Dos caminos hacia los robotaxis

En el CES y en las calles de Austin: dos planes maestros sorprendentemente distintos

A principios de enero, en el Consumer Electronics Show de Las Vegas, Nvidia presentó Alpamayo: una familia abierta de modelos grandes de visión-lenguaje-acción y herramientas de simulación complementarias diseñadas para enseñar a los coches a "razonar" ante escenas de tráfico inusuales. La empresa presentó la tecnología como un cambio radical para lo que denominó "IA física" y promovió el enfoque como una plataforma modular y con capacidad de aprendizaje que los fabricantes de automóviles pueden integrar en sus vehículos.

Medio año antes, en Austin (Texas), Tesla comenzó a permitir discretamente que una pequeña flota de vehículos Model Y modificados transportara a pasajeros invitados como parte de su programa piloto de Robotaxi, una demostración visible de la apuesta de décadas de la compañía por un software de conducción basado únicamente en cámaras y entrenado mediante su flota. Ese despliegue —inicialmente limitado y supervisado— mostró un camino contrastado: Tesla distribuyendo software dentro de los vehículos que fabrica y utiliza para acumular experiencia de conducción en el mundo real.

Plataforma frente a producto: cómo divergen las filosofías de ingeniería

La propuesta pública de Nvidia prioriza la plataforma. Vende silicio, middleware, conjuntos de sensores y un entorno operativo (DRIVE Hyperion y DRIVE AGX/Thor), y en enero la empresa destacó las evaluaciones de seguridad de terceros y un ecosistema de socios fabricantes que pueden adoptar partes de la arquitectura en lugar de reconstruirlas desde cero. Ese modelo permite a los fabricantes tradicionales y a los nuevos fabricantes de vehículos eléctricos acelerar su desarrollo al externalizar la computación y el software, manteniendo la libertad de elegir los sensores y las arquitecturas de los vehículos.

Computación de entrenamiento: clústeres en la nube, modelos abiertos y el destino de Dojo

Hasta hace poco, Tesla había seguido una vía de entrenamiento a medida con Dojo, un proyecto de superordenador interno presentado como la columna vertebral de la investigación para el Full Self-Driving y, eventualmente, para robots humanoides. En 2025, Tesla reorganizó partes de su estrategia de computación, y los informes desde mediados de 2025 describen que el programa Dojo se está desmantelando a medida que la empresa se desplaza hacia otros planes de chips y clústeres. Ese cambio ilustra una tensión central: construir un superordenador de entrenamiento de clase mundial de forma privada es costoso y lento, mientras que comprar o coarrendar aceleradores de última generación permite escalar más rápido pero cede parte del control.

La apuesta de Nvidia es diferente: proporcionar la computación de alto rendimiento (sus GPU y SoC DRIVE) y un flujo de trabajo de maestro-alumno donde un modelo de razonamiento de gran tamaño como Alpamayo puede destilarse en redes de ejecución más pequeñas que funcionan dentro del coche. La empresa también anunció un conjunto de herramientas de simulación y conjuntos de datos abiertos destinados a permitir que muchos actores entrenen, prueben y validen sin tener que reconstruir cada pieza de la infraestructura. Ese enfoque reduce la barrera para que los fabricantes tradicionales implementen asistencia avanzada a la conducción y, con el tiempo, niveles de autonomía superiores.

Sensores y el problema de la "larga cola"

Las dos empresas también discrepan en cuanto a los sensores. El diseño de referencia Hyperion de Nvidia admite explícitamente conjuntos de sensores multimodales (cámaras, radar y, cada vez más, lidar) y la empresa destacó sus asociaciones con proveedores de lidar en el CES y en los anuncios sobre la plataforma DRIVE Hyperion. Nvidia sostiene que una fusión de sensores más rica ayuda a los sistemas a percibir la profundidad y detectar peligros en escenarios de baja visibilidad o casos límite.

Tesla ha redoblado su apuesta por una estrategia basada exclusivamente en cámaras, argumentando que los conductores humanos utilizan únicamente la visión y que una red neuronal bien entrenada puede extraer profundidad y movimiento a partir del vídeo. La ventaja es un menor coste de hardware y una integración más sencilla, además de cantidades masivas de vídeo en servicio de la flota de Tesla que pueden seguir mejorando los modelos. La desventaja —planteada repetidamente por reguladores y expertos en seguridad— es la incertidumbre sobre eventos poco comunes y si los sistemas de visión única generalizan tan bien como las arquitecturas multimodales en circunstancias inusuales.

