Título original: (DeepSeek se asocia con Unitree: cuando la inteligencia es tan barata que se puede desperdiciar)
Autor original: Dongcha Beating

Cuando la tecnología realmente empieza a cambiar el mundo, muchas veces ocurre en el momento en que se vuelve tan barata que puede desperdiciarse.

Recientemente, incluso los medios extranjeros empezaron a aprender una expresión muy de la Internet china: «línea de eliminación» (斩杀线).

El 31 de julio, DeepSeek lanzó la actualización de V4 Flash. En el gráfico de Artificial Analysis que compara el nivel de inteligencia de los modelos con su costo de uso, el eje vertical cuanto más arriba, más inteligente es el modelo; el eje horizontal cuanto más a la derecha, mayor es el costo de uso. El índice de inteligencia de V4 Flash llegó a 50 puntos: ya está pegado al primer escalón global, pero el costo promedio de una ronda de pruebas es de solo 3 centavos de dólar. Ese punto casi fue empujado a la esquina superior izquierda del sistema de coordenadas. Los modelos más baratos que él, en su mayoría, no tienen tanta capacidad; los modelos más inteligentes que él, suelen costar muchísimo más.

Ahora, si un modelo no es muchísimo más fuerte que DeepSeek, cada vez es más difícil explicarse por qué cuesta decenas de veces más. En el Internet chino, a este límite se le llama «línea de eliminación». Pocos días después, Bloomberg también habló sobre la presión de precios que ejercen los modelos chinos sobre las empresas de IA de EE. UU., y en el propio titular usó directamente «Death Zone».

Desde V2 en 2024, DeepSeek no deja de bajar el dinero que cuesta que una máquina «piensa una vez». Las tareas que el modelo puede completar se vuelven cada vez más complejas, pero el precio nunca crece en proporción a la capacidad. Durante los últimos dos años, la industria de modelos grandes se acostumbró a hablar del progreso con parámetros más grandes, contextos más largos y benchmarks más altos; DeepSeek siempre persiguió otro estándar: con la misma inteligencia, ¿se puede gastar menos?

Al otro lado de Hangzhou, Wang Xingxing hizo durante más de una década otra cosa similar.

Cuando estudiaba el posgrado, hacía XDog y desde el principio no había dinero suficiente para gastar. No podía permitirse los caros sistemas hidráulicos, así que investigó motores de bajo costo; no podía comprar soluciones maduras, así que diseñó su propio circuito de control, escribió programas y montó el sistema de control. Muchas de las opciones técnicas que hoy ya son estándares en los productos de Unitree empezaron con ese hábito de ingeniería bastante sencillo: primero no preguntes cómo suele hacerse en la industria; primero mira si hay una manera más barata.

Más tarde, Wang Xingxing recordó que en 2010, cuando hizo robots bípedos, las piezas mecánicas en total solo costaron 200 yuanes. Muchos años después alguien le preguntó si Unitree todavía podía seguir bajando costos; respondió: «No compitamos con nosotros en bajar costos. Todavía podemos seguir bajando muchos más».

Una empresa está bajando el precio de pensar y otra está bajando el precio de actuar. Durante mucho tiempo, aunque estaban en Hangzhou, cada una seguía su propio camino.

Hasta el 6 de agosto.

Unitree Technology publicó los resultados de la colocación estratégica de su IPO en el STAR Market; DeepSeek aportó 140,8 millones de yuanes para suscribir nuevas acciones de Unitree. Los arreglos de colaboración divulgados por ambas partes también son bastante directos: cuando Unitree necesita servicios de entrenamiento de modelos y soluciones técnicas, da prioridad a DeepSeek; cuando DeepSeek necesita robots y explorar aplicaciones de inteligencia encarnada, da prioridad a Unitree.

Poner este dinero en el sector de la IA de hoy no es tan sorprendente. Lo verdaderamente interesante es que, por primera vez, dos personas que llevan más de una década intentando convertir tecnología cara en algo casi de “precio de supermercado” unieron sus curvas de costos. Así surgió una pregunta más digna de investigarse que: «¡el modelo grande finalmente conecta un cuerpo a los robots!»:

Si el costo de hacer que las máquinas piensen y el costo de que las máquinas actúen siguieran bajando al mismo tiempo, ¿en qué se convertiría la IA al final?

La respuesta quizá no sea solo «más gente puede pagarlo».

El cambio aún mayor es que empezamos a no atesorarla tanto.

