Unitree Robotics se está convirtiendo en una de las empresas tecnológicas más seguidas últimamente en el mercado de acciones A de China.
El 26 de octubre, las acciones de Unitree Robotics (688836.SH) volvieron a dispararse: durante la sesión matutina llegaron a subir más de un 9 % y alcanzaron un máximo de 682 yuanes por acción. Al cierre del mediodía, cotizaban a 674,01 yuanes, con una capitalización bursátil de 272.600 millones de yuanes. Antes, el 23 de octubre, las acciones de Unitree habían registrado el límite diario de subida del 20 %. Desde el 16 de octubre, acumulan un alza superior al 60 % en siete sesiones bursátiles.
Detrás del entusiasmo del mercado está la creciente expectativa de avances en la tecnología de los robots humanoides. El 21 de octubre, Unitree Robotics presentó su robot humanoide H2-X, que realizó maniobras complejas como saltos desde plataformas elevadas y volteretas hacia delante. Al día siguiente, Wang Xingxing, fundador de Unitree, afirmó en la Conferencia Mundial de IA Física que, a medida que siguen mejorando las capacidades de los modelos de gran escala, la IA física ya muestra indicios de avances clave.
Mientras las acciones de Unitree siguen subiendo, Nomura Securities publicó el 25 de octubre su último informe mundial sobre robótica, en el que planteó una conclusión que parece contraintuitiva: a medida que los algoritmos de control del movimiento de los robots se vuelven más fáciles de entrenar, lo que realmente determina la competencia en el sector podría dejar de ser el software de movimiento y pasar a ser la consistencia del hardware y la capacidad de fabricar a gran escala.
Esta conclusión se basa en la reciente investigación SuperMimic, publicada por la Universidad de California en Berkeley. La tecnología reduce en más de 1.000 veces el cómputo necesario para entrenar controladores de movimiento de cuerpo completo para robots humanoides. Una tarea que antes requería 128 GPU funcionando continuamente durante una semana ahora puede completarse con una sola GPU H100 y tres horas de entrenamiento, y obtener mejores resultados en las pruebas de referencia.
El equipo de investigación también implementó este controlador en el robot humanoide G1 de Unitree y logró movimientos complejos, como una voltereta lateral y un mortal hacia atrás.
Esto significa que las capacidades de movimiento robótico, que antes requerían enormes recursos computacionales, son cada vez más baratas.
Sin embargo, Nomura considera que esto no implica necesariamente que las empresas líderes en robótica vayan a perder su ventaja competitiva. Al contrario: cuando más empresas puedan entrenar algoritmos excelentes de control del movimiento, otra capacidad podría volverse más escasa: fabricar robots humanoides en serie, a un costo suficientemente bajo y con un rendimiento estable y parámetros de hardware muy uniformes.
Según el estudio sectorial de Nomura, en China hay ya unas 300 empresas capaces de ofrecer alguna función clave de control del movimiento. La ventaja de uno o dos años que Unitree tenía frente al sector en hardware y control del movimiento podría estar reduciéndose. Sin embargo, la experiencia acumulada en costos de hardware, cadena de suministro y producción en serie sigue siendo una barrera competitiva difícil de replicar rápidamente.
Para Unitree, cuyas acciones han subido de forma sostenida recientemente, el informe de Nomura ofrece una perspectiva de inversión que merece atención: en la próxima etapa de competencia de la industria robótica, quizá ya no se trate de quién logra que un robot ejecute los movimientos más complejos, sino de quién puede reproducirlos de manera fiable en decenas de miles de productos de bajo costo.
Una GPU reemplaza a todo un clúster: el costo de entrenar robots cae mil veces
El 20 de octubre, un equipo de investigación de la Universidad de California en Berkeley publicó el artículo (SuperMimic: Scaling Humanoid Whole-Body Control with One Differentiable World Model). El artículo ha sido aceptado en CoRL 2026, una conferencia sobre aprendizaje robótico, y entre sus autores figuran los reconocidos especialistas en robótica Pieter Abbeel y Koushil Sreenath.
