XPeng Motors anunció el 22 de octubre que su modelo VLA de segunda generación se ha actualizado y ya se ejecuta en el propio dispositivo (on-device) del robot humanoide IRON. Tras la mejora, IRON vuelve a razonar cada 0,2 segundos a partir de la imagen que tiene delante y, a la vez, predice cómo cambiarán sus movimientos en los 6 segundos siguientes.
XPeng resume el avance así: el mes pasado, el VLA de segunda generación empezó a entender el «tiempo»; este mes, aplicado a IRON, empieza a entender «tu próximo movimiento».
Cuando el otro cambia de jugada
La demostración oficial se centra en la interacción a corta distancia. IRON puede estrechar la mano, chocar los puños y chocar las palmas con una persona, y si esta cambia de gesto sobre la marcha, se adapta: si la mano extendida se cierra de pronto en un puño, pasa a chocar los puños; si el punto del choque de palmas se desplaza, cambia de mano para acompañarlo.
Según la descripción de XPeng, IRON observa de forma continua, juzga en tiempo real y se ajusta sin pausa, sin necesidad de terminar toda una secuencia de movimientos antes de reaccionar. Sobre la dificultad de este tipo de escenarios, el reportaje de ITHome lo resumió con una frase muy directa: «las personas no juegan al ritmo del robot».
Con el método tradicional, el robot primero reconocía un gesto y luego ejecutaba la secuencia completa correspondiente; mientras la ejecutaba, apenas percibía los cambios del exterior, como si estuviera «ciego». Al subir la frecuencia de reinferencia, el movimiento se corta en fragmentos muy cortos y cada uno puede corregirse con la imagen más reciente.
Las cifras de 0,2 y 6 segundos
Si se miran juntas las dos cifras, se puede calcular a grandes rasgos el compás del sistema. Una reinferencia cada 0,2 segundos son 5 por segundo; dentro de la ventana de predicción de 6 segundos, el modelo se invoca de nuevo unas 30 veces, y en cada una actualiza su estimación de los próximos segundos y toma de ella solo el tramo más inmediato para ejecutarlo.
La ventana de predicción es mucho más larga que el fragmento que se ejecuta. La ventaja es que el movimiento no va a tirones y el robot sabe que está dentro de una acción más larga; el inconveniente es que cada inferencia debe completarse en 0,2 segundos, un límite que condiciona tanto el tamaño del modelo como la capacidad de cálculo en el dispositivo. XPeng no ha revelado el número de parámetros del VLA de segunda generación desplegado en IRON ni ha ofrecido la distribución medida de la latencia de inferencia.
Como referencia humana, el tiempo de reacción simple ante un estímulo visual ronda los 0,2 segundos. El intervalo de reinferencia de IRON está en el mismo orden de magnitud y, a primera vista, basta para interacciones de velocidad moderada como un apretón de manos o un choque de palmas. Si ese compás de 0,2 segundos serviría para acciones más rápidas, como golpear un objeto que viene volando o atrapar algo que se lanza, es algo que esta demostración no mostró.
El despliegue en el dispositivo también tiene su miga: la inferencia se hace en el propio cuerpo del robot, sin depender de idas y vueltas a la nube, de modo que las fluctuaciones de la red no ralentizan directamente la reacción; el precio es tener que encajar el modelo en los chips del interior del cuerpo.
La base de hardware de IRON
XPeng presentó IRON en su Tech Day del 5 de noviembre de 2025. El cuerpo incorpora una columna que imita la humana, músculos biónicos y una piel flexible que lo envuelve por completo; la cabeza es una pantalla 3D curva, los hombros tienen estructura biónica y la mano diestra cuenta con 22 grados de libertad.
En computación lleva 3 chips de IA Turing desarrollados por la propia XPeng; en software combina VLT, VLA y VLM, que sostienen el diálogo, la marcha y la interacción. El VLA de segunda generación se construye sobre la misma base de IA física de XPeng; según la versión oficial, el mes pasado se añadió primero la comprensión del «tiempo» y este mes ha llegado a IRON.
Calendario de producción en serie
El plan de XPeng es alcanzar la producción en serie de robots humanoides a finales de 2026 y comenzar las entregas en la primera mitad de 2027, primero en escenarios comerciales como tiendas y centros comerciales, y después en la industria y los hogares.
Esa misma semana, Unitree presentó el robot humanoide H2-X, cuya autonomía máxima, según la compañía, ronda las 8 horas; el ritmo de lanzamientos de humanoides en China sigue siendo intenso. Las demostraciones de cada fabricante se parecen cada vez más a interacciones cotidianas, pero si tras la producción en serie los robots mantendrán la misma rapidez de reacción entre gente real, XPeng no ha publicado por ahora ningún dato de pruebas en exteriores; eso solo se verá cuando los primeros robots lleguen a las tiendas.
Fuentes: comunicado oficial de XPeng Motors, ITHome, CocoLoop; se contrastó lo publicado por XPeng sobre el intervalo de reinferencia, la ventana de predicción y el plan de producción y entrega en serie.