bytevyte
bytevyte
Language
EN DE ES FR PT IT
Follow
ai-beats-es —

NVIDIA presenta physical AI agent skills para acelerar el entrenamiento de sistemas autónomos

habilidades de agentes de IA física

NVIDIA ha presentado un conjunto de physical AI agent skills diseñadas para acelerar el desarrollo de sistemas autónomos en robótica y transporte. Anunciadas esta semana en la Conference on Computer Vision and Pattern Recognition (CVPR) 2026, estas herramientas utilizan el modelo fundacional NVIDIA Cosmos 3 para automatizar la generación de datos sintéticos, abordando uno de los principales cuellos de botella en el entrenamiento de agentes con cuerpo físico (embodied agents).

El lanzamiento incluye habilidades especializadas para vehículos autónomos (AVs) y robótica, integradas directamente en los entornos Isaac Sim 6.0 e Isaac Lab. Al automatizar la creación de escenas y la reconstrucción de escenas neuronales, NVIDIA busca reducir la dependencia del etiquetado manual de datos y las pruebas físicas. Estas physical AI agent skills ya están disponibles para investigadores a través de GitHub y la plataforma NVIDIA Brev, que ofrece créditos de prueba para los primeros usuarios.

Modelos avanzados para robótica y conducción

Un elemento central de esta expansión es GraspGen-X, un modelo fundacional creado específicamente para el agarre robótico zero-shot. NVIDIA entrenó este modelo con 2.000 millones de agarres simulados, lo que permite a los robots manipular objetos desconocidos sin un entrenamiento previo específico. Esta capacidad es esencial para los sectores de logística y fabricación, donde la variedad de objetos a menudo supera los métodos de programación tradicionales.

Para el sector automotriz, la compañía estrenó LCDrive, un modelo diseñado para hardware de conducción embebido. Este sistema utiliza representaciones latentes para procesar datos del entorno, lo que resulta en velocidades de razonamiento más rápidas en comparación con arquitecturas anteriores. Al optimizar la forma en que los vehículos autónomos interpretan su entorno, LCDrive mejora la capacidad de respuesta de los sistemas críticos para la seguridad en escenarios en tiempo real.

Impacto estratégico en el desarrollo autónomo

La introducción de estas physical AI agent skills supone un giro hacia el desarrollo basado primero en la simulación. NVIDIA también presentó NitroGen, un modelo fundacional de IA de jugabilidad generalizada. Este modelo fue entrenado con más de 40.000 horas de interacción en 1.000 juegos diferentes para ayudar a los agentes con cuerpo físico a aprender comportamientos complejos en entornos diversos. Este entrenamiento multidominio ayuda a los agentes a generalizar mejor cuando pasan de simulaciones virtuales al mundo físico.

Más allá de las aplicaciones industriales, la empresa lanzó el Cosmos-H-Surgical-Simulator, un conjunto de datos adaptado para la robótica quirúrgica. Este movimiento indica una expansión hacia la automatización de alta precisión en el sector sanitario. Al proporcionar la infraestructura para generar datos sintéticos de alta fidelidad, NVIDIA se posiciona como la capa fundacional para la próxima generación de máquinas autónomas en múltiples industrias.

Aunque nos esforzamos por la exactitud, bytevyte puede cometer errores. Se aconseja a los usuarios verificar toda la información de forma independiente. No aceptamos ninguna responsabilidad por errores u omisiones.

Sources

NVIDIA Enables the Next Era Of Physical AI Research With Agent Skills

NVIDIA Research Unlocks Advanced Grasping and Driving

✔Human Verified

Share