En su discurso en Davos al inicio de este año, Musk reiteró nuevamente esa profecía altamente provocativa: en el futuro, habrá más robots que humanos en la Tierra.

Claramente, la IA y los robots prácticamente ya son los dos únicos temas tecnológicos a nivel mundial: uno es la inteligencia artificial general que se acerca constantemente al punto crítico de la AGI, y el otro son los robots que están saliendo de los laboratorios y tratando de asumir completamente el trabajo físico humano. Del mismo modo, además del concepto de IA, la industria de las criptomonedas también ha centrado este año su atención en la inteligencia encarnada. A continuación, los proyectos destacados en la categoría Robotic.

OpenMind

El 4 de agosto de 2025, según un comunicado oficial, la empresa de infraestructura de máquinas inteligentes con sede en Silicon Valley, OpenMind, anunció la finalización de una ronda de financiación de 20 millones de dólares, liderada por Pantera Capital, con la participación de varias instituciones y múltiples inversores ángeles reconocidos, incluidas Ribbit, Sequoia China, Coinbase Ventures, DCG, Lightspeed Faction, Anagram, Pi Network Ventures, Topology, Primitive Ventures y Amber Group.

OpenMind ayuda a los robots a pensar, aprender y trabajar mediante el desarrollo de software de código abierto. El sistema operativo nativo de código abierto para robots de IA, OM1, permite configurar y desplegar Agentes de IA en el mundo digital y en el mundo físico. Los usuarios pueden crear un agente de IA y ejecutarlo en la nube o en un robot físico en el mundo real.

En términos sencillos, OpenMind desarrollar OM1 es como crear el «cerebro de IA» para un robot. Este «cerebro de IA» puede funcionar con múltiples Agentes de IA que colaboran, interactuar con varios LLM y obtener datos de múltiples fuentes para realizar tareas (por ejemplo, publicar contenido en redes sociales para los usuarios). Al ser OM1 de código abierto, también se convierte en un sistema operativo robótico altamente adaptable, independiente del hardware, al estilo del sistema Android en los teléfonos móviles.

Además, OpenMind cuenta con una red de identidades de robots en cadena llamada FABRIC, diseñada para permitir que humanos y robots compartan una capa de confianza verificable. Los humanos pueden ganar insignias al compartir datos de ubicación mediante mapas, evaluar el comportamiento de los robots y desarrollar, mientras que cada robot equipado con el sistema OM1 se une a la red FABRIC, adquiriendo una identidad única y verificable, lo que permite rastrear en la cadena las órdenes, los registros de operación, la propiedad y otros comportamientos relacionados del robot.

En diciembre de 2025, OpenMind anunció conjuntamente con el emisor de stablecoins Circle la implementación de un sistema de pagos autónomos basado en el protocolo x402. A medida que las capacidades de los robots aumenten, ya no serán simplemente herramientas para ejecutar tareas, sino que comenzarán a desempeñar el papel de economías autónomas. Necesitarán comprar capacidad de cómputo, datos, habilidades e incluso contratar a otros robots o humanos para completar tareas complejas.

CodecFlow

CodecFlow ofrece una plataforma unificada que permite ejecutarse sin interrupciones en la nube, en el borde, en escritorio y en hardware robótico, mientras admite las API actuales populares y los sistemas tradicionales. La plataforma normaliza las entradas de sensores robóticos diversos en un formato común y moduliza los módulos de acción robótica más complejos, permitiendo que los equipos de desarrollo o los usuarios no necesiten diseñar robots desde cero, y permitiendo que la percepción, la toma de decisiones y el control entre robots se influyan mutuamente a través de la red, en lugar de ser fragmentados o específicos de hardware en plataformas aisladas.

Los operadores impulsados por IA responden a los cambios en la interfaz de usuario del software o en el entorno de los robots mediante percepción e inferencia en tiempo real, superando la vulnerabilidad de los procesos tradicionales de automatización robótica, que dependen excesivamente de scripts preescritos y se rompen ante incluso los más mínimos cambios. En resumen, capturan capturas de pantalla, imágenes de cámaras o datos de sensores, procesan estos datos de entrada externa con IA para interpretar observaciones o instrucciones, y finalmente ejecutan decisiones mediante interacciones con la interfaz de usuario.

Peaq

El 27 de marzo de 2025, el protocolo DePIN Layer1 Peaq completó una ronda de financiación de 15 millones de dólares, liderada por Generative Ventures y Borderless Capital, con participación de Spartan Group, HV Capital, CMCC Global, Animoca Brands, Moonrock Capital, Fundamental Labs, TRGC, DWF Labs, Crit Ventures, Cogitent Ventures, NGC Ventures, Agnostic Fund y Altana Wealth.