La investigación se centra en un problema clave de la robótica humanoide: cómo enseñar a los robots una gran variedad de movimientos corporales sin que el costo del entrenamiento se dispare a medida que aumenta el número de movimientos.
El entrenamiento tradicional del control del movimiento de robots humanoides suele depender del aprendizaje por refuerzo. Primero, los investigadores construyen un modelo del robot en un simulador físico y luego hacen que pruebe repetidamente distintos movimientos. Mediante una gran cantidad de ensayo y error, el robot aprende poco a poco a caminar, correr, bailar y dar volteretas.
Aunque este método es eficaz, consume muchos recursos computacionales. A medida que aumenta el número de movimientos de entrenamiento, el simulador tiene que realizar más cálculos y, por tanto, sube el costo del entrenamiento.
Por ejemplo, el proceso de entrenamiento del sistema de control del movimiento SONIC utilizó 128 GPU durante unos siete días, lo que supuso un total aproximado de 21.000 horas de GPU.
SuperMimic, en cambio, cambia la forma de entrenar a los robots.
Los investigadores ya no hacen que el robot dependa por completo de un simulador físico para aprender mediante ensayo y error repetidos. En su lugar, primero entrenan un modelo que describe las leyes físicas del movimiento del propio robot y luego hacen que el controlador de movimiento aprenda dentro de ese modelo.
Este modelo puede predecir cómo se moverá el cuerpo del robot tras realizar distintas acciones, por lo que puede sustituir gran parte de las simulaciones físicas tradicionales.
Los resultados experimentales muestran que, tras tres horas de entrenamiento en una sola GPU H100, SuperMimic ya superaba en seguimiento del movimiento a los modelos publicados de SONIC. En una prueba de referencia con 129.514 acciones, SuperMimic falló en solo 25, frente a las 179 de SONIC. Tras entrenarlo durante 9,8 horas con dos GPU, SuperMimic redujo a cero los fallos en este conjunto de pruebas.
Esto significa que, frente a los procesos de entrenamiento que antes requerían decenas de miles de horas de GPU, el nuevo método puede lograr un control del movimiento competitivo con solo unas pocas decenas de horas de GPU.
Nomura considera que esta es una de las pruebas más claras hasta la fecha de que entrenar el control de movimiento de todo el cuerpo de un robot humanoide está empezando a ser barato. Y, lo que es más importante, esta tecnología ya ha pasado de la simulación a los robots reales.
El equipo de investigación implementó el controlador entrenado en el robot humanoide G1 de Unitree y logró movimientos complejos, como una voltereta lateral y un mortal hacia atrás de 360 grados. Esto demuestra que las estrategias de control del movimiento entrenadas en simulación con el nuevo método pueden transferirse al hardware real, al menos para el repertorio de movimientos presentado en el experimento.
Para la industria robótica, esta mejora de la eficiencia podría cambiar las barreras de entrada al desarrollo de tecnologías de control del movimiento. En el futuro, equipos más pequeños podrían realizar tareas de entrenamiento que antes solo estaban al alcance de empresas con abundantes recursos de GPU y equipos especializados en algoritmos.
¿Por qué la eficiencia del entrenamiento puede mejorar mil veces?
El avance clave de SuperMimic no consiste en aumentar los datos de entrenamiento, sino en cambiar la forma en que el robot aprende a moverse.
Nomura señala que, como los robots humanoides utilizan la misma estructura corporal para ejecutar distintos movimientos, no es necesario volver a aprender todas las leyes físicas desde cero para cada movimiento.
El equipo de investigación aprovechó esta característica para crear un modelo del cuerpo del robot que pudiera compartirse entre muchos movimientos. Tanto si el robot camina, baila o da volteretas, el controlador puede aprender dentro de este modelo a ajustar las articulaciones y reducir así su dependencia de la simulación física tradicional. Según el artículo, la mejora de eficiencia de SuperMimic se debe principalmente a tres factores.
El primero es la velocidad de ejecución. Con tamaños de lote típicos, el modelo del mundo aprendido funciona más de 10 veces más rápido que los simuladores físicos tradicionales; con el tamaño de lote máximo probado, la velocidad aumenta hasta 62 veces.