Dos verdugos de precios

Lo que más se parece en Liang Wenfeng y Wang Xingxing es que ambos no creen demasiado en la “baratura” conseguida mediante subsidios. La tabla de precios, claro, se puede modificar de la noche a la mañana; pero la lana sale del cuerpo de la oveja, y esos precios bajos normalmente no duran mucho. Si de verdad algo quiere venderse barato a largo plazo, al final hay que volver a la ingeniería: desarmar, capa por capa, todos esos costos que antes se daban por hecho.

DeepSeek-V2 fue el ejemplo más típico. Después de que el modelo se publicara en 2024, la industria doméstica de modelos grandes entró muy pronto en una guerra de precios; lo más fácil que el mundo externo ve es la cotización de la API, pero lo que realmente sostiene la bajada de precios está escondido en la estructura del modelo. V2 tiene un total de 236.000 millones de parámetros; por cada token procesado, en la práctica solo se activan 21.000 millones. En comparación con la generación anterior, el costo de entrenamiento bajó 42,5%, el KV Cache bajó 93,3% y el máximo rendimiento de generación aumentó hasta 5,76 veces.

En V3, esa idea se empuja aún más hacia adelante. El modelo se hace más grande: el entrenamiento formal consumió 2,788 millones de horas de GPU H800. Y DeepSeek optimiza la eficiencia de nuevo mediante mezcla de expertos (Mixture of Experts), entrenamiento de baja precisión y optimización de comunicaciones.

Esta forma de ver los costos más tarde incluso empezó a definir productos al revés.

En mayo de este año, DeepSeek convirtió directamente el descuento promocional del 75% de V4-Pro en un precio permanente, y el modelo estrella siguió bajando. Liang Wenfeng ya había explicado antes su principio de fijación de precios: fijar precios según los costos reales, sin perder dinero a largo plazo ni perseguir ganancias descomunales.

La forma en que Wang Xingxing entiende a los robots es casi la misma.

En una entrevista que aceptó en 2025 (en LatePost), le preguntaron: si H1 se vendía al principio por 90.000 dólares y después una versión más flexible de G1, con menos prestaciones, tuvo un precio inicial de solo 99.000 yuanes, ¿aun así era rentable?

Wang Xingxing respondió: «La actividad comercial definitivamente debe tener una ganancia comercial razonable. El costo siempre ha sido el KPI de todo lo que hacemos. La clave es ganar dinero».

Luego habló de pocas cosas más, y no era esa frase tan común de «cuando escales, el proveedor bajará los precios». Lo que realmente determina el límite inferior del precio de un robot es cómo eliges el motor, cómo haces el reductor, cuántas piezas requiere una sola articulación, si el sistema completo todavía puede aligerarse más, y qué componentes deben mantenerse bajo su control.

Este modo de reducir costos tiene un fuerte “sabor” de la era industrial: un centavo se parte en dos mitades para gastar.

Unos centímetros menos en una placa de circuito, dos piezas menos en una articulación, un manojo de cables cambiado por otra forma de recorrido. Tomado por separado, no parece un gran avance; pero cuando se apilan decenas de cambios de ese tipo, al final terminan afectando directamente el precio de venta.

Los cambios de precios de Unitree en los últimos años han sido exactamente así. En 2023, cuando se lanzó el primer robot humanoide de tamaño completo, H1, solo se vendieron 5 unidades y el precio promedio fue de 593.400 yuanes; en 2024, cuando un G1 más pequeño entró al mercado, las ventas subieron a 410 unidades y el precio promedio bajó a 260.700 yuanes; para los primeros nueve meses de 2025, el volumen de ventas de robots humanoides llegó a 3.551 unidades y el precio promedio volvió a bajar a 167.600 yuanes.

Cada vez que el precio baja un escalón, los compradores de robots reciben también una nueva tanda. Un equipo de 500.000 a 600.000 yuanes requiere un proyecto de laboratorio, preparar un presupuesto, explicar qué se planea investigar al comprarse; un costo de solo unas decenas de miles de yuanes ya permite entrar en más universidades, equipos de desarrollo y empresas.

Muchos avances técnicos cruzan de verdad el punto crítico de popularización dentro de esos cambios. De presupuestos específicos a presupuestos departamentales, y de presupuestos departamentales a compras ordinarias; al final, en algún día, la gente ya no se molesta en calcular las cuentas de cada uso.

Las tecnologías caras naturalmente solo sirven para resolver problemas caros; cuando el precio cae, esas pequeñas cosas que antes ni siquiera valía la pena que apareciera la tecnología, empiezan a entrar en su mundo.

Dos curvas de costos finalmente se cruzan

Unitree ya está construyendo un modelo del mundo y VLA, así que el valor de DeepSeek no es solo «conectar un cerebro» a los robots. Lo que de verdad acopla a estas dos empresas es el ciclo de entrenamiento de inteligencia encarnada que hoy es el más caro.

