¿Cómo quiere Alibaba llevar la inteligencia artificial a los robots?

Alibaba ha presentado Qwen-Robot, su primera familia completa de modelos de inteligencia artificial concebida para controlar máquinas en el mundo físico. El sistema no es un robot concreto ni un humanoide listo para salir de compras, sino una arquitectura de software dividida en tres grandes capacidades: desplazarse por un espacio, manipular objetos y anticipar cómo puede evolucionar el entorno.

La novedad, anunciada el 16 de junio de 2026, reúne los modelos Qwen-RobotNav, Qwen-RobotManip y Qwen-RobotWorld. Cada uno se ocupa de una parte distinta del problema robótico, aunque pueden trabajar coordinados. En términos sencillos, Alibaba pretende proporcionar al robot unas piernas que sepan adónde ir, unas manos capaces de actuar y una especie de imaginación técnica con la que calcular qué ocurrirá después. Suena muy humano. La diferencia es que aquí todo depende de cámaras, datos, motores, instrucciones y una cantidad poco romántica de potencia informática.

No significa que las máquinas vayan a adquirir conciencia ni que un androide doméstico esté a punto de llamar a la puerta. Significa algo más concreto y, quizá, más relevante para la industria: Alibaba quiere que sus modelos de inteligencia artificial dejen de limitarse a producir texto, imágenes o código y aprendan a intervenir en espacios reales, donde una equivocación no genera una respuesta absurda en una pantalla, sino una caja rota, una maniobra peligrosa o un brazo mecánico golpeando lo que no debe.

Alibaba saca la inteligencia artificial de la pantalla

Durante la primera etapa de la fiebre generativa, las grandes tecnológicas compitieron por construir chatbots capaces de escribir, resumir, traducir y mantener conversaciones cada vez más convincentes. Aquella carrera no ha terminado, pero empieza a parecer insuficiente. Responder preguntas está bien; ejecutar tareas, mover mercancías o trabajar en una fábrica puede resultar bastante más rentable.

Ahí entra la denominada IA física o inteligencia incorporada. El concepto describe sistemas capaces de percibir un entorno mediante cámaras y otros sensores, interpretar órdenes, tomar decisiones y convertirlas en movimientos. No basta con reconocer que hay una taza sobre una mesa. Una máquina útil debe distinguirla de otros objetos, calcular su posición, acercar el brazo, ajustar la presión de la pinza y levantarla sin enviarla al suelo. Lo que para una persona ocurre casi sin pensar exige una cadena formidable de cálculos.

Los robots industriales tradicionales ya realizan trabajos de enorme precisión, pero suelen hacerlo dentro de escenarios muy controlados. Repiten movimientos programados, recorren trayectorias conocidas y funcionan mejor cuando el mundo no improvisa. Una cadena de montaje, con sus piezas alineadas y sus tiempos medidos, es un lugar razonablemente educado. Una cocina, un hospital, un almacén lleno de personas o una calle con tráfico son otra historia: objetos desplazados, obstáculos inesperados, instrucciones ambiguas, reflejos, sombras, niños que corren, puertas que alguien dejó abiertas.

El objetivo de modelos como Qwen-Robot es reducir esa rigidez mecánica. Alibaba busca una base común que permita a diferentes máquinas comprender órdenes expresadas en lenguaje natural y adaptarse a entornos cambiantes sin tener que programar cada situación desde cero. En lugar de enseñar al robot una secuencia cerrada de movimientos, se intenta que interprete el propósito general de la tarea y encuentre una forma razonable de completarla.

Esa ambición explica el interés de las empresas tecnológicas. La IA generativa ha demostrado que un mismo modelo puede aprender patrones procedentes de grandes cantidades de texto, imágenes y vídeo. La apuesta robótica consiste en trasladar esa capacidad de generalización a los movimientos físicos. Dicho de otra manera: lograr que la máquina no solo sepa qué es una puerta, sino que entienda cómo acercarse, localizar el tirador y abrirla sin arrancarlo.

