X-Square Robot: una pila de fundación para robots generalistas, por fin legible

El laboratorio X-Square Robot publica un « *foundation stack* » de tres capas para la IA integrada. No es aún un GPT del robot, pero la arquitectura, en cambio, está madura.

En términos sencillos

El laboratorio X-Square Robot acaba de publicar una arquitectura de tres capas para hacer que los robots sean realmente versátiles: un modelo de percepción, un modelo de acción y un modelo de control. Nada revolucionario pieza por pieza. Pero la forma en que se apilan —y se argumenta— marca un hito.

El contexto

Desde Google RT-2 (2023), Figure 02 (2024) y los modelos de Visión-Lenguaje-Acción de DeepMind (2025), el campo busca su « modelo base del robot ». Dos escuelas chocan: end-to-end (un solo modelo gigante pixel→motor) frente a stack modular (percepción, planificación y control separados). El end-to-end tiene la elegancia matemática; el stack tiene la ingeniería y el debugging.

Los datos

Según IEEE Spectrum, X-Square Robot defiende explícitamente el enfoque modular, estructurado en tres capas distintas:

• Percepción – modelo visión-lenguaje preentrenado.
• Planificador de tareas – descomposición de objetivos en secuencias de acciones.
• Política de control – aprendizaje por refuerzo combinado con imitation learning, transferencia simulador→real.

El artículo posiciona el stack como objetivo para robots de «propósito general». No hay benchmarks públicos externos por ahora.

El análisis

El interés no está en el rendimiento mostrado —inverificable—, sino en la elección metodológica. Tras tres años de «solo modelos más grandes», varios equipos vuelven a la modularidad. ¿Por qué? Porque en el robot, la latencia de extremo a extremo importa, la seguridad exige puntos de intercepción explícitos y el debugging de un modo de fallo requiere aislar la capa culpable. Un modelo end-to-end opaco, cuando la pinza rompe un vaso, deja sin respuesta.

Entonces, ¿qué?

Para un inversor en robótica: dejen de apostar por la promesa de que «un modelo gigante lo resolverá todo». Observen quién tiene una pila documentada, testeable y debuggeable. Para un ingeniero: la verdadera pregunta 2026-2027 ya no es qué modelo, sino qué interfaz entre capas. Ahí cristalizará el valor, como el protocolo lo hizo para la web.