Lo que la cámara no ve

«La visión y el lenguaje aportan guía semántica y geométrica, pero no pueden revelar de forma fiable los estados ocultos del contacto: la fuerza, el deslizamiento y la estabilidad.»

TouchWorld: A Predictive and Reactive Tactile Foundation Model for Dexterous Manipulation — Jianyi Zhou et al., arXiv:2607.07287, 2026.

«Vision and language provide semantic and geometric guidance, but they cannot reliably reveal hidden contact states such as force, slip, and contact stability.»

Lo que limita a la IA corporizada no es razonar — ya iguala al humano en dominios formales — sino actuar en el mundo físico. La frase anterior lo dice con precisión técnica.

El sistema que aprueba el examen de especialización médica trabaja con texto: todo lo que necesita saber está en el enunciado. El mismo sistema, puesto a conectar cinco electrodos a un paciente, se queda sin la mitad de la información. Dónde está el cable lo dice la cámara. Con cuánta fuerza se dobla, cuándo empieza a resbalar, si el agarre va a sostenerse: eso no está en nada de lo que el modelo ve o lee.

La frontera es triple: el contacto no aparece en los datos de entrenamiento, no se observa desde fuera y no se corrige a la velocidad de un ciclo de cámara. Esas tres ausencias definen el trabajo pendiente.

• Fuerza de contacto. Cuánta se aplica y cómo responde un material que no se conoce de antemano. La regla humana — agarrar lo más suave posible sin que se caiga — exige sentir, no calcular con lo que se ve.
• Deslizamiento incipiente. El resbalón incipiente ocurre bajo el dedo, en la zona que la cámara no puede ver porque los propios dedos la tapan. Solo el tacto lo detecta a tiempo.
• Estabilidad del contacto. Si el agarre va a sostenerse durante toda la maniobra se decide en milisegundos — más rápido que el ciclo de cualquier cámara.

¿Qué está pasando mientras tanto? La investigación responde con una jerarquía: un modelo lento que razona en visión y lenguaje, y un lazo jerárquico que lee los sensores táctiles a alta frecuencia — hasta un kilohercio en el hardware comercial — y corrige el contacto en tiempo de ejecución. La semántica no espera al contacto; el contacto no espera a la semántica.

Y el estado del arte en hardware ya está en el mercado: el PaXini PX-6AX GEN3 es un array táctil triaxial — fuerza en tres ejes por táxel — con hasta 717 señales por sensor, salida a un kilohercio, detección desde 0,01 N y doce formatos que cubren punta, almohadilla y palma: la distribución del tacto de una mano humana. Su cuarta generación baja a 0,005 N, adelgaza a dos milímetros y se monta como piel — incluso sobre la garra. Los drivers comunitarios para ROS 2 ya existen; la pieza que falta es de software: integrar este tacto con una política de visión-lenguaje-acción (VLA) sobre un estándar común.

Los hitos recientes: la primera destreza sobre objetos deformables tipo papel con mano táctil (87,5 % de éxito), simulación táctil masiva en GPU que demuestra que la cobertura de la mano importa más que la resolución del sensor y que la fuerza por táxel es la señal más útil, y — la contracara — el tacto como nueva superficie de ataque: su lectura se puede falsificar sin tocar el robot. Cada avance confirma la misma idea: el cuello de botella está en el contacto, y el contacto se siente, no se ve.

• Jianyi Zhou et al. «TouchWorld: A Predictive and Reactive Tactile Foundation Model for Dexterous Manipulation». arXiv:2607.07287, 2026. De aquí sale la cita inicial: planificación en visión-lenguaje y corrección táctil de alta frecuencia sobre un world model de contacto.
• Pei Lin et al. «PP-Tac: Paper Picking Using Tactile Feedback in Dexterous Robotic Hands». arXiv:2504.16649, RSS 2025. Primera destreza sobre objetos deformables tipo papel: 87,5 % de éxito con detección de deslizamiento en tiempo real.
• Trinity Chung et al. «Tactile Genesis: Exploring Tactile Sensors at Scale for Learning Dexterous Tasks». arXiv:2606.22332, 2026. La cobertura de la mano importa más que la resolución del sensor; la fuerza y el par por táxel, la señal más útil.
• PaXini Tech. PX-6AX GEN3 / GEN4: Multidimensional Tactile Sensor. Ficha de producto, paxini.com, 2026. El hardware del lazo rápido: hasta 717 señales triaxiales por sensor, salida a un kilohercio, detección desde 0,01 N. Especificaciones de fábrica — aún sin paper revisado por pares.
• Kun Wang et al. «GhostTac: Manipulating Tactile Sensors without Physical Contact». arXiv:2608.20817, ACM CCS 2026. La contracara: el canal táctil se puede falsificar por interferencia electromagnética — y eso abre otra pregunta de responsabilidad.

Paso anterior: 2 · La paradoja fundamental — Moravec.

Siguiente paso: 4 · Laboratorio a planta — El cable que no se automatiza.