Entrenar un robot en el mundo real es lento y caro: cada cocina, cada hotel y cada fábrica exigen horas de teleoperación o de recolección de datos. Investigadores del MIT CSAIL y del Toyota Research Institute presentaron SceneSmith, un sistema de agentes de IA que construye entornos 3D listos para simulación a partir de un simple prompt de texto.

La idea es simple y poderosa. Tres agentes colaboran con un modelo visión-lenguaje de última generación: un diseñador propone el layout y los objetos, un crítico evalúa si la escena se ve realista y un orquestador decide cuándo el diseño está listo. El resultado se carga en un motor de física para que el robot practique manipulación, navegación y planes de acción sin arriesgar hardware.

Los autores reportan más de 1.300 escenas generadas, con hasta seis veces más objetos por habitación que basales previos. En pruebas con usuarios, SceneSmith fue preferido por realismo y fidelidad al prompt en más del 90 por ciento de los casos. Políticas entrenadas en el mundo real también lograron ejecutar tareas en esas escenas virtuales, una señal de que el simulador se acerca a la complejidad cotidiana.

Para builders, el mensaje es claro: el cuello de botella ya no es solo el hardware o el modelo de control, sino la diversidad de datos de entorno. Si los agentes pueden fabricar playgrounds ricos a escala, el entrenamiento de robots domésticos e industriales puede acelerarse sin multiplicar el costo de capturar cada metro cuadrado del mundo real.