y sorpresa.

El proyecto entre Encord y Zander se encuentra actualmente en fase de prueba. El objetivo declarado es construir un conjunto inicial de datos etiquetados con señales cerebrales, procesarlos mediante modelos de robótica de clientes y evaluar si efectivamente mejoran el rendimiento antes de decidir su escalamiento comercial.

Lukas Gehrke, neurocientífico de Zander que supervisa el trabajo, explicó que la cantidad de actividad cerebral utilizada durante una tarea entrega pistas clave para los desarrolladores de modelos, ya que permite identificar cuándo resulta necesario desplegar los sistemas de mayor capacidad de cómputo. La investigación fue publicada por el medio TechCrunch el 26 de julio de 2026.

Contexto

El sector de la inteligencia artificial aplicada a la robótica enfrenta una restricción estructural: la escasez de datos físicos del mundo real. A diferencia de los modelos de lenguaje, entrenados con enormes corpus de texto disponibles en internet, los sistemas robóticos requieren información de alta fidelidad que capture la complejidad del entorno físico.

Vineeth Velmurugan, jefe de aprendizaje robótico de Encord, señaló que "los datos simplemente no existen", una afirmación que sintetiza el desafío central del sector. Velmurugan, exintegrante del laboratorio de robótica de OpenAI y de la firma de automatización de almacenes Berkshire Grey, se incorporó a Encord para construir el equipo interno de creación de datos de la compañía.

Encord fue fundada originalmente para ayudar a empresas que desarrollan aplicaciones de visión por computador a anotar datos y evaluar modelos. Sin embargo, a medida que sus clientes —entre los cuales, según Velmurugan, se cuentan varias firmas líderes de robótica que no puede nombrar— comenzaron a aplicar aprendizaje de extremo a extremo a tareas de manipulación robótica, los ejecutivos comprendieron que tendrían que producir ellos mismos los datos de entrenamiento, en lugar de administrarlos.

Empresas de vehículos autónomos recolectan sus propios datos del mundo real, aunque el modelo resulta difícil de escalar a otros campos de la robótica. El entrenamiento a partir de video ofrece una alternativa, aunque carece de la fidelidad de la información capturada directamente en operaciones físicas. La apuesta de Encord y Zander consiste en agregar una capa adicional de información cognitiva al proceso.

Impacto para empresas chilenas

Para el ecosistema tecnológico chileno, esta tendencia representa tanto una oportunidad como un llamado de atención sobre la dependencia de proveedores externos de datos y modelos de inteligencia artificial. Las empresas chilenas que están adoptando automatización en logística, manufactura o minería —sectores relevantes para la economía nacional— podrían beneficiarse indirectamente de los avances en conjuntos de datos de entrenamiento robótico que surjan de este tipo de proyectos.

No obstante, la sofisticación de iniciativas como la de Encord y Zander Labs deja en evidencia la brecha de capacidades entre los polos globales de innovación en inteligencia artificial y los mercados emergentes como el local. Las startups y centros de investigación chilenos que buscan posicionarse en nichos de robótica aplicada deberán considerar la creciente importancia de los datos propios y de calidad como factor diferenciador.

Para las pymes nacionales, la lección práctica es que la automatización de tareas físicas avanzadas dependerá cada vez más del acceso a datos de entrenamiento de alta calidad, un recurso cuya producción se concentra en un número reducido de actores a nivel global. Esto abre una ventana para que proveedores locales de datos, o alianzas con universidades, puedan aportar valor en mercados específicos como la minería o la agroindustria chilena.

Finalmente, el avance de estas técnicas podría encarecer o dificultar el acceso a modelos de robótica de alto desempeño para actores de menor escala, reforzando la concentración del poder tecnológico en empresas con capacidad de generar o adquirir datos especializados.

Qué sigue

El próximo hito para Encord será evaluar los resultados de la prueba piloto y decidir si escala el proyecto con Zander Labs. De validarse la hipótesis de que las ondas cerebrales aportan información útil para entrenar modelos, otras empresas del sector podrían adoptar aproximaciones similares, abriendo un nuevo estándar en la industria.

La evolución de esta tecnología también podría redefinir los criterios respecto a qué constituye un dato de entrenamiento válido para sistemas robóticos autónomos, incorporando dimensiones cognitivas hasta ahora ausentes del proceso. El desenlace de esta prueba podría convertirse en un indicador temprano del rumbo que tomará el entrenamiento de robots en los próximos años.