Regulación, incidentes y confianza pública

La seguridad operativa y el escrutinio público son el crisol de ambas estrategias. Los sistemas FSD y Autopilot de Tesla han sido objeto de múltiples investigaciones regulatorias y de un conjunto sostenido de informes de incidentes presentados al regulador de seguridad de EE. UU. En 2025, la National Highway Traffic Safety Administration abrió una evaluación preliminar que abarcaba millones de vehículos tras informes de incidentes con semáforos en rojo y cambios de carril, destacando tanto los riesgos legales como el escrutinio político que siguen a los despliegues de los primeros adoptantes.

Nvidia ha hecho hincapié en las evaluaciones de seguridad de terceros, incluyendo la colaboración con organismos establecidos de seguridad automotriz, como parte de un paquete que se ajusta más claramente a los marcos regulatorios existentes en los que confían los fabricantes. La propuesta de la empresa —componentes certificados, conjuntos de datos abiertos y trazas de razonamiento explicables de Alpamayo— está diseñada explícitamente para ayudar a los fabricantes de equipos originales (OEM) a cumplir con los requisitos de seguridad y auditoría a medida que escalan las funciones autónomas.

Dinámica del mercado y el camino hacia la escala

Estratégicamente, Nvidia y Tesla persiguen objetivos finales similares —grandes flotas autónomas y servicios de robotaxi— pero con diferentes perfiles de riesgo/recompensa. Nvidia vende a un enorme mercado de fabricantes de coches que probablemente preferirán plataformas modulares y validadas que puedan integrar en las líneas de producción existentes; eso abre muchas vías de ingresos sin la intensidad de capital que requiere fabricar coches o gestionar flotas. Las primeras reacciones del mercado a los anuncios de Nvidia en el CES incluyeron movimientos bruscos en las acciones de proveedores de lidar y empresas de sensores, reflejando la creencia de los inversores de que un enfoque de plataforma de múltiples proveedores acelera el crecimiento del ecosistema.

El beneficio potencial de Tesla, si su estrategia integrada verticalmente tiene éxito, es un producto único de extremo a extremo: un coche, un cerebro operativo entrenado con miles de millones de millas en el mundo real y los servicios que monetizan esos vehículos como robotaxis. Pero ese modelo concentra el riesgo operativo, regulatorio y reputacional en un solo lugar, y la reciente reorganización de los esfuerzos de computación a medida de Tesla subraya lo costoso y frágil que puede ser ese camino.

Convergencia, competencia y lo que viene después

Aunque las empresas difieren, sus caminos podrían converger. La vía abierta de maestro-alumno de Nvidia facilita que los fabricantes (y quizás incluso Tesla, en teoría) adopten modelos basados en el razonamiento; la enorme flota de Tesla sigue siendo una ventaja de datos para el aprendizaje de extremo a extremo. Ambos bandos serán juzgados no solo por la sofisticación de sus modelos y su silicio, sino por la seguridad en el mundo real, la transparencia en las métricas para el manejo de casos límite y la disposición de los reguladores para certificar la operación sin supervisión.

Para los consumidores y las ciudades, el corto plazo será confuso: flotas mixtas, regulaciones fragmentadas entre jurisdicciones y despliegues incrementales de servicios con supervisores y geovallas. Para los inversores y tecnólogos, la cuestión es si la industria se inclina hacia plataformas modulares que hagan la autonomía ampliamente accesible, o hacia unos pocos ganadores integrados verticalmente que capturen toda la cadena de valor. De cualquier manera, la carrera hacia los robotaxis se lee ahora como una competición de varias pistas: un carril ocupado por millones de coches de consumo que recopilan datos, el otro con plataformas estandarizadas y modelos abiertos que prometen una validación más rápida y una adopción más amplia.

Fuentes

• Materiales de prensa de NVIDIA (anuncios de Alpamayo, DRIVE Hyperion y DRIVE AGX)
• National Highway Traffic Safety Administration (archivos de evaluación preliminar e investigación sobre sistemas avanzados de asistencia a la conducción)
• Informes de evaluación de seguridad automotriz independientes y de TÜV SÜD referenciados en materiales de proveedores
• Declaraciones públicas de Tesla y presentaciones de la empresa sobre FSD, programas piloto de Robotaxi y estrategia de computación