A Liu Nianqiu le resulta difícil encajar en la plantilla típica del emprendedor de robótica corporal (embodied AI).
No es un académico salido de un laboratorio de robótica, ni un emprendedor en serie que entró en la Physical AI apenas en los últimos dos años. Trabajó en Intel en I+D de nuevos procesos y equipos, y emprendió en internet de las cosas e industrialización inteligente. En 2018 se unió a la empresa de conducción autónoma Yuanrong Qixing, donde pasó del hardware a la operación de Robotaxi, producto, datos, producción en masa y posventa.
En 2026, Liu Nianqiu añadió otra identidad a su trayectoria: fundador de Feimo Yi Technology.
De hecho, desde 2024, él ha estado siguiendo de cerca el desarrollo de la inteligencia corporizada, revisando una gran cantidad de artículos académicos y estudiando de manera continua la cadena de suministro aguas arriba y las rutas tecnológicas. A finales de 2025, concluyó que el momento para emprender había empezado a madurar: por un lado, la cadena de suministro robótico ya estaba lo suficientemente completa, por lo que las startups ya no necesitaban dedicar grandes esfuerzos a subsanar las carencias en hardware y en el cuerpo del robot; por otro lado, el paradigma de tecnología y datos impulsado por IA se volvía cada vez más claro, permitiendo empezar a acumular conocimientos tecnológicos con verdadero valor a largo plazo.
Tras decidir emprender, Liu Nianqiu se comunicó con varios cofundadores de Yuandrong, y todos apoyaron que saliera a realizar de nuevo un camino de 0 a 1.
Nada más emprender, Feimo Yike obtuvo una ronda semilla de casi cien millones de dólares liderada por IDG Capital y con la participación de Yunqi Capital, Didi Chuxing, Fosun RZ Capital, Glory Ventures (Yao Tu Capital) y Hesai Technology, y en los primeros contactos con los inversores, Liu Nianqiu ni siquiera tuvo tiempo de preparar un plan de negocios.
Liu Nianqiu prefiere llamar a los robots de Feimoyi “Physical Agent”; considera que los robots, en última instancia, deben entrar en entornos vitales abiertos y completar tareas para distintas personas en distintos momentos y lugares.
En los últimos dos años, la vía de aterrizaje más común de la inteligencia embodied ha sido encontrar primero un escenario con límites lo suficientemente claros: apretar tornillos en fábricas, entregar cosas en hoteles, trasladar cargas en almacenes; primero se define bien la tarea y luego se eleva la tasa de éxito mediante ingeniería y modelos.
Liu Nianqiu no considera que estos escenarios carezcan de valor comercial, pero su pregunta es: si un robot trabaja a largo plazo solo en un entorno altamente definido, ¿cuánta parte de la capacidad que acumula puede realmente transferirse a otro escenario?
Por eso Feimoyi eligió una ruta con límites más difusos: los escenarios abiertos y dinámicos.
Zonas comerciales, edificios de oficinas, residencias, áreas de actividades: todos son “círculos de vida” en los que Liu Nianqiu espera que el robot entre gradualmente. Podría ayudar a la gente a recoger cosas, comprar café o tirar la basura, e incluso completar parte de las tareas de un repartidor cuando esté ocupado. El robot no se fija de antemano en una sola profesión, sino que cambia constantemente sus tareas según el entorno y las necesidades.
Feimoyi llama a este rol “compañero”. Cuanto más ricos son los entornos en los que entra el robot, y cuantas más personas, objetos y tareas encuentra, más probable es que desarrolle la capacidad de transferencia entre escenarios.
Uno de los trabajos más importantes de Feimoyi este año es la recolección de datos iniciales, y planea comenzar el próximo año un despliegue en múltiples puntos, para que el Physical Agent forme gradualmente el circuito cerrado de aterrizaje—datos—entrenamiento—nuevo aterrizaje.
Más adelante está el problema que la industria aún no ha resuelto: la complejidad del mundo abierto casi no tiene límites; que un robot complete 1 de 10 tareas en una demo y que complete la tarea siempre que el usuario lo llame son dos estándares completamente distintos.
A continuación, el diálogo del canal Zuoyouli de Leifengwang con Liu Nianqiu, fundador de Feimoyi Technology, editado parcialmente sin alterar su sentido original:El giro clave de Yuanrong Qixing: suspendió el Robotaxi y apostó por la solución sin mapas
Canal Zuoyouli: Yuanrong operó durante un tiempo Robotaxi en Shenzhen y consiguió una base de clientes centrales, ¿por qué lo suspendió?
Liu Nianqiu: Operamos más de un año. De hecho, al principio realizamos la operación de taxis autónomos en zonas céntricas y concurridas como el CBD. Más adelante concluimos que aquella solución basada en mapas de alta precisión no tenía futuro y decidimos tomar la ruta sin mapas. Como empresa emergente, era imposible hacer bien ambas líneas al mismo tiempo, y tampoco teníamos recursos suficientes, así que decidimos detener el Robotaxi y dedicarnos plenamente a la ruta sin mapas. Por eso fuimos los primeros en lanzar una solución sin mapas de alta precisión; cuando la lanzamos, mucha gente todavía no lo creía, hasta que conseguimos los primeros contratos de producción.
