La firma de Ant Group asegura mejoras de hasta 25 puntos en robots, pero sus cifras proceden de pruebas propias y no de una validación independiente.
Que un robot tenga sensores no significa que entienda lo que toca. Esa es la premisa sobre la que Robbyant, la empresa de inteligencia artificial corporal de Ant Group, ha presentado LingBot-Touch, un modelo abierto con el que busca mejorar la percepción del contacto físico en máquinas. La promesa es ambiciosa: que los robots no dependan solo de cámaras y puedan manipular objetos con más acierto gracias a una IA táctil capaz de unificar señales de sensores distintos.
Según la propia compañía y la información recogida por Robotics & Automation News, el sistema fue preentrenado con casi 5.000 horas de datos táctiles reales y probado en 26 ensayos con manos robóticas Sharpa Wave y XHand. En esas pruebas, cuatro modelos de acción mejoraron su tasa de éxito entre 14 y 25 puntos porcentuales de media al incorporar esta capa táctil.
Ahora bien, conviene separar el avance técnico del entusiasmo corporativo. Los resultados difundidos por Robbyant proceden de pruebas internas y, al menos en el material disponible, no constan evaluaciones independientes. Es un matiz decisivo en un sector donde las promesas suelen correr más rápido que las verificaciones.
Qué es LingBot-Touch y por qué Robbyant apuesta por la IA táctil
Robbyant define LingBot-Touch como un modelo fundacional para interpretar el contacto físico. Su objetivo es servir como una capa de percepción táctil de propósito general, capaz de recibir señales de sensores diferentes y convertirlas en una representación común que luego puedan usar otros modelos de acción.
El problema que intenta resolver no es menor. En robótica, un mismo gesto o contacto puede generar lecturas muy distintas según el tipo de sensor, el principio de detección o la disposición de los puntos de contacto. Eso dificulta reutilizar lo aprendido cuando cambia el hardware. En la práctica, un sistema entrenado para una mano robótica concreta puede perder utilidad en cuanto se le instala otro sensor distinto.
Ahí entra la IA táctil de Robbyant. La empresa sostiene que su modelo permite traducir esas señales heterogéneas a un “lenguaje común”, con la intención de que la experiencia acumulada no se pierda cada vez que cambia la combinación entre sensor, mano y algoritmo.
Un lenguaje común para sensores distintos
Según el informe presentado por la compañía, LingBot-Touch trabaja con tres modalidades de sensores:
- sensores táctiles magnéticos,
- sensores táctiles visuales,
- sensores piezorresistivos.
La coexistencia de estas modalidades responde, según Robbyant, a que el mercado de la percepción táctil comercial todavía está en una fase temprana. Existen tecnologías con ventajas y limitaciones distintas, condicionadas por el coste, la precisión y el escenario de uso.
Para integrar todas esas entradas, el sistema utiliza vías de codificación separadas para cada principio de detección. Después procesa las señales brutas de forma diferenciada y las proyecta a un espacio de coordenadas compartido en la punta de los dedos. En ese espacio común, el modelo aprende variables como la ubicación del contacto, la distribución de la fuerza y su evolución en el tiempo.
El resultado final son tokens táctiles unificados, es decir, una representación estandarizada del contacto que otros modelos pueden interpretar con mayor facilidad. La compañía sostiene que esto permite combinar datos recogidos por personas con guantes táctiles y datos procedentes de manos robóticas teleoperadas, además de facilitar la incorporación de nuevos sensores en el futuro.
Los resultados que exhibe la empresa: mejoras de 14 a 25 puntos
La parte más llamativa del anuncio está en las cifras. Robbyant asegura que probó su IA táctil en 26 tareas del mundo real con dos manos robóticas diestras, Sharpa Wave y XHand. En ese entorno, cuatro modelos de acción —LingBot-VLA, π0.5, Diffusion Policy y T-Rex— habrían mejorado entre 14 y 25 puntos porcentuales de media en tasa de éxito respecto a su funcionamiento sin información táctil.
Entre las tareas citadas figuran pasar páginas, destapar botellas e identificar fichas de Mahjong. Son acciones donde el tacto puede marcar la diferencia, porque la visión por sí sola no siempre capta bien la presión, el deslizamiento o el punto exacto de agarre.
El ejemplo más concreto difundido por la compañía corresponde a una tarea de destapar una botella con el modelo T-Rex y la mano Sharpa Wave. Según Robbyant:
- sin información táctil, la tasa de éxito fue de 56,25 %;
- con señales brutas del sensor, subió a 62,5 %;
- con la representación de LingBot-Touch, alcanzó 90 %.