Alibaba no llega virgen a este terreno. Su instituto de investigación DAMO Academy había presentado en febrero RynnBrain, un modelo abierto orientado al razonamiento espacial, la navegación y la planificación de tareas físicas. A finales de mayo, el equipo de Qwen publicó Qwen-VLA, una arquitectura que combinaba visión, lenguaje y acción para distintos tipos de robots. La suite Qwen-Robot ordena ahora esas piezas bajo una familia más amplia y reconocible. El movimiento tiene algo de avance científico y algo de catálogo comercial. Las grandes tecnológicas también saben poner nombres.

Tres modelos para que el robot no avance a ciegas

La familia está estructurada en tres capas interconectadas. Qwen-RobotNav se encarga del movimiento y la orientación; Qwen-RobotManip aborda el contacto con objetos; Qwen-RobotWorld intenta predecir cómo cambiará una escena cuando el robot actúe. No son compartimentos completamente aislados. Una máquina que recoge una caja necesita desplazarse hasta ella, calcular cómo agarrarla y anticipar si el peso o la posición pueden hacerla caer.

La división permite, al menos sobre el papel, utilizar cada componente por separado o combinar varios según el tipo de robot. Un vehículo autónomo necesitará sobre todo percepción y navegación. Un brazo instalado en una línea de producción dependerá más de la manipulación. Un robot de servicio que circule por un hotel, abra puertas y transporte objetos exigirá las tres capacidades.

El planteamiento responde a uno de los grandes problemas del sector: cada plataforma tiene dimensiones, sensores, motores y formas de movimiento diferentes. Un cuadrúpedo no se controla igual que una silla autónoma; un brazo doble no actúa como una pinza industrial. Crear un modelo específico para cada máquina resulta caro y limita la escala. Alibaba pretende construir una base más general, adaptable mediante instrucciones y datos relacionados con la configuración de cada equipo.

No es una inteligencia universal. Ese término queda estupendo en una presentación con luces tenues, pero la ingeniería real suele ser menos cinematográfica. Se trata de modelos entrenados para identificar patrones, generar trayectorias y seleccionar acciones a partir de la información recibida. Su utilidad dependerá de la calidad de las cámaras, la precisión de los sensores, la velocidad de cálculo, el diseño mecánico y las medidas de seguridad. El cerebro digital importa; el cuerpo tampoco es decoración.

Qwen-RobotNav convierte las instrucciones en movimiento

Qwen-RobotNav es un modelo de navegación visual y lingüística. Su misión consiste en relacionar lo que observa el robot con una orden y transformarlo en decisiones de desplazamiento. Alibaba afirma que puede emplearse en cuatro grupos de tareas: seguimiento de instrucciones, navegación hacia puntos u objetos, persecución de objetivos y conducción autónoma.

Un ejemplo sencillo sería pedir a un robot que atraviese un pasillo, localice una mesa y se detenga junto a ella. La máquina tendría que identificar el corredor, reconocer posibles obstáculos, mantener una trayectoria segura y entender qué objeto responde a la palabra mesa. Si una persona bloquea el paso o aparece una silla donde antes no la había, deberá corregir el recorrido.

El modelo utiliza lo que Alibaba denomina codificación controlable de observaciones y una interfaz de herramientas. Más allá de la jerga, la idea es que el sistema pueda organizar las imágenes y señales recibidas, consultar funciones externas y enviar órdenes a los mecanismos de movilidad. El modelo lingüístico no mueve directamente cada rueda o articulación; decide qué herramientas utilizar y qué acciones solicitar al sistema de control.

Esa separación resulta importante. Los modelos generativos pueden producir respuestas variables e incluso inventadas. En robótica, dejar que una red neuronal envíe movimientos sin restricciones sería una forma bastante cara de practicar la ruleta rusa. Las interfaces de control permiten imponer límites, comprobar distancias, bloquear maniobras inseguras y reservar los movimientos delicados a software especializado.

Alibaba ya había mostrado una aplicación de Qwen-RobotNav antes de presentar la suite completa. En una demostración publicada junto con Qwen3.7-Max, un robot cuadrúpedo utilizaba herramientas visuales, memoria y planificación para desenvolverse durante una interacción de unos 20 minutos. La escena ilustraba el propósito general: un modelo de lenguaje razonaba sobre la tarea, mientras sistemas más específicos se ocupaban de la percepción y el movimiento.