Canal Zuoyouli: ¿Cuándo te diste cuenta por primera vez de que la ruta de los mapas de alta precisión no tenía salida? En la decisión de detener el Robotaxi y girar hacia la ruta sin mapas, ¿qué hiciste concretamente?
Liu Nianqiu:En 2021 comencé a reflexionar sobre la viabilidad de que este negocio siguiera desarrollándose. Como yo estaba directamente a cargo de la operación, conocía bien los costos operativos reales, y seguía observando cómo evolucionaría este negocio y si sería viable una vez escalado. Sobre la base de estas realidades, empecé a plantear en el equipo la idea de ajustar el rumbo. Principalmente puse juntos los problemas que veía en el lado operativo y los juicios del lado de I+D. La elección final del rumbo fue una discusión y decisión conjunta del equipo central.
Canal Zuoyouli: Estabas a cargo de la operación del Robotaxi y le dedicaste mucho esfuerzo; cuando de verdad se detuvo el Robotaxi de Shenzhen, ¿qué tareas de cierre estabas a cargo?
Liu Nianqiu:En aquel momento se adoptó un proceso de cierre gradual. Tras la decisión de retirarnos, fuimos reduciendo progresivamente el tamaño de la flota; no detuvimos todos los servicios el mismo día de la decisión. Todavía había un pequeño grupo de usuarios bastante fieles, y el servicio de atención al cliente se comunicó con ellos para explicarles la situación. El trabajo de producto orientado a la operación del Robotaxi pasó a centrarse en la conexión con productos de producción en serie y fabricantes de automóviles. El equipo tuvo que repensar qué funciones debía tener el producto para la asistencia a la conducción L2, cómo funcionaría en distintas condiciones de vía y cómo efectuar la salida. Esto ya no era lo mismo que el producto en torno a la operación del Robotaxi, con sus problemas propios. En aquel periodo, el foco del trabajo fue, por un lado, cerrar gradualmente el negocio operativo original y, por otro, orientar el trabajo de producto hacia la nueva dirección de producción en serie.
Canal Zuoyouli: ¿Qué significa para todo el sistema tecnológico pasar de conducción inteligente con mapas a sin mapas?
Liu Nianqiu: Equivale a derribarlo todo y rehacerlo. La versión con mapas de antes era bastante tradicional: tenía módulos de percepción, predicción y seguimiento, más la localización mediante mapas de alta precisión, y encima la planificación y el control. Al pasar a la solución sin mapas, la percepción amplió enormemente sus límites, prácticamente absorbió la localización cartográfica, y quedó muy acoplada con la planificación. Todo el requerimiento de datos también cambió, así que fue un cambio arquitectónico muy grande.
Canal Zuoyou Lili (左林右狸): Al desarrollar la solución sin mapas, ¿qué tareas asumiste específicamente? ¿De qué se encargan Zhou Guang y los demás altos directivos principales?
Liu Nianqiu: En mi parte, el trabajo más importante fue primero el ajuste del esquema de sensores. Al pasar a la operación sin mapas, el sistema pasó a depender en cierto grado más de la visión. Cuando llegó al proyecto de producción en serie, hubo que replantearse cómo seleccionar y configurar los sensores, de modo que satisfacieran tanto las necesidades de los algoritmos posteriores como las exigencias de la producción en serie. Otra parte fue el establecimiento del sistema de producción de datos. Al depurar más la solución de los datos, había que construir un sistema para cómo producir los datos, cómo coordinarse con los socios externos y cómo controlar los costos. Ese también fue un trabajo en el que participé. Todos teníamos un consenso básico sobre la dirección, y cuando alguien proponía una idea concreta se discutía en conjunto; no ocurría con frecuencia que una sola persona viera algo que los demás no veían. En la práctica, lo habitual era plantear los problemas de los distintos frentes y discutir juntos cómo resolverlos.
Canal Zuoyou Lili: Al tratarse de algo que nadie había hecho en la industria, ¿cómo fijaron en su momento el deadline?
Liu Nianqiu: En un proyecto de investigación es muy difícil fijar un deadline especialmente riguroso, porque nadie puede garantizar que para una fecha determinada saldrá un resultado. Más bien, todos se dedicaban a fondo, evaluando constantemente cuál camino era el correcto y validándolo rápidamente. Por ejemplo, cómo percibir las carreteras, cómo entender su estructura, cómo hacer el etiquetado de datos: un método decidido hoy, al día siguiente se recopilaban datos y se probaba, y si no funcionaba, al otro día quizá se cambiaba por uno nuevo. En esa etapa lo que se valoraba era avanzar rápido, ajustar rápido y equivocarse rápido.
