Figure AI aseguró 3.500 millones de dólares en cómputo antes de tener un producto que vender

En IROS 2026 en Pittsburgh, que se celebró del 27 de septiembre al 2 de octubre, un anuncio destacó entre la habitual sucesión de demos de investigación. Figure AI dijo que había firmado una asociación de varios años con el proveedor de nube de IA Nscale, comprometiendo inicialmente 3.500 millones de dólares a cómputo, con planes de escalar más allá de los 6.000 millones y de desplegar hasta 100.000 GPU de Nvidia a partir del segundo semestre de 2027.

La construcción está planeada para Barstow, Texas. El entrenamiento se ejecutaría en la plataforma Vera Rubin de Nvidia, la validación ocurriría en Isaac Sim, y esas mismas GPU acabarían funcionando dentro de los propios robots.

Una apuesta antes de la prueba

Las empresas de humanoides han recaudado mucho dinero, y la mayoría lo ha gastado en hardware y pilotos. Comprometerse a tanto cómputo antes de que un robot realice trabajo remunerado en grandes cantidades es otro tipo de apuesta. Indica que la empresa cree que la restricción vinculante para los humanoides será el cómputo de entrenamiento y la calidad del modelo, no las piezas mecánicas.

Esa creencia es comprobable, y la evidencia hasta ahora es mixta. El programa de humanoides más seguido del mundo, el Optimus de Tesla, elevó la producción en su línea de Fremont a varios cientos de unidades por semana a finales de septiembre, aproximadamente diez veces su ritmo del segundo trimestre, y supuestamente se pidió a los proveedores piezas para unas 15.000 unidades a lo largo de 2026. El bloqueo reportado no son las carcasas por semana. Son las manos y la incapacidad de la IA para generalizar entre tareas. Una fábrica que puede construir el cuerpo no ha resuelto el problema de hacer útil el cuerpo.

Por qué la cifra de 100.000 GPU es la clave

Desplegar GPU dentro de los robots es la parte que vale la pena seguir. El cómputo de entrenamiento es una cantidad conocida. El cómputo a bordo que ejecuta un modelo grande en tiempo real, dentro de un presupuesto de energía y térmico que una máquina en movimiento puede soportar, es un objetivo de ingeniería más difícil. Si Figure planea poner GPU de Nvidia en los robots a escala, está señalando que los modelos que quiere ejecutar son lo bastante grandes como para que los aceleradores de borde no sirvan.

Eso tiene consecuencias mucho más allá de Figure. Establece un requisito de energía, refrigeración y coste por unidad que cambia lo que un humanoide vale para un comprador. Un robot que necesita una GPU potente para funcionar es un producto distinto de uno que ejecuta un modelo pequeño en un chip de clase teléfono.

Dónde está el resto del sector

El salón de IROS ofreció un conjunto de comparación útil. Agility Robotics presentó Digit 5, la siguiente versión de su robot bípedo, y citó más de 65.000 horas de operación para Digit 4 en sitios de clientes norteamericanos, incluidos Amazon, GXO, Schaeffler y Toyota Motor Manufacturing Canada. Agility también anunció una asociación con FORT Robotics orientada a la seguridad funcional para humanoides. Esas dos cosas, horas en servicio y un caso de seguridad, son lo que un comprador de fábrica pide antes de firmar.

Sanctuary AI informó de una tasa de éxito superior al 99,5 % con un tiempo de ciclo de 2,54 segundos en una tarea de conexión de cables, validada frente a los benchmarks en vivo de un proveedor de automoción de primer nivel. Esa es una tarea acotada, y las tareas acotadas son exactamente donde la tecnología está lista. Unitree anunció H2 Plus como plataforma de referencia Isaac GR00T para el ámbito académico, extendiendo un ritmo de lanzamiento rápido. Astribot aprovechó la conferencia para debutar su humanoide T1 en Norteamérica a unos 18.000 dólares, posicionado como plataforma de investigación en lugar de trabajador.

Leídos en conjunto, el sector se está dividiendo. Algunas empresas compiten por demostrar capacidad general y gastan mucho en cómputo. Otras entregan tareas acotadas y medibles, y construyen los historiales de seguridad y servicio por los que los clientes realmente pagan.

Qué señaló la conferencia en su conjunto

IROS es un encuentro de investigación, y las sesiones técnicas reflejaron dónde está la atención. Los talleres se centraron en la loco-manipulación ágil, en evaluar políticas para controladores de visión-lenguaje-acción en el mundo real y en lograr que el entrenamiento simulado se transfiera a máquinas bípedas físicas. Ese último tema es el que decide si el cómputo gastado en simulación se convierte en comportamiento en una planta de fabricación.

La ciudad anfitriona fue Pittsburgh, lo que puso de manifiesto la solidez en robótica de Carnegie Mellon. Para un campo que ha pasado años produciendo vídeos impresionantes de robots haciendo parkour, el cambio de énfasis hacia la manipulación rica en contacto y la evaluación en el mundo real es un cambio de dirección significativo. Es más fácil filmar a un robot saltando que certificar a uno que recoge con seguridad un objeto desconocido.

El argumento del cómputo, expuesto con claridad

La apuesta de Figure se basa en una afirmación concreta: que la brecha entre los humanoides que hacen buenas demos y los humanoides que trabajan es sobre todo un problema de modelado, y los problemas de modelado se resuelven con datos y cómputo. Esa afirmación no es descabellada. Los últimos años demostraron que escalar el entrenamiento con datos más grandes y variados sigue mejorando la generalización en otros dominios, y no hay una razón sólida para pensar que la manipulación esté exenta.

El contraargumento es que la robótica tiene un problema de datos que los modelos de lenguaje no tenían. El texto es abundante en la web. Los datos de manipulación de alta calidad, del tipo que enseña a una mano a agarrar un objeto nuevo en una posición nueva, son caros de recopilar y difíciles de simular con precisión. Más cómputo ayuda si el pipeline de datos está ahí. Si no lo está, un gran clúster de entrenamiento en su mayoría permanece inactivo.

Qué deberían sacar en claro los compradores

Dos métricas importan más que los recuentos de robots. La primera es la fiabilidad de manipulación, es decir, si una mano puede realizar agarres variados sin fallar. La segunda es la generalización, es decir, si un comportamiento entrenado con un conjunto de objetos se transfiere a otros nuevos, bajo una iluminación nueva, en una disposición nueva. Una cifra de producción semanal no dice nada sobre ninguna de las dos.

Los compromisos de cómputo como el de Figure apuntan directamente a la segunda métrica. Si eso funciona es una pregunta abierta, y la respuesta no vendrá de un comunicado de prensa. Vendrá de si un robot entrenado con la capacidad de Barstow puede recoger un objeto que nunca ha visto y dejarlo correctamente, en una línea, sin un supervisor mirando.

El coste de llegar temprano

También hay un riesgo financiero evidente. Los acuerdos de cómputo son obligaciones plurianuales, y las generaciones de GPU avanzan rápido. Un compromiso dimensionado para los entrenamientos de hoy puede parecer sobredimensionado o infradimensionado en dieciocho meses, según hacia dónde se mueva el sector. Figure ha apostado por que necesitará más, no menos.

La apuesta es defendible. La frontera en robótica avanza hacia modelos más grandes, y los modelos más grandes necesitan más cómputo. La cuestión es el momento. Si la generalización llega según el calendario que Figure insinúa, el compromiso temprano parece previsor. Si tarda más, la empresa carga con un gran coste fijo mientras espera que se resuelva el problema.