Conviene conservar una pizca de prudencia. Las demostraciones tecnológicas suelen mostrar recorridos seleccionados y condiciones preparadas. Un robot que supera una prueba grabada no está automáticamente listo para circular ocho horas entre clientes, carretillas y empleados con prisa. La navegación robusta exige miles de horas de funcionamiento, tasas de error muy bajas y respuestas seguras cuando algo sale mal. Y algo siempre sale mal.

Qwen-RobotManip enseña a las máquinas a tocar el mundo

Moverse es solo la mitad de la dificultad. La interacción física añade fricción, peso, deformaciones, superficies resbaladizas y objetos que no suelen colaborar. Qwen-RobotManip está diseñado para controlar brazos, pinzas y otros mecanismos capaces de agarrar, desplazar o colocar elementos.

El modelo conecta la comprensión visual y lingüística con un espacio normalizado de estados y acciones. Alibaba representa los movimientos mediante cambios de posición y orientación del extremo del brazo robótico tomando como referencia las cámaras. Esto permite expresar una acción de forma relativamente común, aunque la máquina utilizada tenga una geometría diferente.

La empresa asegura que Qwen-RobotManip fue entrenado con más de 38.100 horas de datos procedentes de fuentes abiertas y con múltiples configuraciones de robots. La cifra es relevante porque los datos de acciones físicas son más difíciles y costosos de conseguir que el texto de internet. Para entrenar un chatbot hay millones de documentos disponibles; para enseñar a una máquina a doblar una toalla hacen falta vídeos, trayectorias, posiciones articulares, fuerzas y ejemplos de ejecuciones correctas y fallidas.

El uso de datos abiertos también apunta a una estrategia conocida de Qwen: ampliar la comunidad de desarrolladores y reducir la dependencia de conjuntos privados pertenecientes a fabricantes concretos. Cuantos más laboratorios prueben los modelos, más plataformas podrán incorporarse y más errores saldrán a la luz. El código abierto no convierte una tecnología en infalible, claro, pero permite que otros miren debajo del capó.

Qwen-VLA, el trabajo previo sobre el que se apoya parte de esta estrategia, ya trataba de unificar manipulación, navegación y predicción de trayectorias. La arquitectura combinaba un modelo visual y lingüístico Qwen3.5, de 4.000 millones de parámetros, con un decodificador de acciones de unos 1.150 millones. La misma configuración podía adaptarse a distintos robots mediante instrucciones que describían su forma y capacidades, sin añadir una cabeza de salida específica para cada plataforma.

En las evaluaciones publicadas por el propio equipo, Qwen-VLA obtuvo resultados competitivos frente a modelos especializados en tareas simuladas y reales. En una plataforma ALOHA de dos brazos, la versión preentrenada alcanzó una media del 83,6 % de éxito en seis pruebas realizadas dentro de condiciones conocidas y del 76,9 % ante variaciones no vistas durante el entrenamiento. Son cifras prometedoras, aunque proceden de los autores y no equivalen a una certificación independiente ni a un despliegue industrial prolongado.

La distancia entre agarrar objetos en una evaluación y trabajar con seguridad junto a personas sigue siendo amplia. Una tasa de éxito del 80 % puede impresionar en un laboratorio, pero sería desastrosa para preparar pedidos, manipular medicamentos o servir bebidas calientes. La industria no evalúa solamente si una tarea puede completarse, sino cuántas veces falla, qué daños provoca, cuánto tarda y cuánto cuesta mantener el sistema funcionando.

Qwen-RobotWorld intenta anticipar lo que ocurrirá después

El tercer componente, Qwen-RobotWorld, es un modelo del mundo. Su función consiste en recibir una escena y una acción expresada en lenguaje natural para predecir cómo podría evolucionar el entorno. No se limita a reconocer la situación presente: intenta generar una representación plausible del futuro.

Esta capacidad puede utilizarse como una especie de simulador interno. Antes de empujar una caja, el robot podría calcular hacia dónde se desplazará; antes de girar, estimar qué parte de la escena aparecerá ante sus cámaras; antes de tomar una curva, anticipar la trayectoria del vehículo y los movimientos de otros elementos.