Aunque la narrativa inicial se centraba en DePIN, peaq lanzó en septiembre del año pasado el Robotics SDK, que permite a los robots obtener identidades autónomas, realizar pagos y recibirlos, verificar datos y conectarse a la economía en cadena. Ahora, cualquier robot compatible con el sistema ROS2 puede unirse a la economía de peaq y utilizar sus estándares universales para comerciar con humanos u otros robots.

Además, peaq lanzó el año pasado en DualMint un proyecto de RWA de robots llamado «RoboFarm», donde establecieron una granja de robots en Hong Kong, logrando la automatización del 80% de la producción agrícola mediante robots. La lechuga, espinacas y col rizada cultivadas se venden en Hong Kong. El rendimiento anual estimado para los titulares de NFT es de aproximadamente el 18%.

Axis Robotics

Axis Robotics se dedica a construir la infraestructura distribuida de escalamiento para la inteligencia encarnada (Physical AI). Creen firmemente que el enfoque "Simulation First" es la mejor vía para superar las limitaciones de escasez de datos y generalización de modelos en robótica, logrando un salto triple en calidad, riqueza y escala de datos mediante la recopilación a bajo costo y gran escala, junto con su motor exclusivo de aumento de datos. Al mismo tiempo, cada activo de datos posee una trazabilidad confiable en la cadena (On-chain Provenance), construyendo colectivamente el depósito central de combustible para la evolución de la inteligencia robótica general (RGI).

Axis ha revolucionado la forma de proporcionar datos de entrenamiento para robots. Otros proyectos del mercado que "ingresan/proveen datos de entrenamiento para robots" suelen movilizar a los usuarios para que graben y carguen videos de sí mismos realizando acciones específicas en el mundo real mediante dispositivos como teléfonos móviles o gafas inteligentes, con el fin de lograr una participación global y de bajo umbral. Aunque este método tiene un costo bajo para la recopilación de datos, la fidelidad física de los videos recopilados es insuficiente, carecen de información de profundidad y no garantizan la continuidad ni la precisión de los datos 3D.

A través de la «simulación por computadora», Axis resuelve este punto doloroso: en un entorno de simulación, permite que el modelo complete tareas incluso bajo condiciones virtuales más exigentes, mediante una gran variedad de escenarios simulados (iluminación, ángulos, fricción, dinámica, etc.), logrando así una potente capacidad de generalización. Axis utiliza una Estrategia Híbrida, combinando datos reales escasos con una gran cantidad de datos sintéticos. Mediante técnicas de mejora de metadatos aceleradas por GPU, se logran numerosas variaciones en la iluminación, texturas y propiedades físicas de un solo escenario. Los escenarios virtuales no son fijos ni codificados estáticamente, sino que pueden ajustarse con flexibilidad. Con código se pueden generar innumerables escenarios, sometiendo a los robots a desafíos más rigurosos y completos según los requisitos de cada escenario. El costo de generar estos escenarios es bajo, al tiempo que se produce una cantidad masiva de datos; la eficacia de este enfoque —utilizar grandes volúmenes de datos para converger hacia la solución óptima— ha sido parcialmente validada por múltiples gigantes como Google y NVIDIA.

El primer proyecto de aprendizaje por simulación de robot abierto a la comunidad por Axis, «Little Prince's Rose», ya se ha completado. En el proyecto «Little Prince's Rose», los usuarios, a través de una página web, lograron que un robot realizara con éxito una acción de regar plantas en un entorno simulado; mediante la recopilación y análisis de las operaciones de los usuarios, el robot aprendió a regar. Los usuarios pueden realizar operaciones remotas sobre el robot a través de una página web, manteniendo así el bajo costo y la baja barrera de entrada del método de carga de videos, mientras se construye un modelo base nativo 3D-aware VLA (Vision-Language-Action) para el robot, dotándolo de la capacidad de razonamiento espacial tridimensional que carecen los canales de entrada de datos de video.

Solo cinco días después del lanzamiento del proyecto «Little Prince's Rose», usuarios comunes sin experiencia en la industria de robots a nivel mundial contribuyeron con miles de trayectorias de alta calidad, útiles para el entrenamiento de estrategias, a través de una experiencia divertida. Con base en estos datos, Axis logró entrenar un modelo de estrategia y replicar con éxito el brazo robótico Franka en condiciones reales. Esto marca que Axis ha completado el ciclo completo de «generación de tareas -> recolección comunitaria -> mejora de datos -> entrenamiento del modelo -> despliegue en hardware real».