Canal Zuoyou Lili: ¿Y cómo hacían las pruebas de error?
Liu Nianqiu: Primero se definía la estructura del modelo, luego se decidía cómo recopilar, etiquetar y entrenar los datos, y después se ponía en marcha para ver si había problemas. Si surgía un problema, se evaluaba de inmediato: ¿era un error en la comprensión de la carretera, o la comprensión era correcta pero la planificación estaba mal? Si la comprensión era incorrecta, ¿era un problema de la capacidad del modelo o un problema de los datos de entrada? Todo el proceso consistía en descomponer problemas continuamente, así que siempre que hubiera capacidad de cómputo disponible, básicamente queríamos que la computadora no descansara cuando las personas descansaban.
Canal Zuo Lin You Li: Como una empresa emergente, Yuanrong Qixing concentró todos sus recursos para desafiar algo que nadie en la industria había hecho. ¿El equipo estaba muy tenso en ese momento?
Liu Nianqiu: Donde llegaba un problema, ahí había mucha tensión. No es que toda la gente de la empresa estuviera todo el tiempo sin descansar, pero los departamentos centrales básicamente no tenían días de descanso fijos. Cuando el equipo creció, también se establecieron mecanismos de rotación de ingenieros y de trabajo de manera alternada. Pero los juicios verdaderamente centrales, al final, convergían en un grupo muy reducido de personas, porque en realidad no son muchas las que tienen una comprensión clara del problema.
Canal Zuo Lin You Li: Desde la decisión de hacer el sistema sin mapas hasta conseguir realmente la adjudicación de un proyecto, ¿cuánto tiempo tomó aproximadamente?
Liu Nianqiu: Alrededor de un año. Pero después de conseguir la adjudicación, la presión fue incluso mayor, porque el siguiente paso no era demostrar que la tecnología podía funcionar, sino pensar en cómo producirla en masa. Antes, cuando hacíamos Robotaxi, era relativamente más relajado; tras pasar al sistema sin mapas y luego a la producción en masa, la presión de todo el equipo aumentó notablemente.
Canal Zuo Lin You Li: En ese momento hubo muchas dudas externas sobre el sistema sin mapas. ¿Cómo lo veías?
Liu Nianqiu: Creo que era razonable. En ese momento, dentro del alcance ya cubierto por los mapas de alta precisión, el desempeño de las soluciones tradicionales con mapas seguramente era más maduro. El sistema sin mapas era más bien una demostración de las posibilidades del futuro. Además, muchos colegas de la industria formaban parte en sí mismos del sector de los mapas de alta precisión, por lo que lo rechazaban de manera natural. Y también, si otros no lo habían logrado, no iban a reconocer de inmediato que tu solución era buena solo porque tú lo hubieras conseguido. Pero mirando hacia atrás, creo que el sistema sin mapas fue un punto de inflexión para toda la industria. Antes, la conducción inteligente urbana solo podía usarse en unas pocas ciudades; fue realmente cuando el sistema sin mapas comenzó a implementarse a gran escala que los consumidores sintieron que esta cosa también podía usarse en los lugares donde ellos mismos conducían.
Canal Zuo Lin You Li: Cuando apareció la primera «prueba con camión de remolque», ¿qué papel desempeñaste en ella?
Liu Nianqiu:En comparación con la llamada «prueba con camión de remolque», lo que recuerdo más vívidamente es una modificación de un vehículo conocido de la corriente principal que hicimos antes de conseguir la adjudicación con una importante empresa tecnológica líder. En ese momento, la otra parte ya había probado nuestros vehículos y estaba interesada en las capacidades y la solución de Yuanrong, pero quería ver cómo se comportaría ese conjunto de capacidades en un modelo de vehículo conocido de la corriente principal, así que nos entregó un vehículo sin conducción inteligente, con la esperanza de poder experimentar lo antes posible el desempeño de la solución de Yuanrong en su vehículo.
Recuerdo que todo el proceso de modificación tomó menos de dos días. El vehículo llegó sin el sistema de conducción inteligente correspondiente, y tuvimos que hacer perforaciones, cambiar los vidrios, instalar controladores y sensores, restaurar el vehículo, conectar el algoritmo y salir a hacer pruebas de carretera y evaluaciones.
Aquellos días todos trabajamos por turnos, enlazando continuamente esas tareas. En la parte de hardware y entrega de la que yo me encargaba, era necesario materializar las necesidades de experiencia planteadas por el cliente en un vehículo real: instalar los sensores y controladores, conectar el sistema y luego colaborar con las pruebas posteriores y la resolución de problemas. En muy poco tiempo, el cliente vio cómo convertíamos un vehículo tradicional que ellos habían proporcionado en un prototipo capaz de realizar pruebas de conducción autónoma. Esto les mostró la capacidad de ejecución y de entrega del equipo, y aumentó su confianza en que pudiéramos seguir avanzando hacia la producción en masa.
