Escrito por: Zen, PANews
El 8 de septiembre, una startup estadounidense llamada Antioch completó una ronda A de 32 millones de dólares, liderada por la reconocida firma de capital de riesgo Greylock, con sede en Silicon Valley. Sumando los 8,5 millones de dólares recaudados a principios de año en su ronda semilla, la empresa, fundada hace poco más de un año, ha alcanzado acumuladamente 40,5 millones de dólares en financiación.
La principal línea de trabajo de Antioch consiste en trasladar a la computadora robots, sensores, sistemas de software y entornos de operación del mundo real, para entrenar, probar y validar a las máquinas a gran escala en un mundo digital que se acerque lo más posible a la realidad. Averías y escenarios extremos que en el mundo real son costosos, difíciles de repetir e incluso peligrosos, pueden ocurrir aquí una y otra vez.
Antioch tampoco es un caso aislado. A medida que Physical AI se convierte en la nueva dirección de inversión de la industria de la IA, un grupo de empresas centradas en el espacio 3D, los gemelos digitales, la simulación física y los datos sintéticos vuelve a captar atención de capital. En realidad, todas intentan resolver cómo crear, dentro de una computadora, un mundo lo bastante parecido a la realidad.
Si solo miras esas descripciones de «construir un mundo virtual y copiar escenarios reales», es fácil pensar en la ola tecnológica anterior de «metaverso». Pero la diferencia es que Antioch no busca que los usuarios recorran el mundo virtual con visores VR; en esta ocasión, lo que realmente necesita «vivir» a largo plazo en un mundo virtual son los robots.
El mundo virtual no desaparece; solo que, en esta ocasión, cambian los «residentes» que se mudan dentro.
Los humanos no se mudaron al metaverso.
En agosto de 2021, en el SIGGRAPH, una de las conferencias de gráficos por computadora más importantes del mundo, NVIDIA anunció la expansión de la plataforma Omniverse. En ese momento, NVIDIA lo tenía muy claro: Omniverse es un conjunto de plataformas para simulación y colaboración 3D, y estaba «aportando una base para el metaverso».
Su idea central es permitir que los contenidos 3D que antes estaban dispersos en distintos softwares entren en un mismo mundo virtual.
Una de las tecnologías de capa base más importantes se llama USD, es decir, Universal Scene Description (Descripciones de Escena Universales). Es un estándar de descripción de escenas 3D que Pixars diseñó originalmente para películas animadas complejas y que luego abrió como código fuente. En términos simples, es como una «lengua común» para un mundo 3D: en una escena virtual, qué objetos hay, dónde están, qué materiales usan, cómo se mueven y qué relación guardan entre ellos, todo puede organizarse mediante USD.
Por eso, en ese momento, los diseñadores que usaban softwares de modelado 3D como Blender, los artistas que usaban Adobe Substance 3D para crear texturas y materiales, y los ingenieros que usaban distintos softwares de ingeniería podían conectar los contenidos que cada uno producía a Omniverse mediante USD, y colaborar dentro del mismo mundo 3D.
NVIDIA incluso describió ese futuro como una especie de «Internet 3D»: hoy internet conecta páginas web, y en el futuro internet podría conectar innumerables espacios 3D que se pueden entrar e interactuar en tiempo real.
Ese mismo mes de octubre, Facebook cambió el nombre de la empresa a Meta, y el metaverso entró en su etapa más frenética.
En comparación con NVIDIA, el futuro que describe Zuckerberg es todavía más ambicioso. En su visión, las personas ya no solo usarían internet a través de una pantalla bidimensional, sino que entrarían en un mundo digital con sensación espacial y «presencia»; en ese mundo se reunirían, trabajarían, se entretendrían, comprarían y socializarían. En ese momento, Meta estimaba que, en los próximos diez años más o menos, Metaverse podría cubrir 1000 millones de personas y formar una economía digital de gran escala.
El metaverso es un saco en el que cabe de todo. Durante los dos años siguientes, las narrativas sobre VR, AR, humanos digitales, oficina virtual, juegos 3D, gemelos digitales y también NFT, entre otros activos digitales, se metieron en una imaginación unificada sobre «un mundo digital a gran escala».
Sin embargo, a la fecha la industria de los metaversos de consumo no ha logrado materializarse: una gran parte de los participantes de entonces se retiró en silencio. Meta no ha abandonado VR, AR ni las gafas inteligentes, pero Reality Labs, que respalda esos negocios, sigue siendo una inversión extremadamente costosa y a largo plazo. En 2025, los ingresos anuales de Reality Labs fueron de unos 2.207 millones de dólares, pero la pérdida operativa alcanzó 19.193 millones de dólares. Meta también prevé que en 2026 la pérdida operativa de ese departamento se mantendrá, en términos generales, en el mismo nivel que en 2025.
En cambio, los cambios de Omniverse son más intrigantes. Hace cinco años, NVIDIA decía que Omniverse era la «base del metaverso». Hoy, la definición que da el sitio oficial de NVIDIA se ha convertido en «un conjunto de librerías y microservicios para desarrollar aplicaciones de Physical AI».
