¿Quién paga por la "base de datos" de los humanoides? Un cambio en Pekín muestra lo que realmente importa.

¿El centro cerrado significa el fin?

El centro de entrenamiento de robots humanoides en el Parque Shougang, Pekín, que había estado funcionando desde marzo de 2025 como uno de los primeros en China, ha dejado de funcionar. Según los medios locales, la razón fue la retirada de Realman, proveedor de hardware y tecnología. No se trató del fracaso de un proyecto, sino de su reconstrucción. El distrito de Shijingshan explicó que, tras la salida del socio en la etapa I, el centro pasa a una nueva fase: el desarrollo de campos de luz gaussiana 4D y modelos del mundo. En lugar de construir más proyectos, se está cambiando la lógica operativa: de recopilar datos en condiciones controladas a utilizarlos en escenarios reales.

Este no es el primer caso de un centro de entrenamiento que cambia de rumbo. En los últimos dos años, muchas regiones de China han invertido en estas instalaciones como parte de una estrategia para desarrollar la inteligencia incorporada. Pero construir infraestructura es solo el comienzo. La pregunta clave es quién pagará por los datos a largo plazo y si esos datos serán realmente útiles.

En mayo de este año, la fase III del centro en Shijingshan reunió casi 270 robots y tenía una capacidad de producción anual de datos cercana a los 20 millones de puntos. Inicialmente, en marzo de 2025, se planeó que la etapa I produjera más de un millón de puntos de datos al año. Este ritmo de desarrollo muestra lo intensamente que las regiones de China están invirtiendo en infraestructura para robots humanoides.

Los datos no son una "base", sino una herramienta.

La lógica anterior era simple: cuantos más datos, mejor. El centro de Pekín tenía como objetivo recopilar más de 20 millones de puntos de datos al año, principalmente a partir de escenarios simulados, desde tareas domésticas hasta el montaje de electrónica. Pero resultó que los datos obtenidos en condiciones estables de laboratorio son difíciles de utilizar en el mundo real. Los robots se enfrentan a cambios de iluminación, irregularidades del suelo, perturbaciones imprevistas: situaciones que no se pueden simular fácilmente.

Realman lo entendió y cambió su estrategia. En lugar de recopilar datos en condiciones controladas, ahora opera los robots de forma remota en fábricas, almacenes y hogares. Funciona como un "circuito cerrado": los datos se generan durante el trabajo real, se utilizan inmediatamente para mejorar el modelo, y este a su vez funciona mejor en las siguientes situaciones. Ya no se trata solo de recopilar datos, sino de una iteración continua.

Los datos obtenidos en condiciones de laboratorio estables son difíciles de utilizar en el mundo real, donde existen cambios de iluminación, irregularidades en el suelo e interferencias imprevistas. Realman argumenta que los datos recopilados durante operaciones reales en entornos no controlados son más valiosos para el modelo que los datos obtenidos en condiciones de laboratorio estables.

¿Quién pagará por los datos en el futuro?

El problema es que los datos para robots humanoides tienen un fuerte carácter de "dominio privado". Cada empresa utiliza diferentes cuerpos de robot, sensores, sistemas de control y arquitecturas de modelo. Por lo tanto, los datos de un sistema son difíciles de utilizar por otro. Esto significa que, incluso si un centro de formación recopila millones de puntos de datos, una empresa puede no estar dispuesta a comprarlos, si no aportan una mejora directa al modelo.

Por lo tanto, surge un conflicto: las autoridades locales quieren construir centros públicos como infraestructura para apoyar el desarrollo de la industria, mientras que las empresas se centran en si los datos son rentables y si aportarán valor real. Esto no es una contradicción, sino una diferencia de objetivos. Por lo tanto, la pregunta clave es: ¿quién financiará este ciclo? ¿Serán las empresas que los utilicen o el Estado como inversor en el futuro?

El valor de los datos reside en su utilidad, no en su cantidad. Por lo tanto, la pregunta clave es: ¿quién financiará este ciclo? ¿Serán las empresas que los utilicen o el Estado como inversor en el futuro?

Una nueva era de datos: desde la recopilación hasta la aplicación

Esto demuestra que el gobierno entiende que no existe un único "método correcto". Los datos pueden provenir de simulaciones, vídeos, Internet u operaciones reales, pero su valor depende de cómo se utilicen.

El futuro no reside en la construcción de más centros de formación, sino en la creación de ciclos cerrados: escenario → datos → modelo → mejora. Esto significa que el centro no tiene por qué ser "exactamente igual", puede cambiar, como lo ha hecho Pekín. Lo importante es que funcione de acuerdo con las necesidades reales del modelo, y no solo de acuerdo con el plan de inversión.

Realman argumenta que los datos recopilados durante operaciones reales en entornos no controlados son más valiosos para el modelo que los datos obtenidos en condiciones de laboratorio estables. Esto demuestra que el futuro no reside en la cantidad de datos, sino en su calidad y utilidad.

¿Qué significa esto para el futuro de la robótica?

El cierre del centro de formación en Pekín no es el final, sino un punto de inflexión. Demuestra que construir infraestructura sin un modelo financiero claro y una aplicación es un riesgo. Pero también demuestra que el futuro no reside en la cantidad de datos, sino en su calidad y utilidad.

Para las empresas, esto supone un reto: deben pensar en los datos como una herramienta para el desarrollo del modelo, y no solo como un coste. Para los gobiernos, se trata de un nuevo papel: dejar de construir centros y apoyar sistemas integrados que conecten los datos con escenarios y aplicaciones reales. Ya no se trata de "quién paga por la base de datos", sino de "cómo transformar los datos en valor".

Esta transformación demuestra que el futuro de la robótica no reside en la construcción de centros de datos cada vez más grandes, sino en la creación de sistemas dinámicos e integrados que combinen las condiciones operativas reales con la mejora continua de los modelos. Lo crucial es que no se trata de quién paga por los datos, sino de cómo se utilizan esos datos en la práctica: si se traducen en mejores decisiones, reacciones más rápidas y operaciones robóticas más fiables. Para las empresas, esto significa que deben pasar de pensar en los datos como un coste a considerarlos como la clave de la competitividad. Para los gobiernos, implica un nuevo papel: no construir infraestructuras, sino apoyar los ecosistemas que permitan circuitos cerrados de datos.