1 hora de datos reales puede convertirse en 1000 horas de datos de entrenamiento; este apalancamiento de eficiencia reduce significativamente el costo necesario para la generalización del modelo del robot.

Durante la prueba Beta del Año Nuevo Lunar, también en solo 5 días, 18.000 participantes sin experiencia en la industria de robots completaron 27 tareas completamente nuevas en Axis, aportando más de 100.000 trayectorias de datos. La prueba respaldó con éxito una alta aleatorización dentro de las tareas y validó la compatibilidad con múltiples tipos de activos, como robots con ruedas y robots braquiales.

El producto principal de Axis se lanzará oficialmente a finales de marzo, y se planea abrir el código fuente a finales de abril o principios de mayo el conjunto de datos de simulación puro más grande del mundo basado en el brazo robótico Franka, completamente adecuado para el entrenamiento de estrategias y modelos. Al mismo tiempo, como un proyecto de robótica que parte de Crypto-AI, Axis ya ha comenzado a explorar y avanzar en la implementación industrial externa, acelerando el proceso de comercialización en torno a clientes referentes en varios segmentos específicos: colabora con una empresa automotriz para implementar soluciones de automatización en los procesos de producción; ha alcanzado un consenso de cooperación con una empresa de capacidad de cómputo casi en fase de IPO en las áreas de activos virtuales y modelos del mundo; y ha establecido colaboraciones profundas con múltiples empresas de cuerpos físicos en etapas clave como la recopilación de datos de simulación virtual y el entrenamiento de modelos. Todo esto refleja la rara externalidad de un proyecto Crypto.

GEODNET

Red descentralizada que proporciona datos de posicionamiento en tiempo real con precisión de centímetros para drones, robots y otros dispositivos, con más de 21.000 estaciones base activas en más de 150 países. Durante el último año, el proyecto generó ingresos superiores a 7 millones de dólares y ha mostrado una tendencia de crecimiento trimestral.

Aunque este proyecto se clasifica principalmente como DePIN, se espera que la demanda de datos de localización en tiempo real de alta precisión se amplíe a medida que la robótica se adopte más ampliamente en la vida real. En febrero de 2025, Multicoin anunció que lideró la adquisición de tokens $GEDO por un valor de 8 millones de dólares de la fundación GEODNET.

BitRobot

BitRobot Network fue desarrollado conjuntamente por FrodoBots Lab y Protocol Labs con el objetivo de lograr el trabajo y la colaboración distribuidos de robots. Sus componentes clave incluyen: Robot Work Verifiable (VRW), una métrica cuantificable para la definición y verificación de tareas de robots y la recompensa de la red; Device Node Tokens (ENT), identificadores únicos de los robots dentro del sistema en forma de NFT, que gestionan la propiedad del dispositivo y el acceso a la red; y subredes, que actúan como capa de ejecución de tareas, creando valor para la red BitRobot mediante agrupaciones de recursos.

On February 14, 2025, FrodoBots Lab announced the completion of a $6 million seed round, bringing total funding to $8 million.

FrodoBots Lab también vende robots, Earth Rovers son como Mario Kart en la vida real, con un precio de 249 dólares, y los jugadores controlan remotamente sus robots a través del navegador en un juego de búsqueda global llamado ET Fugi, cuyos datos se utilizan para que los investigadores implementen y prueben sus modelos más recientes de navegación por IA. ET Fugi también es la primera subred de BitRobot.

Otro robot de juego, Octo Arms, también se lanzará en el futuro, permitiendo a los jugadores controlar remotamente brazos mecánicos para completar diversos juegos de rompecabezas 3D y competencias.

El concepto de «subred» en esta red de robots es algo abstracto; en términos sencillos, cualquier clúster que contribuya al ecosistema general de la red (o los proyectos/ eventos específicos que el clúster realice) es una subred, como el juego ETFugi mencionado anteriormente y SeeSaw lanzado por Virtuals.

SeeSaw

La subred número 5 de BitRobot, una aplicación de compartir datos de entrenamiento de robots lanzada por Virtuals en octubre del año pasado. En SeeSaw, los usuarios graban videos de sus actividades diarias, cargan las tareas completadas para recibir recompensas. Estos datos de video, provenientes de usuarios de todo el mundo, incluyendo acciones cotidianas como atarse los zapatos o doblar la ropa, se utilizarán para entrenar robots.

Auki

La red de percepción descentralizada de Auki, Posemesh, conecta humanos, dispositivos e IA, y su núcleo es una arquitectura DePIN (red descentralizada de entidades físicas) que permite a dispositivos como robots y gafas de realidad aumentada compartir en tiempo real datos de ubicación y sensores, construyendo así una comprensión espacial colaborativa del mundo físico que puede proporcionar una visión espacial compartida para robots, realidad aumentada e IA.