Esta modificación, por supuesto, no equivalía a haber completado la producción en masa, pero permitió al cliente juzgar si este equipo podía enfrentarse a vehículos reales y problemas reales para hacer avanzar las cosas. Entiendo que la confianza del cliente en el equipo se construyó gradualmente a lo largo de este proceso.
Canal Zuo Lin You Li: Pero que el cliente lo reconociera todavía no equivalía a la producción en masa. Del «sin mapas que puede funcionar» al «sin mapas que puede producirse en masa», ¿cuál fue el problema más difícil que tuviste que resolver personalmente?
Liu Nianqiu:Para mí, el mayor desafío fue la integración y la coordinación sistémicas con el fabricante de vehículos.
En la fase de investigación y desarrollo, usábamos un sistema construido por nosotros mismos; con que el software pudiera ejecutarse en el entorno de desarrollo, ya podíamos realizar pruebas. Pero al entrar en la producción en masa, había que definir con claridad, junto con el fabricante, una gran cantidad de detalles de ingeniería, incluyendo las señales de diagnóstico, la matriz de señales, la fiabilidad de la comunicación del middleware, así como las anomalías y los mecanismos de manejo relacionados con la seguridad funcional.
Además, estaban la garantía de calidad, la gestión de versiones y la conexión con el posventa. Antes, los servicios posventa de los fabricantes estaban más acostumbrados a tratar problemas de avería de algún componente; el diagnóstico de problemas del sistema de conducción inteligente, en cambio, requería que ambas partes se ajustaran mutuamente y establecieran un sistema de diagnóstico posventa correspondiente. Estos trabajos nos hicieron recorrer de manera completa todo un proceso de ingeniería de producción en masa. Además del algoritmo, había una gran cantidad de problemas de sistemas, de calidad y de colaboración que resolver.
Para mí, lo que entonces generaba más presión era abrir paso a todos estos eslabones junto con el fabricante de vehículos, para que las capacidades desarrolladas en investigación entraran realmente en el sistema de producción y entrega en masa.
La «forja» de un emprendedor de inteligencia corporeizada
Canal Zuo Lin You Li: Tu vínculo con la conducción autónoma comenzó, en realidad, mucho antes de lo que mucha gente imagina. Empezaste ayudando a Zhou Guang (fundador y CEO de Yuanrong Qixing) con el hardware de conducción autónoma. ¿Puedes contar esta historia desde el principio?
Liu Nianqiu: Realmente empecé a dedicarme a la conducción inteligente en 2017. En aquel entonces ayudaba a Zhou Guang y otros con el hardware de conducción autónoma; ellos se enfocaban más en el lado del algoritmo y necesitaban colaboración en la parte de ingeniería del hardware. Yo anteriormente había estado emprendiendo en industrialización inteligente, así que muchos de los equipos del principio, como los LiDAR y controladores que iban en el techo del vehículo, los fabricamos nosotros para ellos. 2017 puede considerarse el año en que ya participaba en la conducción inteligente y empecé a entender qué era realmente. En 2019, Yuanrong Qixing obtuvo una de las rondas de financiamiento individuales más grandes del país en ese momento, y me invitó a unirme. Pensé que podía aprender en profundidad, así que entré oficialmente a la industria de la conducción inteligente.
Canal Zuo Lin You Li: Antes de eso, tu trayectoria parecía estar bastante lejos de la conducción autónoma, ¿no?
Liu Nianqiu: Anteriormente emprendí en internet de las cosas, industrialización inteligente y automatización. En Intel, fui responsable del desarrollo de nuevos procesos y nuevos equipos a nivel mundial. Suena diferente, pero la tecnología es esencialmente bastante similar. Detectar materiales y detectar el entorno en una línea de producción requiere sistemas de sensores y luego un sistema de control, lo cual en realidad tiene muchas similitudes con lo que después fue la conducción inteligente.
Canal Zuo Lin You Li: Cuando te incorporaste a Yuanrong, ¿en qué estado estaba aproximadamente la empresa?
Liu Nianqiu: Unas pocas decenas de personas. Básicamente eran personal técnico clave con el que ya había colaborado antes; todos sentían que el proyecto era bueno y que la gente era confiable, así que seguimos adelante.
Canal Zuo Lin You Li: En ese momento, ¿de qué te encargabas específicamente en Yuanrong?
Liu Nianqiu: Hago lo que falta. En aquel momento el equipo central se dedicaba principalmente a la percepción, la planificación y el mapeo y localización, y yo me encargaba del hardware y la ingeniería; al principio, todo el equipo de hardware lo construí yo.
Canal Zuo Lin You Li: ¿Y cuál fue la primera tarea que te asignaron?
Liu Nianqiu: La primera tarea que recibí fue desarrollar un controlador de hardware para la sincronización de los diferentes sensores del vehículo.