El segundo es el método de entrenamiento. El aprendizaje por refuerzo tradicional depende de grandes cantidades de ensayo y error aleatorios: el robot debe probar continuamente distintos movimientos y ajustar su estrategia de control en función de la respuesta recibida.
El modelo del mundo de SuperMimic es diferenciable y puede proporcionar al controlador información de gradiente más directa, lo que le ayuda a determinar cómo ajustar los movimientos sin depender por completo de la exploración aleatoria. Este cambio, por sí solo, redujo unas 64 veces el número de pasos de entrenamiento necesarios.
El último factor es la capacidad de escalar. Cuando los datos de movimientos de entrenamiento aumentaron de 1 a 264 horas, el error de predicción del modelo del mundo se mantuvo relativamente estable. Esto significa que, aunque el robot tenga que dominar cada vez más movimientos, la cantidad de cálculo necesaria para entrenarlo no tiene que aumentar en la misma proporción.
La combinación de estas tres mejoras de eficiencia permitió a SuperMimic reducir en más de 1.000 veces las horas de GPU necesarias.
Sin embargo, Nomura también destaca que las condiciones de entrenamiento de SuperMimic y SONIC no fueron exactamente iguales. SuperMimic utilizó aproximadamente 2,3 veces menos datos de movimientos y, además, una GPU de generación más reciente, por lo que no se puede atribuir toda la diferencia en recursos computacionales a las mejoras del algoritmo. Los autores del artículo consideran que estos factores no bastan para explicar una diferencia tan grande en la eficiencia computacional.
Además, SuperMimic no significa que los robots humanoides ya posean inteligencia general.
Por ahora, la investigación se centra principalmente en movimientos corporales sobre terreno llano; no abarca terrenos complejos ni la manipulación de objetos. El modelo del mundo se entrenó exclusivamente con datos de simulación, no con datos de interacción física en el mundo real.
Los movimientos de las pruebas de referencia a gran escala también formaban parte de los datos de entrenamiento. Por tanto, que no hubiera fallos en el conjunto de pruebas no significa que el robot ya pueda enfrentarse a cualquier movimiento desconocido o entorno complejo.
Nomura lo define como un avance en el «cerebelo» del robot: una mejora de las capacidades de control responsables del movimiento y el equilibrio del cuerpo, no del «cerebro», encargado de comprender, planificar y razonar sobre tareas complejas, ni de las «manos», responsables de la manipulación precisa.
En otras palabras, SuperMimic reduce considerablemente el costo computacional de enseñar a un robot a moverse, pero no resuelve todos los problemas técnicos necesarios para que pueda realizar tareas reales de forma autónoma.
Nomura: la verdadera ventaja de Unitree quizá ya no sean los algoritmos de movimiento
Más que el avance tecnológico de SuperMimic en sí, a Nomura le interesa su impacto en la competencia dentro de la industria robótica.
Hasta ahora, los algoritmos de control del movimiento han sido una importante barrera competitiva para los fabricantes de robots humanoides. Lograr que un robot camine con estabilidad, salte, corra o incluso realice acrobacias difíciles suele requerir años de desarrollo de algoritmos, grandes recursos computacionales y repetidos ajustes de ingeniería.
Pero SuperMimic indica que esta barrera podría estar bajando. Si el entrenamiento del control del movimiento, que antes requería enormes clústeres de GPU, ahora puede realizarse con una sola GPU, cada vez más empresas tendrán la oportunidad de obtener sistemas de control del movimiento de alto rendimiento.
Según el estudio sectorial de Nomura, en China hay ya unas 300 empresas capaces de ofrecer alguna función clave de control del movimiento. El informe considera que la ventaja de uno o dos años de Unitree en hardware y control del movimiento podría estar reduciéndose, y que avances tecnológicos como SuperMimic bajarán aún más las barreras para desarrollar algoritmos de movimiento.
Sin embargo, Nomura no cree por ello que Unitree vaya a perder su ventaja competitiva. Al contrario: a medida que el software de control del movimiento se vuelve más accesible, la experiencia acumulada por Unitree en la fabricación de hardware podría adquirir mayor importancia.