Este ciclo ocurre a la mitad en el mundo real. El robot de verdad extiende la mano, camina y agarra cosas; los humanos u otros sistemas le van demostrando de manera continua, produciendo trayectorias de éxito y de fracaso.

La otra mitad ocurre en el cálculo: los datos se limpian y etiquetan, se introducen en el entrenamiento del modelo con una nueva estrategia, y luego de nuevo pasan por inferencia y validación para desplegarse de vuelta en el robot. El robot sale a seguir probando, trae nuevos datos y el modelo vuelve a aprenderlos. Cuanto más rápido gira este ciclo, más mundo toca el robot.

El problema es que en ambos extremos es cara. Tener una máquina real es caro; así es difícil que cientos de robots todo el tiempo estén tropezando y cayéndose en el laboratorio. Y entrenar e inferir también es caro: esos datos que se recogen y que a primera vista no se ve su valor, tampoco se pueden entrenar y validar una y otra vez.

Así que en el pasado, hacer experimentos con robots siempre era tan valioso. Había muy pocas máquinas; qué datos recoger hoy había que pensarlo con antelación. Había solo tanta capacidad de cómputo; si un lote de trayectorias valía la pena volver a ejecutarlo, también había que calcularlo con los dedos. Cuanto más caros son los recursos, más tienden a escoger los investigadores problemas que parecen tener mayor valor y mayor probabilidad de éxito.

Pero resulta que la realidad no es así.

¿Qué diferencia hay entre dejar una taza a 3 centímetros y a 5 centímetros del borde de la mesa? ¿Dónde agarrar la toalla después de que se haya mojado a medias? Si el cajón se atasca, ¿hay que empujar con más fuerza o retroceder un poco primero? ¿Cómo ajustar el brazo cuando en una bolsa de plástico hay una manzana y tres manzanas? Estas cosas, tomadas por separado, no merece ninguna de ellas una rueda de prensa; incluso cuesta considerarlas como para que un laboratorio las apruebe como proyecto propio. Pero en cuanto el robot entra en el hogar, el restaurante, el almacén o la oficina, el mundo al que se enfrenta todos los días está precisamente compuesto por esos problemas pequeños, tediosos y molestos.

Ahora, al mirar la colaboración entre DeepSeek y Unitree, la lógica se vuelve mucho más clara.

Unitree reduce la mitad anterior del costo, permitiendo que más robots reales entren en el laboratorio, en equipos de desarrollo y en escenarios reales; DeepSeek se centra durante mucho tiempo en resolver la segunda mitad, haciendo que el entrenamiento, la inferencia y la validación de los modelos sean cada vez más baratos.

La mayoría de las trayectorias al final no llegan a convertirse en producto; la mayoría de los experimentos tampoco generan noticias. Algunos robots se equivocan el centenar de veces consecutivas agarrando una taza; después de ejecutar un lote de datos caros, quizá solo se demuestre que la idea inicial ni siquiera era correcta.

Cuando los recursos eran caros, a estas cosas se les llamaba “tirar el dinero por la borda”; cuando el costo es lo bastante bajo, recién entonces tienen derecho a llamarse “experiencia”.

Que el móvil cueste un poco menos significa que más gente puede comprarlo; que el robot cueste un poco menos también significa que puede disponer de más tiempo sin producción propia para practicar: en el laboratorio practica una tarde, hace algunos movimientos que al final ni siquiera se usarán; entra en entornos más extraños, se encuentra con más situaciones que los ingenieros no habían previsto con antelación.

Cuando el cuerpo y la inteligencia se abaratan al mismo tiempo, lo primero que obtiene la inteligencia encarnada es más “licencia” para equivocarse.

¿Cómo aprendió la humanidad a desperdiciar tecnología?

Este tipo de cosas ya ha sucedido muchas veces en la historia tecnológica de la humanidad.

En 1865, el economista británico William Stanley Jevons, al estudiar las máquinas de vapor y el carbón, encontró una cosa contraintuitiva. La eficiencia de las máquinas de vapor mejora cada vez más: para completar un trabajo se quema cada vez menos carbón, pero el consumo de carbón del Reino Unido no baja, sino que aumenta. Porque una vez que la potencia del vapor se vuelve barata, empiezan a usarse cosas que antes no se atrevían a hacerlo; el carbón ahorrado por la mayor eficiencia se lo comen rápidamente más nuevas necesidades.

Más tarde, la gente llamó a este fenómeno «la paradoja de Jevons».

