El rápido avance de la inteligencia artificial ha seguido en gran medida la 'hipótesis de la escala', la cual sugiere que aumentar el tamaño del modelo, la capacidad de cómputo y los datos de entrenamiento conduce a mejoras predecibles en la inteligencia. Si bien esto ha funcionado para los modelos de lenguaje, que pueden entrenarse con billones de tokens de texto existente en internet, la robótica enfrenta un desafío diferente. No existe un inventario público equivalente de datos de alta calidad para tareas físicas, como doblar la ropa o manipular objetos. Debido a que el entrenamiento de robots requiere ejemplos de acciones realizadas correctamente (o una forma de calificar un intento), el campo está lidiando actualmente con cómo generar el volumen de datos necesario para ir más allá de las tareas simples y repetitivas.

Un método principal para recopilar estos datos es la teleoperación, donde un humano controla los movimientos de un robot a través de una interfaz remota. Esto permite la 'clonación de comportamiento', donde un modelo aprende a imitar las acciones del experto. Aunque esto produce datos que coinciden estrechamente con las capacidades físicas reales del robot, es difícil de escalar debido al alto costo de la mano de obra humana y la falta de retroalimentación táctil para el operador. Alternativamente, los investigadores utilizan la simulación para crear datos 'sintéticos'. La simulación permite que miles de robots sean entrenados simultáneamente en un entorno digital, lo cual es significativamente más rápido y económico que las pruebas en el mundo real. Sin embargo, esto a menudo conduce a la 'brecha sim-to-real', donde un modelo funciona bien en un mundo digital perfecto pero falla en la realidad porque la simulación no puede modelar perfectamente la física compleja, como la fricción o el comportamiento de objetos blandos y deformables.

Para mitigar estas limitaciones, las empresas están recurriendo a la recopilación de datos centrados en el ser humano. Esto incluye video 'egocéntrico', donde las personas usan cámaras montadas en la cabeza para grabar sus propios movimientos, los cuales luego se mapean a acciones robóticas. Otros métodos involucran 'Universal Manipulation Interfaces' (UMI), donde los humanos usan manipuladores especializados para realizar tareas, proporcionando datos de alta fidelidad para robots con hardware similar. Si bien estos métodos son más escalables que la teleoperación uno a uno, todavía enfrentan obstáculos para capturar la retroalimentación sensorial matizada —como la presión precisa y la textura de un objeto— que los humanos procesan naturalmente a través de sus sistemas nerviosos. Por ahora, el camino hacia la robótica de propósito general depende de una combinación de estas estrategias para construir un 'volante de datos' donde los despliegues en el mundo real eventualmente alimenten de nuevo el ciclo de entrenamiento para mejorar los modelos futuros.