Se han diseñado varios roles de nodos basados en el protocolo Posemesh. Los nodos de cálculo proporcionan potencia de procesamiento, los nodos de movimiento (terminales robóticos) cargan información de ubicación y datos de sensores, los nodos de reconstrucción generan modelos de mapas 3D a partir de estos datos, y los nodos de dominio gestionan el espacio 3D. Cada nodo recibe incentivos en tokens $AUKI según su contribución, impulsando una red de visión machine autoevolutiva.

Esta red enfatiza la protección de la privacidad, evitando que una sola entidad monitoree el espacio privado de los usuarios, y puede aplicarse en múltiples escenarios, como retail (optimización de la disposición de productos), gestión de propiedades (seguimiento de activos), navegación en ferias y exposiciones, y reformas arquitectónicas, entre otros.

Su plataforma de cálculo espacial Cactus AI ya ha iniciado pruebas activas con Toyota Material Handling y el supermercado sueco Stora Coop.

XMAQUINA

DAO que permite a los inversores minoristas participar en empresas de robótica. Esta DAO recaudó 10 millones de dólares mediante la venta por lotes de sus tokens $DEUS. Actualmente, la DAO ha utilizado los fondos obtenidos en las subastas para adquirir acciones en seis empresas del sector robótico: Apptronik, Figure AI, Agility Robotics, 1X Tech, NEURA Robotics y Robotico. Algunas de estas inversiones ya han comenzado a generar ganancias, con rendimientos individuales que superan el 100%.

PrismaX

El 17 de junio de 2025, PrismaX anunció la finalización de una ronda de financiación de 11 millones de dólares, con inversionistas que incluyen a a16z CSX, Volt Capital, Blockchain Builders Fund, Stanford Blockchain Accelerator y Virtuals.

PrismaX construye una capa de coordinación abierta que conecta operadores remotos, usuarios de robots y empresas de robots. Los operadores pueden conectarse con usuarios, controlar remotamente robots para completar tareas reales, al mismo tiempo que recopilan datos de valor. También pueden solicitar servicios reales como logística y publicidad.

PrismaX también cuenta con un protocolo para operadores remotos de robots, donde las empresas pueden buscar operadores de robots experimentados capaces de realizar tareas complejas. Los operadores pueden optar por apostar tokens de la red para aumentar su confianza y mejorar sus oportunidades de obtener tareas con altos rendimientos. Los rendimientos recibidos por los apostadores no solo dependen de la cantidad apostada, sino también de la calidad de su trabajo, y reciben recompensas adicionales a medida que aumentan su eficiencia.

Los datos recopilados mediante operaciones remotas se utilizarán para entrenar robots y mejorar su autonomía, lo que aumentará la eficiencia de los operadores remotos y logrará finalmente una alta, o incluso total, autonomía de los robots.

Agentes NRN

NRN se desarrolló a partir del juego blockchain en tiempo real AI Arena, basado en la competencia de agentes de IA. El 28 de octubre de 2021, el desarrollador ArenaX Labs anunció la finalización de una ronda de financiación semilla de 5 millones de dólares, liderada por Paradigm Capital y con la participación de Framework Venture Partners. El 9 de enero de 2024, ArenaX Labs anunció la finalización de una nueva ronda de financiación de 6 millones de dólares, liderada por Framework Ventures, con la participación de SevenX Ventures, FunPlus/Xterio y Moore Strategic Ventures, entre otros.

Aunque también sigue en general el proceso de recopilar datos para fortalecer el aprendizaje de los robots, NRN, aprovechando su amplia experiencia en el ámbito de los juegos, ofrece una experiencia basada en navegador que convierte la recopilación de datos de robots en un juego, permitiendo a los usuarios controlar directamente robots simulados a través del navegador. Durante el juego, los datos de comportamiento generados por las acciones del usuario se utilizan para entrenar sistemas de robots del mundo real.

En esta fase, el proyecto se centrará en el brazo mecánico (RME-1) para validar la recopilación de datos, el aprendizaje en tiempo real y la adaptabilidad.

Haz clic para conocer los puestos disponibles en BlockBeats

¡Bienvenido a la comunidad oficial de律动 BlockBeats!

Grupo de suscripción de Telegram: https://t.me/theblockbeats

Grupo de Telegram: https://t.me/BlockBeats_App

Cuenta oficial de Twitter: https://twitter.com/BlockBeatsAsia