El relato y el enfoque de producto de la capa superior de Omniverse ya se han desplazado hacia los gemelos digitales industriales, la simulación de robots y el desarrollo de conducción autónoma. Debajo conecta una serie de herramientas para robots y Physical AI, como Isaac Sim, Isaac Lab, Cosmos, PhysX y Warp. En la misma plataforma, el relato principal más grande que soporta ya ha cambiado.
En realidad, la historia de la simulación de robots, los gemelos digitales industriales y los motores físicos es mucho anterior a «el año cero del metaverso». La ola anterior de metaverso solo reunió en una imaginación unificada sobre «un mundo digital a gran escala» tecnologías que antes estaban relativamente dispersas, como el modelado 3D, el renderizado en tiempo real, los gemelos digitales, la colaboración virtual y estándares 3D abiertos, además de NFT, entre otras.
Por lo tanto, después de que el metaverso recede, estas infraestructuras básicas no desaparecen. Simplemente, la gente va descubriendo poco a poco que los robots quizá necesiten más un mundo virtual que los propios humanos.
¿Por qué los robots necesitan un mundo virtual?
Este año, en la conferencia GTC, NVIDIA volvió a mostrar una «pirámide de datos de robots» muy intuitiva al explicar el sistema de entrenamiento de robots humanoides.
En la base está la internet y los datos humanos, en gran cantidad: por ejemplo, páginas web, imágenes, videos y registros de comportamientos humanos. Son casi inagotables; pueden decirle al mundo de los robots qué es lo que hay y qué está haciendo la gente. Pero normalmente no incluyen los ángulos de articulación, la fuerza, la sensación táctil y las señales de control que un robot necesita realmente cuando ejecuta acciones.
En la cima de la pirámide están los datos reales de robots. Si quieres que un robot haga capturas y traslados reales mediante teleoperación o funcionamiento autónomo, puedes obtener los datos más cercanos a la tarea final. Pero también son los más caros: una sola máquina, en un día, como máximo puede experimentar de verdad unas 24 horas, y además intervienen el robot, el lugar, los operadores y el mantenimiento del equipo.
Entre ambos está la simulación y los datos sintéticos. No son tan precisos como los datos reales de robots, pero pueden copiarse y generarse a gran velocidad en una GPU, en paralelo. Y a diferencia de los videos de Internet que solo te hacen ver «lo que hacen los humanos», aquí se pueden producir directamente las acciones, estados y datos de sensores que necesita un robot para ejecutar tareas.
Por ello, NVIDIA propone que en el futuro se amplíe continuamente la capa de datos sintéticos en la mitad de la pirámide, para convertirla en una fuente de datos importante para el entrenamiento de robots.
Las ventajas y desventajas de los tres tipos de datos, en realidad, son bastante simples: los datos de internet y de humanos son baratos y de escala enorme, pero están demasiado lejos de la ejecución real por parte de robots; los datos reales de robots están más cerca del despliegue real y tienen la mayor autenticidad física, pero son caros y lentos; los datos de simulación están en el medio: se pierde un poco de autenticidad, pero la escala, el costo y la capacidad de control superan con creces a los de los robots reales.
Y precisamente por eso, la simulación se está convirtiendo en una de las direcciones de la infraestructura de Physical AI en Estados Unidos en la que más capital y grandes compañías están apostando.
Y lo que resuelve no es solo el problema de la cantidad de datos. La característica más grande del mundo real es que no se puede copiar libremente. Si una empresa tiene 100 robots, solo puede ejecutar 100 robots al mismo tiempo; y un almacén tampoco puede, para entrenar robots, reorganizar estantes, luces, el suelo y los productos por completo cada diez minutos. Pero en un entorno virtual, el mismo robot puede copiarse en varios miles e incluso decenas de miles de avatares digitales.
Un brazo mecánico puede afrontar al mismo tiempo 1000 tipos de distribución de mesas; el robot puede cambiar sin parar la posición, la calidad y el material de los objetos; incluso la luz, la posición de las cámaras, la fuerza de fricción del suelo e incluso el error de los sensores pueden ajustarse de forma aleatoria manualmente. Este método de entrenamiento en robótica se conoce como Domain Randomization (automatización de la aleatorización del dominio): no requiere que el robot memorice un entorno virtual perfecto, sino que se altere deliberadamente el entorno para que el modelo aprenda a completar la misma tarea bajo todo tipo de cambios.
Además, vale la pena mencionar que, aparte de los datos que necesitan «funcionar normalmente», los desarrolladores también deben prestar atención a los datos en situaciones extremas. Una cámara que falla de repente, que de pronto el robot resbale por debajo o que el robot se caiga: todos esos escenarios deben considerarse y superarse. En el mundo real no es posible provocar accidentes todos los días solo para recolectar datos, pero en un mundo virtual sí.