Ese dato sugiere, siempre según la empresa, que el salto no depende únicamente de añadir sensores, sino de cómo se traduce esa información para que la política de acción la aproveche. Dicho de otro modo: no basta con “sentir”, también hay que interpretar bien lo sentido.
La cautela necesaria: avances prometedores, pero aún sin contraste independiente
En un momento en que la inteligencia artificial se utiliza con frecuencia como argumento comercial, conviene no perder de vista una cuestión básica: las cifras las aporta la propia empresa interesada. El material disponible incluye el informe técnico y el código abierto, pero no una validación externa equivalente que confirme esos porcentajes en igualdad de condiciones.
Eso no invalida el trabajo, pero sí obliga a leerlo con prudencia. En tecnología, especialmente en robótica e IA, el paso entre una demostración controlada y un rendimiento sólido en entornos reales suele ser el más difícil. El lector haría bien en distinguir entre un avance potencialmente relevante y una revolución ya demostrada.
Precisamente por eso, la decisión de publicar el código y el informe en Hugging Face y GitHub puede convertirse en la prueba más seria de credibilidad. Si terceros reproducen los resultados, el proyecto ganará peso. Si no lo logran, la narrativa corporativa quedará en entredicho.
Un modelo ligero y abierto para facilitar su adopción
Otro de los puntos que destaca Robbyant es el tamaño del modelo. Las 26 pruebas del mundo real se realizaron con LingBot-Touch-Tiny, una versión ligera con aproximadamente 5,3 millones de parámetros. La firma sostiene que, al integrarse con LingBot-VLA, π0.5 y T-Rex, esa versión añade apenas entre 0,13 % y 0,16 % al tamaño total de esos sistemas.
Ese detalle no es menor. En robótica, la capacidad de cómputo a bordo suele ser limitada y cualquier mejora que exija un gran sobrecoste técnico puede acabar siendo inviable fuera del laboratorio. La apuesta de Robbyant pasa por ofrecer una capa intermedia que aporte valor sin disparar el consumo de recursos.
La empresa también afirma que una versión de mayor capacidad muestra potencial adicional en pruebas de percepción y que el modelo sigue mejorando a medida que se aproxima a las 5.000 horas de preentrenamiento. De nuevo, se trata de conclusiones del propio desarrollador, no de un examen independiente.
Qué implica para la industria robótica
La propuesta de Robbyant no se presenta como un sistema cerrado ligado a una única política de control. Según la compañía, LingBot-Touch puede funcionar como una capa intermedia entre sensores táctiles y modelos de acción distintos. Eso permitiría, en teoría, que fabricantes de sensores y de manos robóticas eligieran hardware según precio o tarea sin obligar a reconstruir desde cero todas las capacidades táctiles.
Desde un punto de vista industrial, esa promesa resulta atractiva. Si la IA táctil logra estandarizar la interpretación del contacto entre plataformas diversas, podría reducir tiempos de desarrollo y hacer más reutilizable el aprendizaje acumulado. En un sector fragmentado por formatos, sensores y soluciones propietarias, esa interoperabilidad tiene valor estratégico.
Pero también conviene recordar que el simple hecho de ser código abierto no garantiza adopción masiva. La industria suele exigir estabilidad, soporte y resultados replicables antes de integrar una tecnología en procesos sensibles.
El debate de fondo: menos propaganda y más pruebas
El anuncio de Robbyant apunta a un reto real de la robótica moderna: que las máquinas no solo vean, sino que entiendan físicamente el mundo. Ese objetivo es razonable y técnicamente relevante. Sin embargo, en plena carrera global por liderar la inteligencia artificial, cada avance necesita algo más que una presentación convincente: necesita contraste, réplica y escrutinio.
Por ahora, lo verificable es esto: Robbyant ha presentado una IA táctil abierta, la ha entrenado con casi 5.000 horas de datos reales, asegura mejoras de entre 14 y 25 puntos en 26 pruebas y ha publicado el material técnico para que otros lo examinen. Lo que falta por demostrar es si esos resultados resistirán el filtro independiente que separa una promesa corporativa de un avance sólido.
Ese será el verdadero examen de esta IA táctil. Porque en tecnología, como en política, las afirmaciones grandilocuentes valen poco si no soportan una verificación seria.