Alibaba sostiene que el mismo modelo puede trabajar con escenarios de manipulación, conducción y navegación. Esa generalidad es uno de los puntos más ambiciosos de la familia. Las leyes físicas básicas son comunes, pero la escala y la dinámica cambian muchísimo. Predecir el movimiento de una pinza sobre una mesa no plantea los mismos riesgos que calcular la evolución del tráfico en un cruce.

Los modelos del mundo han adquirido protagonismo porque permiten entrenar agentes sin ejecutar cada intento sobre una máquina real. Un robot puede practicar en simulaciones, explorar alternativas y descartar acciones peligrosas antes de activar los motores. El ahorro potencial es enorme. Las caídas virtuales no rompen piezas, no paran una fábrica y, por fortuna, tampoco pisan a nadie.

El desafío consiste en que la simulación se parezca lo suficiente a la realidad. Un modelo puede generar un futuro visualmente convincente y físicamente incorrecto. Quizá dibuje una caja deslizándose con elegancia cuando en el mundo real se atascaría por el rozamiento. En una imagen generada, ese detalle apenas molesta. En un almacén, manda el contenido al suelo. La diferencia entre una predicción plausible y una predicción físicamente correcta es todo el negocio.

Por eso los modelos predictivos tendrán que convivir con motores físicos, sensores de fuerza y sistemas de verificación. Qwen-RobotWorld puede aportar hipótesis sobre lo que sucederá, pero no debería convertirse en la única autoridad. La inteligencia robótica eficaz será probablemente una mezcla: modelos generativos para comprender y planificar, algoritmos clásicos para garantizar movimientos y dispositivos de seguridad capaces de detener la máquina sin pedir permiso a ninguna nube.

El negocio detrás de las manos, los pies y el cerebro

El lanzamiento sitúa a Alibaba en una competición que ya involucra a fabricantes de chips, empresas de automoción, laboratorios de IA y compañías especializadas en robots. Nvidia desarrolla plataformas para simulación y entrenamiento; Google DeepMind trabaja en Gemini Robotics; Tesla mantiene su apuesta por Optimus; firmas chinas como Unitree, Xpeng y Fourier Intelligence aceleran sus programas de humanoides. También hay docenas de proyectos menos vistosos centrados en almacenes, agricultura, inspección y fabricación.

China posee una ventaja particular: una enorme base industrial donde probar sistemas físicos. Las fábricas, redes logísticas y cadenas de suministro generan oportunidades para obtener datos de uso real. Un modelo mejora cuando observa muchas situaciones, incluidos los pequeños desastres cotidianos que ninguna simulación imaginó. La abundancia de hardware y escenarios puede alimentar un círculo de desarrollo: más robots producen más datos; más datos permiten entrenar mejores modelos; mejores modelos hacen viables más robots.

Alibaba aporta varias piezas importantes. Cuenta con infraestructura en la nube, modelos Qwen, plataformas empresariales, servicios logísticos y capacidad financiera. La compañía anunció en 2025 un plan de inversión de 380.000 millones de yuanes en inteligencia artificial e infraestructura durante tres años y posteriormente indicó que podría superar esa cantidad. La robótica ofrece una posible salida comercial para semejante gasto, más allá de cobrar por consultas a un chatbot.

No parece probable que Alibaba se convierta de repente en fabricante masivo de humanoides. Su posición natural está en la capa de inteligencia: modelos, herramientas para desarrolladores, simulación, almacenamiento de datos y servicios en la nube. Igual que Android permitió a distintos fabricantes construir teléfonos sobre un sistema compartido, Qwen-Robot aspira a convertirse en una base adaptable a diversas máquinas. La comparación tiene límites, pero explica la jugada.

El mercado inicial tampoco tiene por qué estar protagonizado por robots con rostro y dos piernas. La forma humana fascina porque queda estupenda en vídeo, pero no siempre es la más eficiente. Un almacén puede necesitar plataformas con ruedas y brazos; una explotación agrícola, vehículos resistentes; una central eléctrica, cuadrúpedos capaces de inspeccionar instalaciones. La utilidad suele tener ruedas, pinzas y poco glamour.

Los primeros usos previsibles aparecen en logística, fabricación, inspección, transporte interno y servicios controlados. Un sistema de navegación podría guiar carros autónomos por una nave; el modelo de manipulación permitiría clasificar productos de formas diversas; el modelo del mundo ayudaría a prever colisiones o ensayar movimientos antes de ejecutarlos. El atractivo industrial no reside en construir un mayordomo metálico, sino en automatizar tareas variables que hasta ahora exigían manos humanas.