En aquel entonces el vehículo utilizaba un lidar mecánico rotatorio, navegación integrada y cámaras industriales, no las cámaras para vehículos que existen hoy. Estos dispositivos provenían originalmente de industrias distintas, cada uno con su propio modo de funcionamiento: el lidar tiene un período de escaneo, la navegación integrada tiene su propia frecuencia y requisitos de temporización, y la cámara tiene condiciones de exposición y disparo. Para usarlos todos en un mismo sistema de conducción autónoma, era necesario hacer que se dispararan en puntos de tiempo específicos y que las marcas de tiempo de los datos capturados estuvieran en una misma línea temporal. La precisión de sincronización exigida en ese momento era superior a 1 milisegundo.
El trabajo que hice con mis propias manos fue, primero, entender bien las características de estos dispositivos y, después, diseñar un sistema de circuitos que se conectara con los distintos tipos de sensores para realizar la interacción y el control de sincronización. Unificar la línea temporal de múltiples dispositivos a nivel de milisegundos. En ese entonces todo el desarrollo de la conducción autónoma se organizaba por módulos: había equipos de percepción, planificación, mapas y localización, cada uno con su función, encargándose del desarrollo de diferentes módulos. Yo me ocupaba principalmente del lado del hardware.
Canal Zuo Lin You Li: Muchos de los primeros miembros centrales de Yuanrong tenían sus funciones definidas, pero parece que tu ámbito no dejó de crecer. ¿Cómo lo lograste?
Liu Nianqiu:Creo que el cambio más decisivo fue pasar del desarrollo de hardware a la entrega externa. Al principio, Yuanrong solo tenía un equipo de I+D. Cuando el producto estuvo listo y comenzamos a trabajar con socios como Dongfeng, hizo falta que alguien se encargara de la modificación de los vehículos, la entrega y las operaciones posteriores. Yo estaba a cargo del desarrollo de hardware, así que la modificación de vehículos y la entrega naturalmente recayeron primero en nosotros. Y mientras lo hacíamos, fuimos asumiendo también la coordinación operativa y la gestión de operaciones. A medida que el negocio avanzaba, también necesitábamos buscar activamente nuevas oportunidades de colaboración, así que mi trabajo se extendió progresivamente a los negocios y el desarrollo comercial. Más tarde, con el giro hacia la producción en serie, mi trabajo abarcó además producto, calidad, datos y posventa.
Canal Zuo Lin You Li: Tu trabajo no dejaba de crecer. ¿Quién te fue encargando todas esas cosas?
Liu Nianqiu:No fue que alguien me entregara un día todo un conjunto de responsabilidades, sino que la empresa llegó a esa etapa y necesitaba que alguien asumiera estas cosas. Yo tenía experiencia previa como emprendedor y me gustaba bastante relacionarme con clientes y socios, así que seguí las necesidades del negocio. Para mí, el proceso de expansión de mis responsabilidades fue, de manera constante, hacerme cargo de lo que viene después de crear la tecnología.
Tras seguir la inteligencia encarnada durante varios años, ¿por qué decidiste emprender ahora?
Canal Zuo Lin You Li: Antes estuviste siempre en la industria de la conducción autónoma, ¿cuándo empezaste a prestarle atención seria a los Physical Agent?
Liu Nianqiu: En 2024. Por aquel entonces, Figure y Unitree H1 empezaron a aparecer con frecuencia en la vista del público, pero lo que se mostraba era sobre todo caminar, subir y bajar escaleras. En aquel momento los robots aún no caminaban con la naturalidad de ahora. A mí siempre me han interesado los robots, así que empecé a observar con bastante seriedad en qué estado se encontraba la industria y hacia dónde iría después.
Canal Zuo Lin You Li: ¿Hasta cuándo consideraste que los Physical Agent empezaban a reunir las condiciones para emprender de verdad?
Liu Nianqiu: Hacia 2025 empecé a sentir que estaba bastante maduro y que se podía empezar a centrarse en completar trabajos. En ese momento dediqué mucho tiempo a leer documentación técnica y a conocer la industria aguas arriba, y descubrí que la ruta del pasado, basada en la acumulación más la optimización del control, se estaba convirtiendo en una inteligencia encarnada verdaderamente impulsada por IA. Antes de finales de 2025, la gente se dedicaba más a hacer exploraciones para tareas específicas. Después de 2026, se empezó a hablar cada vez más de datos heterogéneos, datos diversos y generalización. Entrar demasiado pronto implica gastar muchos recursos en especialización y exploración, lo que no necesariamente genera una acumulación central; entrar demasiado tarde significa que otros ya han formado esa acumulación. En este momento, creo que lo que la gente ha formado es sobre todo conocimiento, todavía no existe una gran diferencia de tiempo.
Canal Zuo Lin You Li: Que la industria entre en un período de ventana es un aspecto; ¿por qué tú mismo decidiste salir justamente en este momento?