El problema es que lograr que un algoritmo permita a un robot realizar movimientos complejos no significa que vaya a funcionar de forma estable en mil robots. Los robots humanoides suelen tener más de veinte articulaciones, y cada una incluye actuadores, mecanismos de transmisión, sensores y una calibración cinemática precisa. Incluso dos robots con un diseño idéntico pueden presentar pequeñas diferencias durante la fabricación.
Por ejemplo, pueden variar los puntos cero de las articulaciones, las tolerancias dimensionales y el rendimiento de la transmisión de una unidad a otra. Cuando estos errores se distribuyen entre más de veinte articulaciones, pueden afectar al movimiento de todo el robot.
Nomura señala que, en la simulación de SuperMimic, el error de calibración de las articulaciones del modelo del robot era de apenas ±0,01 radianes. Este requisito de consistencia de los parámetros del hardware pone de relieve los retos que afronta la robótica al pasar del laboratorio a la fabricación a gran escala. Supongamos que una empresa desarrolla un excelente controlador que permite al robot hacer una voltereta, pero que, debido a las diferencias de hardware entre los robots fabricados en serie, el controlador solo funciona de manera estable en unos pocos. La empresa aún tendría que invertir mucho tiempo en calibrar y ajustar cada unidad por separado, o incluso en volver a entrenarla.
En ese caso, aunque el costo de entrenar el algoritmo se reduzca mucho, los costos de implementación y mantenimiento derivados de las inconsistencias del hardware podrían seguir siendo elevados. Nomura considera que la clave para resolver este problema reside en la experiencia acumulada durante años en diseño de hardware, gestión de la cadena de suministro, control de calidad y fabricación a gran escala. Es difícil adquirir estas capacidades rápidamente comprando GPU o replicando un artículo de investigación. Esta es también una de las razones por las que Nomura considera que Unitree sigue teniendo una ventaja competitiva frente a algunas empresas de robótica que desarrollan sus propios modelos y hardware.
A medida que disminuya el costo de entrenar software de movimiento, la competencia en la industria robótica podría pasar gradualmente de la capacidad algorítmica a la precisión del hardware, la consistencia de los productos, el control de costos y la capacidad de producir a gran escala.
Los actuadores representan hasta el 75 % del costo: ¿quién saldrá beneficiado?
La importancia de la consistencia del hardware también implica que podría cambiar la distribución del valor en la cadena de suministro de la industria robótica.
Nomura estima que los actuadores representan entre el 50 % y el 75 % del costo de los componentes de un robot humanoide, por lo que constituyen una parte importante del costo total del hardware. Los actuadores convierten las instrucciones de control en movimientos reales de las articulaciones. Su precisión, velocidad de respuesta, estabilidad y uniformidad de fabricación influyen directamente en la capacidad del robot para ejecutar movimientos complejos.
A medida que los algoritmos de control del movimiento se vuelvan más accesibles, las diferencias en capacidades de software entre fabricantes de robots podrían reducirse, mientras que la calidad de fabricación y la ventaja en costos de componentes clave, como los actuadores, podrían cobrar más importancia.
Esto significa que las empresas de componentes capaces de fabricar actuadores de alta precisión y que cuenten con cadenas de suministro estables y sistemas rigurosos de control de calidad podrían beneficiarse significativamente del desarrollo de la industria robótica.
Para los fabricantes de robots completos, la clave de la competencia en el futuro quizá ya no sea que una unidad pueda realizar una maniobra difícil, sino poder mantener un rendimiento uniforme en grandes volúmenes de producción y, al mismo tiempo, controlar los costos.
Por ello, Nomura considera que, en el futuro, las empresas de robótica y los proveedores clave con una gran capacidad para garantizar la uniformidad del hardware podrían tener ventaja frente a las empresas que dependen únicamente del software de control del movimiento.
Esta conclusión es importante para Unitree. A medida que disminuya el costo de desarrollar algoritmos de movimiento, más competidores podrían alcanzar la posición de liderazgo que Unitree construyó gracias a sus capacidades de control del movimiento. Sin embargo, su experiencia en diseño de hardware, control de costos y fabricación a gran escala también podría convertirse en una barrera competitiva más difícil de replicar en la siguiente etapa.