El hogar es un entorno bastante más hostil. No porque sea peligroso como una fábrica, sino porque está lleno de excepciones. Hay cables, mascotas, objetos frágiles, superficies estrechas y cajones que se atascan. Las personas cambian las cosas de sitio sin actualizar ningún mapa. El salón medio español es, desde la perspectiva de un robot, una emboscada permanente.

La expansión también abrirá debates laborales. La automatización puede reducir tareas repetitivas, pesadas o peligrosas, pero también desplazar determinados puestos y aumentar el control sobre los trabajadores. Los efectos dependerán de cómo se implanten las máquinas, quién posea los sistemas y si las ganancias de productividad se reparten o se limitan a adelgazar plantillas. Presentar cualquier robot como liberador por naturaleza es una comodidad retórica. También lo es describirlo como enemigo inevitable.

Surgen, además, cuestiones de privacidad y ciberseguridad. Una máquina que se mueve en hospitales, viviendas o centros de trabajo recopila imágenes detalladas del entorno. Sus cámaras pueden registrar personas, documentos, conversaciones visibles y rutinas. Si el procesamiento depende de servidores remotos, la protección de esos datos será tan importante como la precisión del movimiento.

Un ataque informático contra un chatbot puede revelar información o producir contenido falso. Un ataque contra un robot conectado puede alterar trayectorias, bloquear operaciones o provocar daños físicos. La seguridad deberá abarcar el modelo, las comunicaciones, los sensores, el sistema operativo y los mecanismos de parada. Poner una pegatina con la palabra IA no deroga las leyes de la mecánica.

El verdadero examen empieza cuando desaparecen las cámaras

Qwen-Robot representa un paso coherente en la evolución de Alibaba: después de entrenar modelos para comprender texto, imágenes y vídeo, la empresa quiere que esa inteligencia tome decisiones dentro del espacio físico. La suite ofrece una estructura clara para abordar tres funciones esenciales —navegar, manipular y predecir— y busca servir como base común para máquinas muy distintas.

La propuesta resulta técnicamente interesante porque intenta reducir la fragmentación de la robótica. Un mismo conjunto de modelos podría adaptarse a brazos industriales, vehículos, cuadrúpedos o futuros humanoides mediante interfaces y descripciones de cada plataforma. Si funciona con suficiente fiabilidad, los desarrolladores necesitarán menos sistemas hechos a medida y podrán trasladar aprendizajes entre robots.

Todavía faltan respuestas decisivas. Alibaba no ha demostrado que estos modelos puedan mantener su rendimiento durante meses en instalaciones reales, convivir con personas sin incidentes ni operar a un coste competitivo. Tampoco basta con publicar porcentajes elevados en pruebas diseñadas por los propios investigadores. La robótica exige auditorías independientes, datos de fallos, tiempos de reacción y protocolos de seguridad. El mundo físico tiene una costumbre incómoda: no acepta el botón de regenerar respuesta.

El avance tampoco debe confundirse con la llegada de una inteligencia humana encerrada en metal. Estos sistemas no comprenden el entorno como una persona, aunque puedan producir conductas que lo parezcan. Calculan asociaciones entre imágenes, instrucciones y acciones. Pueden adaptarse mejor que la automatización convencional, pero siguen expuestos a errores extraños, escenarios desconocidos y señales engañosas.

La noticia importante, pese a todo, está ahí. Las grandes empresas de IA ya no consideran suficiente dominar las pantallas. Buscan controlar la capa que conecta el razonamiento digital con fábricas, vehículos, almacenes y objetos cotidianos. Alibaba ha colocado sus modelos sobre esa frontera y pretende que otros construyan máquinas alrededor de ellos.

El resultado no se medirá por la elegancia de una demostración ni por las veces que aparezca la expresión IA física en una presentación corporativa. Se medirá cuando un robot encuentre una puerta distinta, una caja mal colocada o una persona cruzándose en su camino y haga lo correcto, una y otra vez. Sin música épica. Sin cortes de vídeo. Sin romper nada.