Liu Nianqiu: Por un lado, la cadena de suministro ha madurado: al hacer inteligencia encarnada ya no hace falta, como antes, verse limitado por cuerpos muy débiles y por la cadena de suministro, y gastar mucha energía en compensar esas carencias. Por otro lado, todo el paradigma tecnológico y de datos se ha ido aclarando, y se puede empezar a hacer una acumulación real.
Canal Zuo Lin You Li: Ahora también hay empresas de conducción autónoma que hacen inteligencia encarnada, ¿por qué no te quedaste a hacerlo dentro de Yuanrong?
Liu Nianqiu: Lo encarnado requiere una inversión de recursos muy alta, exige muchísima concentración y necesita muchos talentos excelentes. Además, para mí, en Yuanrong ya he recorrido básicamente el camino del 0 al 1, del 1 al 10 y del 10 al 100, y muchos departamentos ya están establecidos y en una etapa de funcionamiento sistematizado. Lo que yo sé hacer, en esa etapa de Yuanrong, ya no puede generar una ventaja diferencial muy grande. Para mí, en lugar de quedarme ahí 'cómodo', prefiero, en un momento en que las condiciones de la industria maduran gradualmente, hacer de nuevo algo que vaya del 0 al 1 y del 1 al 100.
Canal Zuo Lin You Li: ¿Vinieron contigo antiguos colegas de Yuanrong?
Liu Nianqiu: Casi ninguno; básicamente estoy formando el equipo de nuevo. Pero lo que traje de Yuanrong es el know-how del cierre de datos a gran escala, el juicio sobre la tecnología, la ingenierización y la planificación. Con esa experiencia de proyectos, montar un nuevo equipo de inteligencia encarnada tiene una lógica distinta.
Canal Zuo Lin You Li: ¿Cuál crees que es la mayor ventaja de alguien que ha vivido un ciclo completo de conducción autónoma al pasarse a lo encarnado?
Liu Nianqiu: Una experiencia muy importante es la del recorrido del demo a la ingenierización y hasta la verdadera implementación. El ciclo de demos de los robots ya ha entrado aproximadamente en su fase media-tardía, y el siguiente paso será, sin duda, cómo implementarlos.
La llamada implementación no tiene por qué ser inmediatamente la producción en masa, sino pasar de 'se puede ver' a 'se puede usar'. Que logres 1 éxito de cada 10 intentos, o que elijas 1 escenario de 10 donde el rendimiento es bueno para grabar un vídeo, es algo completamente distinto a que el usuario pueda usarlo siempre que venga.
En esta etapa, lo que se observa ya no es solo el límite superior de una capacidad puntual, sino el límite inferior en una serie de escenarios. Otra experiencia es que, cuando el paradigma tecnológico cambia, la organización debe poder girar junto con él.
Para Yuanrong, pasar de mapas a no-mapas fue muy doloroso, porque toda la organización estaba construida en torno a los mapas. Los robots sin duda se enfrentarán en el futuro a problemas similares; la tecnología actual no puede ser el punto final. Y queda, por último, la escala. La ventaja tecnológica finalmente debe convertirse en ventaja comercial, y eso requiere además ecosistema, operaciones y gestión.
Physical Agent no es una herramienta sino un compañero: qué quiere hacer Femoyi
Canal Zuo Lin You Li: Femoyi se define como una empresa de Physical Agent, ¿por qué no usar el término hoy más habitual de Physical AI?
Liu Nianqiu: Physical AI creo que representa una capacidad, no una fuerza productiva. Lo que queremos hacer es un Agent del mundo físico, que, como los agent del mundo digital, ayude a las personas a completar tareas, y las personas también puedan, cuando sea necesario, ayudarle a crecer, para completar las tareas de la vida de las personas y resolver problemas concretos. Debe tener capacidad de decisión en el espacio cognitivo, capacidad de planificación en el espacio de las acciones, capacidad de alineación de detalles en el espacio del contacto, y además memoria. Por eso creemos que se parece más a un Agent. Y la palabra Agent es más directa para el usuario: es algo que me ayuda a trabajar, no un concepto.
Canal Zuo Lin You Li: ¿En qué se centra ahora Femoyi en esta etapa?
Liu Nianqiu: En la implementación en escenarios abiertos y dinámicos. Ahora nadie puede afirmar que cierto modelo sea el punto final, pero sea cual sea el modelo, al final tiene que aprender en el escenario en el que realmente se va a usar para poder trabajar en ese entorno.
Canal Zuo Lin You Li: ¿Por qué no empezar primero por escenarios únicos relativamente cerrados, como fábricas u hoteles?
Liu Nianqiu: Hay que equilibrar el aterrizaje de un producto puntual con la ruta tecnológica a largo plazo. Si en la fábrica pasas el día apretando tornillos, por muy bien que lo hagas, no significa que mañana puedas salir a la calle a repartir comida a domicilio; ahí no existe una capacidad de transferencia natural. Queremos que el Physical Agent esté orientado desde el principio a entornos reales más abiertos, en contacto con todo tipo de personas y escenarios. Hoy puede repartir comida, mañana paquetes y pasado mañana quizá limpiar. En una cafetería puede mover cosas, y en la calle también puede hacer tareas similares. Así, las capacidades que se acumulan tienen una mayor transferibilidad.