Cabe señalar que SuperMimic demuestra que se puede mejorar mucho la eficiencia computacional del entrenamiento para tareas específicas de control del movimiento de cuerpo completo; no significa que el software de movimiento robótico vaya a estandarizarse por completo de inmediato. La implementación en entornos reales, la integración de sistemas, el control de seguridad y la fiabilidad del producto siguen requiriendo un esfuerzo de ingeniería constante.
Por tanto, la conclusión de Nomura se acerca más a una proyección sobre la dirección que tomará la competencia en el futuro que a la afirmación de que el software de control del movimiento ya ha perdido su valor comercial.
Las acciones suben más del 60 % en siete días: ¿qué debe demostrar ahora Unitree?
En los mercados de capitales, la evolución reciente de las acciones de Unitree muestra que los inversores están reevaluando los avances tecnológicos y las perspectivas de comercialización de la industria de los robots humanoides.
El 21 de octubre, Unitree presentó el robot humanoide H2-X y mostró capacidades de movimiento dinámico más complejas. El 22 de octubre, Wang Xingxing expresó expectativas positivas sobre los avances de la IA física en la Conferencia Mundial de IA Física.
Después, las acciones de Unitree alcanzaron el límite diario de subida del 20 % el 23 de octubre y subieron más de un 9 % en la sesión de la mañana del 26 de octubre. Al cierre del mediodía, su capitalización bursátil total ya había alcanzado los 272.600 millones de yuanes.
Sin embargo, cabe destacar que los avances en la tecnología de control del movimiento de los robots no implican necesariamente una mejora paralela en la rentabilidad de los fabricantes de robots completos. La mayor eficiencia que revela SuperMimic podría permitir que más empresas entren en el ámbito del control del movimiento a menor costo y, con ello, intensificar la competencia. Solo las empresas capaces de convertir sus ventajas tecnológicas en un mejor rendimiento de sus productos, ventajas de costos y capacidad de entrega a gran escala podrán establecer barreras comerciales sostenibles.
Esta distinción es especialmente importante para Unitree, cuyas acciones han subido con rapidez recientemente.
La noche del 20 de octubre, Unitree publicó un aviso sobre fluctuaciones inusuales en la cotización de sus acciones. La empresa indicó que, a esa fecha, su ratio precio-beneficio móvil era de 388,25 veces, muy por encima de la media de 39,51 veces del sector de fabricación de equipos generales al que pertenece.
La empresa también advirtió que la industria de los robots humanoides se encuentra aún en una fase inicial de comercialización y que existen incertidumbres sobre la madurez tecnológica, la demanda posterior y la capacidad de los proveedores de la cadena industrial. Si la comercialización a gran escala del sector avanza más despacio de lo previsto, el crecimiento de los ingresos y la materialización de los resultados futuros podrían verse afectados.
Por tanto, desde el punto de vista de la inversión, los cambios tecnológicos que representa SuperMimic plantean al menos dos cuestiones que conviene seguir observando.
En primer lugar, a medida que disminuya el costo de entrenar el control del movimiento de los robots humanoides, ¿podrán las empresas líderes mantener sus ventajas diferenciadoras?
En segundo lugar, a medida que más empresas dominen movimientos complejos, ¿qué fabricantes podrán convertir sus capacidades tecnológicas en beneficios comerciales estables gracias a la consistencia del hardware, la cadena de suministro y la experiencia en producción en serie?
La respuesta de Nomura se inclina más por la segunda opción.
A medida que enseñar a un robot a caminar, saltar e incluso dar una voltereta se vuelva cada vez más barato, lo que quizá sea realmente difícil de replicar ya no será un algoritmo de control del movimiento concreto, sino un sistema de fabricación capaz de integrar esas capacidades de manera fiable en decenas de miles de robots.
Para Unitree, esta podría ser precisamente la ventaja competitiva más importante en la siguiente etapa, y también la cuestión clave que el mercado tendrá que seguir verificando para justificar su elevada valoración.