Investigadores de Apple han publicado un nuevo artículo de robótica con un argumento provocador: un robot quizás no necesite un cerebro diseñado a medida para ser útil. El sistema, llamado AMP1—siglas de Agentic Manipulation Policies—permite que modelos de IA de uso general controlen brazos robóticos escribiendo y ejecutando código Python. Según la investigación, superó a políticas robóticas especializadas en tareas de manipulación tanto en simulación como en pruebas del mundo real.

El artículo, titulado "On Agentic Manipulation Policies" (arXiv:2611.09892), fue publicado en noviembre de 2026. El código y los datos de simulación se han lanzado públicamente, lo que permite a otros laboratorios verificar directamente las afirmaciones.

Cómo funciona AMP1

AMP1 funciona sin entrenamiento previo (zero-shot). El modelo subyacente no recibe ajuste fino para el robot o tarea específica, y el marco no requiere una biblioteca de demostraciones. La investigación describe a AMP1 operando en varias configuraciones robóticas, incluyendo de un solo brazo, bimanual (dos brazos) y móviles. Compatibilizar distintos equipos sin reentrenamiento es precisamente la flexibilidad que suelen carecer los sistemas especializados.

El marco también puede adaptar su estrategia en tiempo real, incluyendo el uso de herramientas y la ejecución de búsquedas según lo exijan las circunstancias.

Los resultados

En simulación, el equipo evaluó a AMP1 en el benchmark RoboLab-120. Combinado con el modelo Gemini 4 Argon, AMP1 logró una tasa de éxito de 85.6%. Impulsado por Claude Opus 5.5, alcanzó el 82.8%. Para comparar, el modelo Astranomy de NVIDIA obtuvo 74.8% en el mismo benchmark. Dado que AMP1 funcionó sin entrenamiento previo, estas comparaciones enfrentan el razonamiento de uso general contra políticas especializadas construidas específicamente para tareas físicas.

AMP1 también obtuvo resultados destacados en otros benchmarks, según la investigación, con 95.2% en LIBERO-PRO y 100% en robosuite.

El rendimiento en el mundo real se evaluó en 108 pruebas en tres configuraciones de brazos robóticos Franka. AMP1 completó 104 de ellas, una tasa de éxito de 96.3%, mientras que los sistemas de referencia terminaron 49 y 30 pruebas, respectivamente. El artículo además informa que AMP1 redujo las fallas operativas entre 15 y 20 veces en comparación con los modelos de referencia líderes, una mejora atribuida en gran medida a una mejor recuperación de errores.

El equipo y el contexto más amplio

Entre los autores del estudio se encuentran los investigadores de Apple Chen Chen y Omid Bagherieh. El trabajo llega a continuación del sistema HALO de Apple para navegación humanoide, también lanzado en noviembre de 2026: dos lanzamientos de robótica de Apple en un solo mes.

Las categorías especializadas contra las que se midió AMP1 incluyen los modelos de visión-lenguaje-acción (VLAs) y los modelos mundo-acción (WAMs). Los VLAs toman lo que un robot ve, junto con una instrucción de texto, y producen acciones físicas. Los WAMs añaden un modelo aprendido de cómo se comporta el mundo. Ambos están construidos específicamente para tareas físicas y suelen depender de grandes volúmenes de datos de entrenamiento específicos de robots.

AMP1 adopta un enfoque diferente. En lugar de construir un cerebro robótico desde cero, toma prestado el razonamiento de grandes modelos de uso general y les da una forma de actuar mediante código. Ese contraste define lo que está en juego en el artículo: si los modelos de uso general pueden igualar a las políticas especializadas sin entrenamiento específico por tarea, los grandes volúmenes de datos de entrenamiento específicos de robots detrás de los VLAs y WAMs podrían no ser un requisito previo para una manipulación capaz.

Qué significa

Los resultados vienen con advertencias señaladas en el reportaje: AMP1 depende de modelos de terceros como Gemini 4 Argon y Claude Opus 5.5, por lo que su rendimiento depende en parte de sistemas que Apple no controla. Por otro lado, la publicación pública del código y los datos de simulación significa que otros laboratorios de investigación pueden poner a prueba estas afirmaciones por sí mismos, lo que convierte la replicación independiente en la siguiente prueba más clara para las cifras reportadas en el artículo.

Este artículo fue reportado originalmente por CryptoBriefing y editado por Diego Almada Lopez.