Un robot humanoide dejó atónita a la comunidad científica tras ganar una competencia de velocidad en Pekín con movimientos que ningún ingeniero había programado. Gracias a un avanzado sistema de inteligencia artificial, el androide descubrió por cuenta propia cómo redistribuir su peso para alcanzar velocidades inéditas. El episodio marcó un hito en la robótica autónoma mundial.
¿Qué ocurrió en la pista de Pekín y por qué causó asombro mundial?
El fenómeno tuvo lugar durante la segunda edición de los Juegos Mundiales de Robots Humanoides celebrados en Pekín en agosto de 2026, un certamen donde distintas plataformas bípedas pusieron a prueba sus límites en atletismo. Allí, los modelos de la serie Tiangong protagonizaron dos escenas que dieron la vuelta al mundo por romper los esquemas tradicionales de la biomecánica robótica:
La postura inédita en los 400 metros: El modelo Tiangong Omni se quedó con el primer puesto al completar la vuelta a la pista en 45,66 segundos (desmintiendo videos editados en redes que le atribuían falsamente 38,15 segundos). En lugar de bracear como un atleta humano, corrió inclinado hacia adelante y con ambos brazos levantados frente al rostro, una pose que en internet compararon con personajes de anime o alguien cubriéndose por timidez.
El récord y el impacto en los 100 metros: En la prueba reina de velocidad, la versión Tiangong Ultra sorprendió al registrar 8,86 segundos —una marca inferior al histórico récord mundial humano de Usain Bolt (9,58 segundos)— ejecutando una zancada asimétrica y un braceo giroscópico fuera de todo manual. Sin embargo, al priorizar exclusivamente la aceleración máxima sin un protocolo de desaceleración previsto para esa velocidad, terminó estrellándose contra las vallas de contención tras cruzar la meta.
¿Cómo aprendió la máquina a correr de esa manera sin intervención humana?
Lejos de tratarse de una falla mecánica o un error de código, el comportamiento respondió a una decisión autónoma del software. Los desarrolladores entrenaron al sistema mediante aprendizaje por refuerzo profundo (deep reinforcement learning), un método basado en millones de simulaciones aceleradas de prueba y error con recompensas matemáticas.
Al analizar la física de la pista en tiempo real, los algoritmos dedujeron dos ventajas críticas que los ingenieros humanos habían pasado por alto:
Ahorro térmico y energético: Mantener los brazos recogidos hacia arriba evitaba sobrecargar y sobrecalentar los motores de los hombros durante el esfuerzo sostenido.
Estabilidad a máxima velocidad: El movimiento giroscópico de las extremidades superiores compensaba el centro de gravedad en cada zancada, impidiendo que el torso perdiera equilibrio y cayera sobre el tartán.
¿Qué implica este avance para el futuro de la robótica?
Desarrollados originalmente por el Centro de Innovación de Robótica Humanoide de Pekín (X-Humanoid) —conocido por haber logrado previamente hitos como completar una media maratón urbana—, estos prototipos demuestran que la locomoción bípeda ya no depende de imitar paso a paso la anatomía humana.
Cuando se les otorga libertad para optimizar su rendimiento físico mediante simulaciones, las máquinas encuentran soluciones motoras propias, más eficientes para sus actuadores y baterías aunque luzcan extrañas a simple vista. El desafío inmediato para los laboratorios pasa ahora por equilibrar esa capacidad de autoaprendizaje con sistemas de frenado y seguridad capaces de contener semejante despliegue de potencia fuera de la pista.