Rika Antonova, profesora asociada de la Universidad de Cambridge, participó el 16 de octubre de 2026 en un pódcast de robótica para hablar sobre el uso de la inteligencia artificial para desarrollar de forma conjunta el hardware y los algoritmos de los robots. La conversación, con la presentadora Claire, fue el episodio 166 de una serie semanal. Se centró en el codiseño de robots: concebir el cuerpo de una máquina y su software de control como un único problema, y no como dos.
La descripción publicada del episodio es breve. Indica el tema y la trayectoria de la invitada, pero no informa de resultados, experimentos ni robots concretos. Este artículo expone lo que se afirma y lo que el tema implica para el sector.
La idea de diseñar cuerpo y cerebro a la vez
El episodio se planteó en torno al desarrollo de hardware y algoritmos de robots que se complementan. La palabra «complementarios» es importante: implica que la forma física y el software se eligen para encajar entre sí, en lugar de fijar primero uno y adaptar después el otro.
Entre los intereses de investigación de Antonova figura el codiseño, que es el tema de la conversación. El título del episodio alude a la evolución de cuerpos y cerebros de robots, lo que apunta a un enfoque en el que ambas partes cambian a lo largo del proceso de diseño. La descripción no precisa qué métodos se trataron, qué robots intervinieron ni qué se midió.
La invitada y su investigación
Antonova es profesora asociada en la Universidad de Cambridge. Sus intereses de investigación declarados son el codiseño, el descubrimiento automatizado de algoritmos, el aprendizaje por refuerzo eficiente en datos, la exploración, el aprendizaje activo y la robótica.
Varios de estos intereses están muy relacionados. El descubrimiento automatizado de algoritmos apunta a usar la computación para encontrar métodos de control en vez de escribirlos a mano. El aprendizaje por refuerzo eficiente en datos remite a aprender comportamientos con poca experiencia. La exploración y el aprendizaje activo tratan de cómo un sistema decide qué probar o qué datos recopilar a continuación. La descripción no vincula estos temas con proyectos concretos, así que cualquier conexión con su trabajo de codiseño es una inferencia a partir de la lista y no un hallazgo documentado.
Su formación abarca varias instituciones. Cursó un máster de investigación en el Instituto de Robótica de la Universidad Carnegie Mellon y un doctorado en el Real Instituto de Tecnología KTH. Después disfrutó de una beca Computing Innovation Fellowship en la Universidad de Stanford. Antes de eso trabajó como ingeniera de software sénior en Google.
Dónde encaja el episodio en la serie
La serie se presenta como un pódcast semanal sobre robótica, inteligencia artificial y máquinas autónomas. El episodio 166 siguió al 165, en el que Claire conversó con Kushant Patel, del Laboratorio Nacional de Brookhaven, sobre robots que trabajan en instalaciones científicas como los aceleradores de partículas. El episodio 167, publicado una semana después del de Antonova, presenta a Jan Petrš, de la École Polytechnique Fédérale de Lausanne, que habla de diseños novedosos de robots para la construcción y la arquitectura.
En conjunto, los tres episodios abarcan robots en centros de investigación, robots diseñados mediante IA y robots concebidos para obras. Dos de los tres tratan de cómo se elige la forma de un robot para una tarea concreta.
Qué significa esto para el sector
Los datos disponibles son limitados, así que el análisis que sigue se apoya en el tema y en los intereses declarados de la invitada, no en resultados publicados.
El codiseño de robots aborda una división estructural real en la robótica. El hardware y el software suelen desarrollarlos equipos distintos con plazos distintos. Un algoritmo de control se ajusta entonces a un cuerpo que ya existe, y ese cuerpo conlleva decisiones de diseño que pueden limitar lo que cualquier algoritmo es capaz de hacer. Tratar ambos como un único problema de búsqueda es una respuesta a esa limitación. El planteamiento del episodio, hardware y algoritmos complementarios, apunta a esta motivación.
La combinación con el aprendizaje por refuerzo eficiente en datos es lógica, aunque la descripción no la confirma. Buscar a la vez entre cuerpos y controladores multiplica el número de candidatos que hay que evaluar. Si cada evaluación exige hardware físico, el coste crece con rapidez. Por tanto, los métodos que aprenden con menos datos importarían más en un contexto de codiseño que en uno de cuerpo fijo. Se trata de una relación lógica entre dos de sus intereses, no de un resultado documentado.
La comparación con otros trabajos está limitada por lo que ofrece la fuente. La descripción no menciona ningún banco de pruebas, prototipo ni enfoque rival, de modo que no se puede saber cómo rinden sus métodos frente a robots diseñados a mano o frente a otros esfuerzos de diseño automatizado. El episodio vecino sobre robots de construcción plantea la misma cuestión desde el lado de la aplicación: cuando una tarea es inusual, un cuerpo a medida puede ayudar, pero alguien tiene que decidir cómo es ese cuerpo.
Varios puntos siguen sin demostrarse con la evidencia disponible. La descripción no dice si se han construido y probado robots codiseñados, hasta qué punto los diseños hallados en simulación se trasladan a máquinas físicas, ni cuánta capacidad de cálculo requiere una búsqueda determinada. Tampoco ofrece plazos para que alguna técnica llegue a los productos. Conviene tomar el episodio como una declaración de línea de investigación de una académica de Cambridge con experiencia en la industria y en investigación robótica, no como prueba de que el enfoque esté validado.
Lo que sí puede afirmarse es que la pregunta está bien definida y que la trayectoria de la invitada encaja con ella. Su recorrido va de la investigación en robótica en Carnegie Mellon, pasando por un doctorado, una beca en Stanford y la ingeniería de software en Google, hasta una plaza docente en Cambridge. La conversación completa es donde se encontrarían los detalles concretos, y son esos detalles los que el sector necesitaría para juzgar si diseñar cuerpos y cerebros a la vez puede superar a diseñarlos por separado.