Danijar Hafner y su «startup fantasma» que podría revolucionar la robótica
Danijar Hafner tiene 31 años y un despacho en San Francisco lleno de robots desnudos, colgados como títeres, sin más mobiliario que racks y cables. Su startup está en “stealth mode” — o sea, cámara oculta de verdad, ni siquiera hay nombre en la puerta. Pero los robots, esos humanoides importados de China que cuelgan del techo, son la clave. Hafner no se anda por las ramas: quiere que esos bichos no solo repitan movimientos preprogramados, sino que “improvisen” cuando la realidad se pone rara — pisos nunca antes vistos, muebles arbitrarios, situaciones imprevistas. Para meter robots en casas humanas sin que se vuelvan locos — porque claro, eres tú, no un robot, el que pone el sofá donde le da la gana.
¿Cómo coño se logra eso? Hafner basa todo en el aprendizaje por refuerzo modelado — o “model-based reinforcement learning” para las mentes técnicas. El concepto es construir modelos matemáticos o “modelos de mundo” que emulan la realidad física, y luego entrenar agentes de inteligencia artificial dentro de esos modelos, no en el mundo real. Esto significa que los robots pueden simular escenarios, “soñar” resultados y aprender a reaccionar sin tener que romperse físicamente la cara cada vez que intentan algo nuevo.
En resumidas cuentas: Hafner fabrica mundos virtuales hiperrealistas donde sus agentes practican la vida real sin sufrir consecuencias. Luego con esa base, aplican lo que aprendieron en robots reales que, en teoría, pueden manejar la imprevisibilidad del mundo real sin liarla. ¿Dónde has visto algo así hasta ahora? Bueno, esto no es solo teórico ni empirismo barato; viene respaldado con datos y resultados tangibles, y además el tío tiene pedigree de esos que impresionan: Google Brain, Google DeepMind, y contactos que lo ponen en el top 0.5% del talento mundial (según Timothy Lillicrap, nada menos).
Un fundador con nombre y apellido: de programar online a liderar DeepMind
Nacido en un pueblucho rural en el noreste alemán, hijo de músicos clásicos, Hafner no tenía exactamente un futuro decidido en tecnología. Aprendió a programar gracias a un vecino, y lo que empezó como un hobby en la adolescencia con cursos online de IA, se convirtió en una obsesión. A los 19 años, estudiante en el Hasso Plattner Institute, ya había ganado un puesto de investigador en Google Brain. No hablamos de un becario cualquiera: ahí pulió su talento rascándose la cabeza con los grandes del sector.
No es casualidad que haya trabajado con Geoffrey Hinton (el “padrino viviente” del aprendizaje profundo) y Ashish Vaswani, mente maestra del paper “Attention Is All You Need” que fundamenta los transformers de hoy. Para el que no lo sepa, esto no es ciencia ficción: esas arquitecturas son las que usamos en ChatGPT, BERT, y el grueso de modelos que estrujan internet ahora mismo.
Lillicrap, supervisor y colega, lo tiene clarísimo: “entre toda la gente brillante que hay en Google, Danijar está en el top 0.5%. Construye en solitario sistemas que otros equipos enteros no lograrían.” Y esa no es una frase hecha: construir modelos de mundo que permitan planear movimientos en entornos complejos es un coñazo técnico que rara vez da frutos rápidos o esplendorosos.
Model-based Reinforcement Learning: El arte de que un robot se imagine el futuro
La mayoría de los sistemas de aprendizaje en robótica se basa en ensayo y error físico, es decir, que el robot falla y vuelve a probar. Un método lento, caro y con un riesgo gigantesco de destrozar hardware. Hafner apuesta por otra vía y sabe que es la que tiene futuro: entrenar agentes dentro de modelos — simulaciones computacionales — que reproduce el mundo real con bastante detalle.
Eso tiene ventajas tremendas:
– El agente puede probar un millón de escenarios sin que nadie deba estar al otro lado sujetando cables o reparando coches rotos.
– Puede predecir consecuencias y planear acciones antes de moverse.
– Reduce el costo y el tiempo de entrenamiento de robots.
– Aumenta la seguridad en robots que interactúan con humanos.
Para construir estos “modelos de mundo”, usa redes neuronales que aprenden la física y lógica de entornos, semejante a cuando uno ‘finge’ en su cabeza qué pasará si se mueve a la izquierda o derrapa en la esquina. Estos agentes aprenden a “soñar” — un término que Hafner gusta usar para describir cómo predicen múltiples futuros posibles — lo que les permite anticiparse y adecuar sus decisiones en tiempo real.
Esta técnica no es nueva técnicamente, pero la manera en que Hafner ha hecho que funcione con éxito en juegos y ahora en robots físicos rompe el molde. Más aún, porque el salto de lo virtual a lo físico es donde suelen irse al garete muchos proyectos de IA. Y aquí parece que está logrando algo sólido.
La saga de Dreamer: jugando para entrenar a un robot
El historial del trabajo de Hafner es una masterclass en dosis concentradas de hype respaldado por resultados. Empezó con su primer gran aportación llamada PlaNet, que ya permitía a agentes planear acciones con cierto grado de previsión en entornos simulados. Pero fue Dreamer 2 su gran salto: un agente que alcanzó nivel humano jugando juegos Atari 2600, lo que suena a “ya lo vimos mil veces” pero en realidad representa un nivel altísimo de comprensión y actuación autónoma para un agente entrenado no con recompensas en el mundo real, sino en un “mundo simulado” creado por el modelo.