Canal Zuolin Youli: Entonces, al proponer «compañero del círculo de vida», en esencia siguen ustedes esa misma lógica?
Liu Nianqiu: Sí. Las distintas personas, en diferentes momentos y lugares, tienen necesidades diferentes. Por ejemplo, hay quien está dispuesto a pagar a alguien para que le saque la basura; al ir a acampar a un parque, hace falta alguien que recoja el campamento; si de repente te apetece un café mientras estás de paseo y no hay ninguno a la venta cerca, hay que enviar a alguien a caminar un largo trecho para comprarlo. Todas estas son necesidades reales. El Physical Agent no tiene por qué estar fijo en un puesto concreto, sino que, dentro de un círculo de vida, ayuda a distintas personas según la demanda.
Canal Zuolin Youli: ¿Por qué llamarlo «compañero» y no simplemente una herramienta?
Liu Nianqiu: Porque en la etapa inicial tampoco es posible que los robots ayuden siempre a las personas por sí solos; las personas también ayudarán a los robots. Si el robot se aleja un kilómetro y no encuentra el camino, el usuario puede decirle por dónde ir a través de sus ojos; al llegar a un restaurante ve muchas bolsas y no sabe cuál es la tuya, y una persona también puede ayudarle a determinarlo. A medida que mejore su capacidad, la proporción en la que necesita ayuda humana será cada vez menor, y la proporción en la que ayuda a las personas será cada vez mayor. Esa relación me parece más propia de un compañero.
Canal Zuolin Youli: Antes de que los robots entren en el círculo de vida, ¿hace falta hacer mapas o un gran despliegue previo, como en los primeros tiempos de la conducción autónoma?
Liu Nianqiu: No. En la conducción inteligente ya ni siquiera usamos mapas de alta precisión, y el Physical Agent menos todavía. Los mapas de alta precisión tienen muchos problemas en sí mismos, sobre todo en escenarios abiertos con mucha gente y un entorno que cambia constantemente, donde es difícil mantenerlos a largo plazo. Seguimos apostando por un enfoque basado en datos, para que el robot evolucione continuamente como lo hace una persona.
Canal Zuolin Youli: ¿Por qué te muestras tan reacio a resolver los problemas rápidamente por medios de ingeniería?
Liu Nianqiu: Creo que este es un punto sumamente crítico de lo AI Native. Antes, en la conducción inteligente se escribían muchísimas reglas, lo cual era muy eficaz cuando los límites eran reducidos. Pero cuando los límites se amplían, cada regla añadida puede afectar a otros escenarios, y es difícil garantizar que todo el sistema siga siendo estable. Si hoy, para aterrizar rápido, se siguen añadiendo reglas de ingeniería, a corto plazo el problema queda resuelto; pero cuando tengas decenas de miles de usuarios, todavía tendrás que mantener continuamente ese sistema, que acabará pasando de ser una ventaja a ser una carga. Por eso debemos seguir la ruta de la IA basada en datos, para que el Physical Agent aprenda y evolucione de manera continua en tareas reales.
Canal Zuolin Youli: ¿Cuál es el ritmo de productos de Feimoyi este año y el próximo año?
Liu Nianqiu: Este año lanzaremos nuestro propio robot físico, junto con una versión de modelo grande, y empezaremos a hacer algunas demostraciones de aplicación práctica. Al mismo tiempo, un trabajo muy importante este año es la recolección inicial de datos; nosotros mismos también contamos con equipos de recolección. El próximo año comenzaremos el despliegue en múltiples puntos, iniciando realmente el circuito cerrado que va de la aplicación práctica a los datos y de vuelta al modelo.
Canal Zuolin Youli: Si el objetivo es que los robots entren en entornos de vida diseñados para personas, ¿por qué el producto tiene que conservar rasgos humanoides marcados?
Liu Nianqiu: Porque queremos que haga todo tipo de trabajos y también que pueda llegar por sí mismo al lugar donde debe trabajar. Así que lo esencial es que tenga dos manos y una cabeza, y que la altura de su visión se acerque a la de una persona. Si el robot es demasiado bajo, siempre verá por debajo de la mesa y no verá la superficie, lo cual es totalmente distinto del punto de vista humano. Además, también debe tener piernas. No hace falta que haga parkour ahora mismo, pero las escaleras y los pequeños obstáculos que una persona común encuentra a diario, debe poder superarlos. En cuanto a si es cuadrúpedo con ruedas o bípedo, cada opción tiene sus ventajas. Las ruedas son más estables y seguras en las primeras etapas y soportan mayor carga; los bípedos ocupan menos espacio y pueden entrar en lugares más congestionados. Nuestro objetivo central no es parecerse a los humanos, sino que pueda entrar en esos entornos y completar tareas como lo haría una persona.
