Alibaba lleva Qwen al mundo físico: presenta un conjunto de modelos de IA para controlar robots
El gigante tecnológico chino Alibaba ha logrado un avance estratégico en el campo de la robótica al presentar Qwen-Robot Suite, un conjunto integral de modelos fundamentales de inteligencia artificial diseñados para controlar agentes físicos. Este paso marca la transición de los LLM puramente digitales hacia la llamada «inteligencia encarnada» (embodied AI), donde la IA aprende a interactuar con el mundo real.
El paquete incluye tres modelos clave: Qwen-RobotNav para navegación, Qwen-RobotManip para manipulación de objetos y Qwen-RobotWorld para predecir la evolución de la escena. A diferencia de los modelos de lenguaje tradicionales, que operan con texto e imágenes, estos sistemas deben percibir el espacio, planificar trayectorias y ejecutar comandos en lenguaje natural en condiciones reales. Actualmente, Suite ya está realizando pruebas piloto con clientes corporativos de Alibaba Cloud en el ámbito de la robótica.
Cinco tareas de navegación en un solo modelo
El modelo Qwen-RobotNav, construido sobre la base de Qwen3-VL, resuelve un amplio espectro de tareas: desde seguir instrucciones y moverse hacia un punto determinado hasta buscar objetos, rastrear objetivos y conducir de forma autónoma. Está entrenado con 15,6 millones de muestras relacionadas con el razonamiento visual-lingüístico. Los resultados son impresionantes: un 76,5% de éxito en el benchmark VLN-CE RxR y un 90% en EVT-Bench. Esto permite utilizar el modelo como un «motor» para sistemas de agentes más grandes, donde un planificador de alto nivel establece la tarea y Qwen-RobotNav se encarga del desplazamiento físico.
Manipulador universal y modelo del mundo
Qwen-RobotManip aborda uno de los problemas más complejos de la robótica: la heterogeneidad de los datos. Diferentes robots (manipuladores, plataformas bimanuales, sistemas móviles) utilizan distintos sistemas de coordenadas y formatos de comandos. El modelo unifica estos datos en una representación común, entrenándose con más de 38.100 horas de datos, incluyendo 11.320 horas de datos robóticos abiertos y 24.808 horas de demostraciones sintéticas. El resultado es el primer lugar en RoboChallenge Table30 v1 y una robustez frente a nuevas instrucciones y objetos desconocidos.
Qwen-RobotWorld es un modelo de mundo en video guiado por lenguaje natural. Predice cómo cambiará la escena tras una acción determinada, lo cual es crucial para la planificación y la generación de datos sintéticos de entrenamiento. El corpus Embodied World Knowledge incluye 8,6 millones de pares «video-texto» y más de 200 millones de fotogramas, abarcando 20 tipos de plataformas robóticas. El modelo obtuvo los primeros lugares en EWMBench y DreamGen Bench, demostrando una alta coherencia con las leyes físicas, incluyendo la gravedad y la conservación de la masa.
Mi análisis: Alibaba apuesta por crear un «cerebro» universal para robots, lo cual es una continuación lógica de la carrera de los LLM. Sin embargo, el camino desde impresionantes benchmarks hasta una implementación masiva en el mundo real, con su ruido de sensores y escenarios poco comunes, sigue siendo extremadamente complejo. Por ahora, es más una herramienta potente para desarrolladores que un producto listo para el consumidor.