Dreamer 3 rompió la barrera al resolver el “reto del diamante” en Minecraft, aprendiendo a extraer gemas por su cuenta. Una hazaña nada trivial porque el entorno de Minecraft es un mundo abierto, impredecible, con infinitas variables. Aquí Hafner demostró que sus agentes podían navegar escenarios complejos y adaptarse, no solo repetir patrones conocidos.
¿Quieres flipar? Dreamer 4 logró aprender a minar diamantes sin jugar ni un solo segundo en vivo; lo hizo solo “viendo” videos grabados de jugadas, extrayendo patrones y aprendiendo de forma offline. Eso es añadirle una capa de abstracción brutal, eliminando la necesidad de interacción física directa para el entrenamiento, algo que poca gente ha conseguido (y menos aún con resultados prácticos).
Su último proyecto, DayDreamer, está haciendo que estos algoritmos salten a la robótica física. Robots que funcionan en entornos reales, capaces de reaccionar a golpes o caídas sin necesidad de entrenamiento previo en cada situación. Podría ser la chispa que prenda la mecha para la robótica doméstica que no apeste a fiasco.
¿En qué se traduce todo esto para la tecnología del futuro?
Vale, suena genial, ¿pero qué significa esto para los que no se dedican a rompecabezas matemáticos ni a jugar Minecraft como pasatiempo laboral?
Para empezar, imagina que un robot doméstico pueda entrar en tu casa sin haber visto nunca tu suelo, tus muebles o tus perros descojonándose. Que pueda planear su ruta, esquivar un par de obstáculos imprevistos, recoger objetos sin arrear el cubo de basura ni tropezarse con la mesa baja del salón. Eso ya no está en la ciencia ficción sino en la mesa de Hafner (y colgando del techo en forma de marioneta).
Olvídate de robots en laboratorios estandarizados, que funcionan solo en terrenos controlados. La clave aquí es la adaptabilidad y anticipación, la capacidad de “imaginación” computacional para no tener que probar cada escenario hasta que la firme se rompa.
Además, la reducción del entrenamiento físico traerá un ahorro de costes que podría hacer que la robótica doméstica deje de ser un lujo para frikis y empiece a alcanzar el mercado masivo. No es exagerado pensar que, dentro de unos años, la gente pueda tener robots verdaderamente útiles y que no se estrellen contra las paredes por desconocer su entorno.
Pero también hay retos. No es magia ni un plug-and-play. Hafner mismo no pinta su trabajo como algo fácil ni acabado. Todavía hay problemas enormes para garantizar seguridad y robustez en entornos humanos dinámicos, y todo esto plantea preguntas éticas y de control al introducir máquinas capaces de actuar con autonomía adaptativa.
El startup que nadie ha visto aún y la película que promete
Desde que dejó DeepMind en el otoño de 2025 para montar su empresa propia, Hafner no ha soltado prenda del nombre ni detalles concretos. Pero sus palabras indican una ambición tostada: “Estoy resolviendo un problema que cambiará el mundo.”
Esa frase puede sonar a cliché si la pronuncia el típico CEO que lanza apps para pedir pizza, pero cuando viene de alguien con el currículum de Hafner y sus avances técnicos, la expectativa cambia.
Está claro que está apostando fuerte por llevar la inteligencia artificial de la estrategia virtual a la ejecución física, y que ese paso será crucial para que los robots formen parte integral de nuestras vidas y espacios sin ser un peligro ni un trasto inútil.
Mientras otras startups prometen coches voladores o realidad aumentada sin sentido para influencers, Hafner trabaja en la obtención del santo grial de la movilidad e interacción robótica autónoma: la capacidad de anticipar, adaptarse y funcionar en lo impredecible. Eso sí que es un game-changer.
¿Pero esto funciona de verdad o solo hype más para vender humo?
Un 31añero que se codea con la cúpula de DeepMind, que ha trabajado codo a codo con leyendas del deep learning y que tiene unos logros concretos en videojuegos (como dominar Minecraft en modo pro, ni más ni menos) suena a que el tipo sabe lo que hace. Sus algoritmos están publicados y sus juegos probados por la comunidad científica global, no sacados de la manga.
Pero ojo, no es la solución definitiva ni un robot que puedas meter hoy en tu casa sin problemas. Entrenar y validar estos modelos con fidelidad en el mundo real es una montaña rusa. Lo virtual tiene sus trucos, el mundo físico tiene sus bemoles: ruedas que patinan, sensores que fallan, imprevisibles gatos domésticos.
La verdadera prueba llegará cuando se vea que estos robots pueden aguantar semanas, meses de vida real sin supervisión directa ni accidentes.
Con todo, Hafner es uno de los pocos que no está vendiendo humo basado en promesas vacías, sino que ha entregado resultados, y va más allá lanzando robots a nuevos entornos inesperados en serio.
De momento hay que seguirle la pista porque podría ser la punta de lanza del siguiente salto en IA aplicada a robótica y movilidad autónoma. ¿El momento de la robótica inteligente que no da miedo? Quizá esté más cerca de lo que pensamos. Y tú, ¿le vas a dar una oportunidad a las marionetas de Hafner o seguirás esperando a los Transformers de las películas?