Canal Zuolin Youli: ¿Cuál es la verdadera fosa tecnológica a largo plazo de Feimoyi?
Liu Nianqiu: Lo más esencial sigue siendo la ventaja tecnológica. Dicho de forma simple: que el robot funcione bien. En el pasado, cuando hacíamos conducción autónoma, conseguíamos proyectos esencialmente porque el producto funcionaba bien, y en aquella etapa solo nosotros podíamos ofrecer soluciones sin mapas de alta definición. Con los robots pasa igual. Al final, el usuario tiene que sentir que esta solución realmente le ayuda a resolver sus problemas. A largo plazo seguro habrá muchas empresas que lo logren; nosotros esperamos ser los primeros en lograrlo, convirtiendo la ventaja tecnológica en ventaja comercial.
Para terminar
Liu Nianqiu dijo dos frases que nos dejaron una profunda impresión.
Una es su recuerdo de cuando acababa de incorporarse a DeepRoute.ai, cuando dijo que su estado de ánimo en ese momento era: "lo que falte, eso hago".
La otra es su explicación de por qué, después de haber recorrido ya en DeepRoute el camino del 0 al 1, del 1 al 10 y del 10 al 100, decidió salir de nuevo a emprender: "En lugar de quedarme ahí 'tirado en la playa', preferí, en el momento en que las condiciones de la industria maduran gradualmente, hacer de nuevo algo que vaya del 0 al 1 y del 1 al 100".
Entre las dos frases pasaron muchos años, pero en realidad hablan de lo mismo. Liu Nianqiu parece gusta aparecer siempre cuando algo todavía no ha sido completamente definido.
En sus primeros años en Intel, trabajaba en I+D de nuevos procesos y nuevos equipos; más tarde, en su primera startup, se dedicó al Internet de las Cosas y a la inteligencia industrial, que entonces eran todavía muy incipientes.
En 2017, ayudó a Zhou Guang y a otros con el hardware de conducción autónoma. En ese momento, la conducción autónoma estaba lejos de la madurez actual: un vehículo de prueba cargaba un enorme lidar, cámaras industriales y navegación integrada, y los distintos dispositivos incluso tenían sistemas de tiempo diferentes.
En 2018, se incorporó formalmente a DeepRoute: al principio se encargaba del hardware, luego de la entrega, las operaciones y los negocios, y más tarde, cuando DeepRoute pasó a la producción en masa de soluciones de conducción autónoma, el producto, la calidad, los datos y el posventa también se convirtieron gradualmente en parte de su trabajo.
Muchas personas avanzan profesionalmente profundizando cada vez más en una especialidad; el camino de Liu Nianqiu, en cambio, parece expandir constantemente los límites de sus capacidades.
Al fundar Feimoyi Technology, Liu Nianqiu volvió a elegir un problema muy difícil de definir de antemano en sus límites.
Quiere que los robots entren en zonas comerciales, oficinas y residencias: hoy ayudan a recoger cosas, mañana compran café, pasado mañana quizá van a tirar la basura. El entorno no estará preparado de antemano, y las tareas tampoco serán siempre las mismas.
En cierto sentido, esto se parece mucho a muchas de las cosas que ha hecho en el pasado.
Le preguntamos qué momentos del pasado le hicieron sentir que algo realmente se había logrado. La respuesta de Liu Nianqiu incluyó: 1 que la gente empezara a pedir realmente taxis a Robotaxi y algunas personas se convirtieran en usuarios fieles; 2 que más tarde se concretara la producción en masa en puntos designados, y el sistema llegara de verdad a manos de los usuarios junto con cada coche nuevo.
"En esencia, se trata de que el producto sea reconocido por los demás."
Esto también explica muchos de los juicios de Liu Nianqiu sobre los robots hoy. Más que una demo impresionante de una sola vez, le importa si el robot puede pasar de completar tareas ocasionalmente a estar disponible de forma estable en todo momento.
La comprensión que tiene Liu Nianqiu del espíritu emprendedor es muy simple: no hace falta ser el jefe, sino ver con claridad qué falta en un ecosistema, qué cosas tienen realmente valor, y luego comprobar si uno puede crearlas.
Así que cuando le preguntaron qué le gustaría que fuera Feimoyi dentro de tres años, Liu Nianqiu no habló de cuota de mercado ni dio una cifra grandiosa. Dijo que espera que en muchos lugares haya gente que realmente use sus "compañeros".
Hay personas que destacan por hacer cada vez más grande algo que ya está establecido, y siempre hay quienes prefieren estar cuando las cosas todavía no se han consolidado del todo, y tener el valor de llevarlas a la realidad.
Liu Nianqiu probablemente pertenece al segundo grupo. Leidianwang (cuenta oficial: Leidianwang)
Artículo original de Leidianwang; queda prohibida su reproducción sin autorización. Para más detalles, consulte lasnormas de reproducción。