La semana del 10 al 16 de marzo de 2026 se recordará como la de los humanoides: una sala de entrenamiento gigante en Munich, un keynote de NVIDIA en el GTC, un plan quinquenal chino, un robot-marioneta en escena, una proyección de tres mil millones de máquinas en 2060. Seis anuncios, seis cabezas de cartel y la tentación de ordenarlos en bandos: Europa contra China, el código abierto contra lo propietario. Es pasar por alto la única frase que los une, y la escribió negro sobre blanco NEURA Robotics: el principal cuello de botella de la robótica ya no es el hardware, es la adquisición de grandes cantidades de datos reales de aprendizaje físico.

Una vez planteada esa frase, la semana deja de ser una yuxtaposición. Se convierte en una batalla —con tres respuestas incompatibles— en torno a una sola pregunta: ¿de dónde salen los datos que entrenan a los robots? Recogerlos a mano, sintetizarlos mediante cálculo o decretarlos desde el Estado. Nadie ha ganado. La pelea fue por saber quién posee la fábrica.

Respuesta n.º 1: recogerlos a mano

El 10 de marzo, NEURA Robotics y el MIRMI de la Technische Universität München anuncian conjuntamente el TUM RoboGym. La presentación no se anda con rodeos: el mayor centro científico de Europa dedicado al entrenamiento de Physical AI en el momento de su anuncio. Pero el dispositivo interior dice mejor que los superlativos de qué se trata. Los datos de aprendizaje se capturan allí mediante formadores humanos que llevan guantes MANUS y un sistema de captura de movimiento corporal Xsens, y luego se inyectan en la plataforma Neuraverse.

Es la confesión literal del cuello de botella: se paga a humanos para fabricar a mano la materia prima que falta. Neuraverse está concebido, además, como un sistema agnóstico respecto al hardware de recogida y distribución, destinado a abrirse a los socios industriales y a las startups, y la mayoría de los datos generados en el RoboGym se compartirá en open source con la comunidad robótica. El gesto humano, captado y redistribuido, como recurso. Los datos no son un subproducto del entrenamiento: son el producto, y hace falta una nave de 17 millones de euros para producirlos.

Respuesta n.º 2: sintetizarlos mediante cálculo

En el GTC 2026, el 16 de marzo, NVIDIA hace exactamente la operación inversa, y la asume. Jensen Huang presenta en primicia GR00T N2, modelo fundacional de robótica surgido de la investigación interna DreamZero, dotado de una arquitectura «world action model», cuya disponibilidad general se anuncia para finales de 2026. Según NVIDIA, los robots que lo ejecutan completan con éxito tareas nuevas en entornos desconocidos más del doble de veces que los modelos visión-lenguaje-acción de la competencia.

Alrededor del modelo, toda una cadena de síntesis: el Physical AI Data Factory Blueprint, arquitectura de referencia abierta para generar datos de entrenamiento a gran escala, construida sobre el modelo de mundo Cosmos y el orquestador OSMO; Isaac Lab 3.0 en acceso anticipado, motor de aprendizaje por refuerzo que se apoya en el motor físico Newton 1.0 y optimizado para las infraestructuras DGX. The Decoder resume la maniobra sin contemplaciones: NVIDIA quiere «transformar el problema de datos de la robótica en un problema de cálculo».

La demostración que lo condensa todo es Olaf. Para entrenar a ese robot se simularon 100 000 instancias virtuales simultáneamente en dos días sobre una única GPU NVIDIA RTX 4090, mediante el simulador Kamino, herramienta propietaria de Disney Research, construida sobre el solver Newton y acelerada por tarjeta gráfica. Ahí está la cifra dura, desenterrada bajo el folclore de los tres mil millones de humanoides: no un horizonte a 2060, sino 100 000 instancias en dos días sobre una tarjeta de consumo. El día en que entrenar a un robot deja de ser un problema de brazos y guantes para convertirse en un problema de tarjetas gráficas, el centro de gravedad de la industria abandona el taller por el centro de datos. Y la consecuencia es nítida: si los datos se vuelven cálculo, quien vende el cálculo posee los datos por defecto.