En estos dos años, quienes han usado IA, en cierta medida ya han experimentado la fase inversa. Cuando los modelos todavía eran caros, primero aprendimos a “ahorrar inteligencia”. Aunque los equipos de inicio hablaban de experiencia de usuario en voz alta, los product managers por dentro aún tenían presente una lista de precios de tokens: una función puede ser posible técnicamente, pero al final quizá la recorten porque «hacer que cada usuario ejecute el modelo cinco veces más es demasiado caro».

Pero para que la tecnología entre de verdad en la vida, a menudo hay que superar otra barrera: cuando se vuelve tan barata que empezamos a usarla para cosas que no son tan importantes.

Hoy nadie calcula cuánta riqueza económica crea esa hora de iluminación antes de encender la luz del salón. Y nadie piensa que está malgastando una magnífica infraestructura de Internet solo por hacer que el móvil envíe unas cuantas solicitudes de red más en segundo plano.

La electricidad y la red también tienen costos; lo que pasa es que este costo ya es tan bajo que no vale la pena decidir sobre cada uso. En estos asuntos, la gente ya se ha vuelto irresponsable con el gasto, y sin ningún remordimiento.

Si un día la inteligencia llega hasta aquí, nuestra relación con la IA también cambiará. Al terminar una reunión, dejas que el modelo ordene la información; al terminar de escribir un artículo, pides a varios modelos que encuentren fallos; si un agente no logra hacerlo, cambias de ruta y sigues probando; con o sin resultado, haces tres “tiros” de prueba. El robot recoge la mesa: la primera vez empuja la taza y cae; la segunda vez, la mano se desvía; la tercera vez, el movimiento va demasiado lento, así que viene una cuarta.

Una vez que una tecnología se populariza de verdad, la gente ya no calcula cada vez con más seriedad la eficiencia de su uso; incluso pueden olvidar que la están usando.

Cuando dejemos de calcular esa cuenta

En 1911, el matemático y filósofo británico Alfred North Whitehead escribió en (Introducción a las matemáticas) una frase:

«El progreso de la civilización consiste en expandir continuamente aquellas operaciones importantes que ya no necesitamos pensar para realizar.»

La IA de hoy evidentemente todavía no ha llegado hasta aquí. Seguimos discutiendo qué tarea vale la pena hacer con el modelo más caro; los desarrolladores todavía cambian de proveedor por unos cuantos yuanes por cada millón de tokens; las empresas de robots tienen que hallar, entre showroom, laboratorio y fábrica, el escenario que resulte más fácil de cuadrar en un informe. Esta industria sigue teniendo un fuerte aire de «salsa, aceite, té y arroz».

Y es que los 140,8 millones de yuanes de inversión conectan de verdad a un nivel que antes casi no aparecía en las discusiones de la industria: la factura de lo que cuesta cuando una máquina comete un error. ¿Cuánto cuesta, en total?

Hoy esta respuesta todavía no es lo suficientemente barata: por eso hay que recopilar en serio cada dato del mundo real, hay que seleccionar y depurar cada ronda de entrenamiento, y cada robot, idealmente, debería encontrar cuanto antes un trabajo capaz de producir resultados.

Cuando llegue el día en que la inteligencia se popularice de verdad, quizá no haya ninguna rueda de prensa anunciando la llegada de una nueva era. Solo iremos descubriendo poco a poco que, en un rincón del almacén, un robot practica atrapar cajas durante una tarde, falla trescientas veces, y nadie pregunta especialmente por eso; un agente para buscar respuestas prueba por sí mismo decenas de rutas, y tampoco hay nadie que se quede mirando y le duela la cuenta de tokens; en el laboratorio se ponen algunas máquinas más y ya no hace falta escribir una justificación de compra para cada una.

Así que el precio realmente importante para el futuro de la IA quizás no sea cuánto vale un millón de tokens, ni cuánto cuesta un robot humanoide, sino cuándo por fin nos volvemos demasiado perezosos como para volver a calcular esos números.

Cuando la máquina piensa más veces, da más pasos, comete más errores, y ya no vale la pena que alguien sienta pena, es cuando la inteligencia deja de ser una capacidad cara y se convierte en infraestructura.

Cuando la tecnología realmente empieza a cambiar el mundo, muchas veces ocurre en el momento en que se vuelve tan barata que puede desperdiciarse.

DeepSeek está haciendo que pensar se acerque a ese precio, y Unitree está haciendo que el cuerpo se acerque a ese precio. Lo demás es lograr que las máquinas tengan una vida lo bastante barata.

Tan barato que se puede intentar una y otra vez; tan barato que se puede cometer errores sin parar; tan baratas que hasta esas “fallas” que hoy parecen inútiles, por fin se vuelven suficientes como para constituir inteligencia.

Enlace original