La división Robbyant de Ant Group ha presentado LingBot-VA 2.0, un modelo fundacional de video-acción diseñado nativamente para la Inteligencia Artificial Física (Physical AI). A diferencia de los enfoques actuales que ajustan generadores de vídeo preentrenados para tareas robóticas, esta arquitectura nace desde cero con la encarnación (embodiment) como principio rector.

La innovación central reside en su capacidad de "Razonamiento Predictivo" (Foresight Reasoning): el modelo anticipa estados futuros antes de ejecutar una acción, lo que le permite planificar trayectorias coherentes en lugar de reaccionar fotograma a fotograma. Además, el sistema se re-ancla (re-grounds) continuamente en observaciones reales, corrigiendo la deriva acumulativa que aqueja a los modelos generativos puros.

Bajo el capó, LingBot-VA 2.0 combina un Transformador de Difusión Causal (Causal DiT) con un flujo de vídeo basado en una mezcla de expertos dispersa (Sparse-MoE) y un tokenizador semántico visual-acción unificado. Esta arquitectura permite un control asíncrono a 225 Hz, una frecuencia sin precedentes que acerca la latencia de inferencia a los requisitos de control de motores en tiempo real.

El salto cualitativo frente a trabajos previos —como los basados en RT-2 o modelos de vídeo ajustados— es la natividad causal. Los generadores de vídeo aprenden correlaciones estadísticas; LingBot-VA 2.0 aprende la física de la interacción. El tokenizador semántico compartido entre percepción y acción elimina la brecha modalidad que obliga a otros sistemas a proyectar latentes visuales en espacios de acción discretos.

Sin embargo, el propio informe técnico revela inconsistencias numéricas entre las métricas de benchmark reportadas y los gráficos de escalado, lo que invita a la comunidad a replicar resultados antes de asumir superioridad absoluta. La transparencia sobre estas discrepancias es inusual y bienvenida en un campo a menudo opaco.

En el tablero global, este lanzamiento posiciona a Ant Group como un contendiente serio en la carrera por la IA encarnada, compitiendo con esfuerzos de Google DeepMind, NVIDIA y startups como Figure o Covariant. La apuesta por modelos fundacionales nativos —en lugar de adaptar LLMs o generadores de vídeo— sugiere que la robótica de próxima generación requerirá arquitecturas donde la causalidad temporal y la física del contacto sean primitivas, no emergentes.

Para los ingenieros de robotica y ML, LingBot-VA 2.0 ofrece una hoja de ruta: tokenización unificada, razonamiento predictivo explícito y control de alta frecuencia asíncrono. Los próximos meses dirán si esta arquitectura escala a tareas de manipulación dextera en entornos no estructurados, el verdadero test de la IA física.