Respuesta n.º 3: decretarlos

El 12 de marzo, la Asamblea Popular Nacional adopta formalmente el 15º Plan Quinquenal chino (2026-2030). Por primera vez, la inteligencia artificial encarnada queda clasificada como categoría industrial estratégica autónoma, al mismo nivel que la cuántica, las interfaces cerebro-máquina y el 6G; los robots humanoides figuran entre las ocho industrias estratégicas nacionales designadas, una elevación de estatus respecto al 14º plan.

El detalle que cuenta aquí no es la ambición general, sino la lista. El plan enumera cinco ejes para la IA encarnada, y dos de ellos nombran precisamente los datos como infraestructura de Estado: la coordinación de los campos de entrenamiento y la fusión virtual-real para el entrenamiento colaborativo, es decir, las dos primeras respuestas, recogida y síntesis, planificadas desde arriba. Todo ello respaldado por un fondo estatal de capital riesgo de 1 000 mil millones de yuanes (unos 138 mil millones de dólares) dedicado a la IA, a la robótica y a las tecnologías emergentes.

Y para que los datos existan hacen falta cuerpos que los produzcan. En marzo, UBTech Robotics firma un acuerdo de cooperación estratégica con Siemens Digital Industries Software para llevar la producción del Walker S2 a 10 000 unidades al año, integrando los programas de diseño, simulación y planificación de Siemens en todo el ciclo de fabricación. Fabricar en masa las máquinas que, una vez desplegadas, generarán a su vez los datos: el bucle se cierra a escala de un Estado.

La «bifurcación geopolítica» no se sostiene

El relato fácil de la semana era el de una fractura: un contrapeso europeo —el RoboGym se posiciona, además, explícitamente frente a los cuarenta centros de recogida chinos y a las iniciativas estadounidenses— contra bloques rivales. El grafo de la semana desmonta ese relato.

La única autonomía real demostrada, sin teleoperador, está en el GTC: RealSense y LimX Dynamics realizan la primera demostración mundial de navegación autónoma 3D para humanoide, combinando cámaras de profundidad RealSense y cuVSLAM de NVIDIA, con el robot moviéndose en espacios compartidos con humanos sin la menor intervención de un operador. Ahora bien, ese robot es chino —LimX tiene su sede en Shenzhen— y fue entrenado por aprendizaje por refuerzo en NVIDIA Isaac Lab para reducir la brecha sim-to-real.

Esa misma semana, NEURA (Europa), Figure AI (Estados Unidos), Agility Robotics (Estados Unidos) y AgiBot (China) anuncian todos la adopción de los modelos Isaac GR00T N, mientras NVIDIA confía el motor Newton a la Linux Foundation y lo publica en open source bajo licencia Apache 2.0, codesarrollado con Disney Research y Google DeepMind. Puede que los «bandos» se disputen los datos por la geografía. Pero todos los entrenan en el mismo simulador, con el mismo modelo fundacional, sobre el mismo motor físico. La fractura está en la recogida, no en la herramienta: a nivel de la pila no hay dos bloques, hay un proveedor.

Un piso más abajo

Este hilo baja la pila capa por capa, semana tras semana. En diciembre, la demo era el producto; en el CES de enero, la teleoperación se convertía en un negocio de datos; en febrero, el cuerpo se revelaba consumible y el valor se alojaba en el cerebro; el 9 de marzo, la pregunta era: ¿quién posee el cerebro? Esta semana baja un escalón más, por debajo del cerebro: ¿quién posee la fábrica de datos que lo alimenta? El objeto es nuevo —los datos de entrenamiento y su modo de producción— y queda acreditado la misma semana por un centro físico (el RoboGym), una pila de síntesis (la Data Factory y Olaf) y un plan de Estado (el 15º Plan).

Así que no pregunte qué robot funcionó mejor esta semana. Pregunte de dónde salen sus datos de entrenamiento. Las tres respuestas —recogerlos a mano, simularlos, decretarlos— dibujan el verdadero mapa de fuerzas. Y mientras los tres se afanan, NVIDIA trabaja para que no quede más que una sola pregunta que hacer: ¿cuántas GPU?