Esa es también una razón por la que algunas personas creen que el desarrollo de robots no puede depender siempre de entornos de pruebas reales. Las pruebas reales, al fin y al cabo, requieren equipos, instalaciones y tiempo de ingeniería; y fallos extremos son difíciles de repetir. Pero en la simulación, una sola actualización del sistema permite hacer pruebas en paralelo de miles de condiciones de inmediato.
El mayor problema que el metaverso ya había enfrentado antes fue: ¿por qué la gente tiene que entrar en un mundo virtual? Hoy, los robots ya ofrecen una respuesta completamente distinta. Para las personas, el mundo virtual es solo una alternativa opcional a la vida real. Pero para los robots, el mundo virtual puede convertirse en el campo de entrenamiento antes de entrar a la realidad.
«Mundo virtual» que vuelve a convertirse en un negocio
Alrededor de la Physical AI está surgiendo una industria nueva de «infraestructura de mundo virtual», y la división del trabajo entre estas empresas cada vez es más detallada.
En agosto de 2026, NavVis, con sede en Múnich, Alemania, completó una ronda de financiación de 85 millones de dólares.
NavVis es una empresa de datos espaciales. Su negocio principal no es entrenar robots, sino usar equipos de escaneo móvil para convertir rápidamente fábricas, edificios e infraestructuras del mundo real en datos 3D de alta precisión. La empresa revela que solo en 2025, el espacio real que sus sistemas procesaron y distribuyeron superó los 1000 millones de metros cuadrados.
Hoy en día, NavVis ya posiciona directamente este negocio como la «base de datos» de la Physical AI: si los robots van a trabajar en fábricas reales en el futuro, primero hay que lograr que la computadora sepa con precisión cómo es esa fábrica.
El problema que resuelve la startup surcoreana NdotLight es otra capa distinta. NdotLight es una empresa de datos de Physical AI especializada en crear activos 3D de simulación para robots. Este agosto obtuvo una nueva ronda de financiación por 15 mil millones de wones surcoreanos, equivalentes a unos 10,6 millones de dólares, liderada por el banco de desarrollo de Corea (KDB).
Los modelos 3D comunes normalmente solo necesitan ser lo bastante realistas para poder usarse en juegos o animación. Pero para el entrenamiento de robots no es suficiente, porque además tiene que saber qué peso tiene esta silla, dónde ocurrirán colisiones, cuánta es la fuerza de fricción de la superficie y qué partes pueden moverse.
TRINIX, desarrollado por NdotLight, convierte contenido 3D común en los llamados activos SimReady, es decir, activos 3D que pueden entrar directamente en simuladores de robots. Además de la apariencia, también completa datos de calidad, fricción, estructura de articulaciones y colisiones, e integra NVIDIA Omniverse e Isaac Sim. Lo que resuelve es cómo hacer que los objetos virtuales no solo reproduzcan la realidad, sino que también puedan ser usados por robots como si fueran objetos reales.
El 17 de septiembre, otra empresa de Islandia, Treble, también obtuvo financiación por 18 millones de dólares. Treble es una empresa de simulación acústica. Una vez que construye un espacio virtual, puede simular cómo el sonido se propaga en habitaciones, edificios y otros entornos, y generar datos acústicos sintéticos.
A medida que los robots, las gafas inteligentes y otros dispositivos de Physical AI dependen cada vez más de los micrófonos para comprender el entorno real, las empresas también empiezan a usar su tecnología de gemelos digitales acústicos para el entrenamiento de Physical AI. Principalmente, lo que resuelve es cómo «escucha» un robot en el mundo virtual sonidos cercanos a los reales.
Si sumas estos tipos de empresas, en realidad ya están empezando a recomponer un mundo digital, y además están bastante cerca de lo que la gente llamaba «mundo virtual» hace cinco años. La diferencia es que el metaverso busca inmersión, mientras que la Physical AI busca autenticidad.
Esto aterriza en uno de los conceptos más importantes del ámbito de la simulación de robots: Sim-to-Real, es decir, «de la simulación a la realidad». Lo que se explora es esto: lo que el robot aprende en el mundo virtual, ¿se podrá seguir usando cuando vuelva al mundo real?
Por eso, Isaac Sim de NVIDIA no solo enfatiza el renderizado de imágenes, sino que también incluye dinámica de cuerpos rígidos, articulaciones, colisiones y varios sensores virtuales, para reducir al máximo esa brecha. Isaac Lab permite además a los desarrolladores ejecutar simultáneamente entornos con muchos robots y entrenar estrategias robóticas en paralelo mediante GPU.
Por eso, la diferencia fundamental entre el mundo virtual de los robots de hoy y muchos metaversos de consumo es que, en el primer caso, el valor debe volver finalmente al mundo real para ponerse a prueba.
Al final, los humanos no se mudaron al metaverso como se había imaginado. Pero las vías construidas para el mundo virtual no se quedaron totalmente en el olvido: los robots están recorriéndolas para volver a la realidad.