Apollo World de Baidu simula 100.000 kilómetros al día para entrenar robotaxis

Baidu ha presentado Apollo World, un sistema de inteligencia artificial que crea entornos viales simulados para entrenar robotaxis y anticipa cómo esos entornos cambian con el tiempo. Reuters informó del lanzamiento el 3 de noviembre de 2026. La idea se resume fácil y se ejecuta con dificultad: que el coche aprenda en un mundo que se puede rebobinar, repetir y modificar a voluntad.

Probar en calles reales es lento. Un conductor de seguridad recorre solo ciertas calles al día, y los momentos raros, los que más importan, pueden tardar semanas en aparecer. La simulación da la vuelta a ese problema. Puedes pasar mil veces por el mismo cruce, cambiar el semáforo, añadir lluvia en los datos, mover una furgoneta aparcada unos centímetros y ver qué hace el sistema en cada ocasión.

100.000 kilómetros antes de la cena

Baidu afirma que Apollo World puede generar hasta 100.000 km de conducción simulada al día. Son unas 62.000 millas. La empresa lo expresa de otra manera: equivale, más o menos, a tres años de pruebas reales de un vehículo con conductor de seguridad, comprimidos en un solo día de simulación.

Son cifras de Baidu recogidas por Reuters. Incluso con la cautela habitual ante los números de lanzamiento, la escala explica el atractivo. Los datos de entrenamiento pasan a ser algo que se produce con calendario, no algo que se espera a que el tráfico regale. Un equipo puede decidir un lunes que necesita más conducción nocturna en centros urbanos densos y tener ese material el martes.

Apollo World produce flujos de datos multimodales en tiempo real, como observaciones de cámara y de lidar. Ese detalle vale más de lo que parece. Un sistema de conducción no lee un resumen ordenado de la calle. Lee vistas brutas de sensores, imagen tras imagen, y debe darles sentido mientras llegan. Si la simulación alimenta al sistema con el mismo tipo de entrada que recibiría en una calle real, el aprendizaje se traslada mucho mejor, algo que también se aprecia en esta historia sobre seguros para robotaxis en Revista Minutos.

Ya trabaja dentro de Apollo Go

No es un juguete de laboratorio en busca de su primer cliente. Apollo World ya se usa para entrenar la flota de robotaxis Apollo Go de Baidu con vistas a su operación global. Reuters describe Apollo Go como el mayor operador de robotaxis de China. En ese mismo mercado se citan rivales como WeRide, Pony.ai y Momenta.

Que se use en una flota activa cambia las preguntas. ¿Ayuda una escena simulada a que el coche responda bien en una calle real que nunca ha visto? ¿Acelera el entrenamiento sin enseñar malos hábitos que afloran meses después? Esas respuestas llegan con la operación, con el tiempo, y no con una diapositiva de presentación. La señal alentadora es que Baidu ha metido el sistema directamente en ese circuito real de trabajo.

Por qué es una historia de inteligencia artificial y no solo de coches

Conviene mirar Apollo World como una historia de entrenamiento de inteligencia artificial. El coche es la aplicación. El avance que se vende es el coste y la velocidad de aprender. Entrenar más barato significa cubrir más casos límite. Cubrir más casos límite significa que el sistema, en la práctica, ha visto más mundo antes de que suba su primer pasajero de pago.

La simulación también vuelve el error barato y útil. En una calle real, un fallo es un incidente. En un mundo simulado, un fallo es una lección que se puede repetir a mitad de velocidad, inspeccionar desde arriba y convertir en diez variantes más difíciles. Los buenos equipos quieren miles de esas lecciones. Solo que no las quieren en calles abiertas al público.

Lo que una buena simulación debe acertar

No todos los kilómetros simulados valen lo mismo. Copiar a la perfección una recta vacía enseña poco tras la primera pasada. El valor está en la variedad y en la anticipación: cómo se mueven los demás usuarios de la vía, cómo cambia una escena en los próximos segundos, cómo aguantan las vistas de los sensores cuando cambian la luz y el tiempo. Reuters señala que Apollo World predice cómo evolucionan los entornos. Esa parte predictiva es la que convierte una imagen bonita en una herramienta de entrenamiento.

El realismo de los sensores también cuenta. Las imágenes de cámara necesitan el desenfoque, el brillo y las oclusiones de las calles reales. El lidar necesita retornos creíbles en superficies mojadas, vehículos oscuros y objetos junto a la acera. Si alguna de las dos corrientes se ve demasiado limpia, un modelo puede aprender atajos que fallan fuera del simulador. El énfasis de Baidu en los flujos multimodales sugiere que el equipo lo sabe bien, en la línea de lo que contamos en esta crónica sobre un robot humanoide en un maratón.

El contexto de la carrera

El informe de Reuters aporta contexto útil. XPeng, socio de Volkswagen, planea operaciones de robotaxi en 2027. El campo avanza así en varios frentes a la vez: flotas en calles reales, acuerdos con fabricantes consolidados y ahora una inversión más fuerte en los mundos simulados donde el software aprende.

Para quien sigue la historia, la forma práctica de hacerlo es vigilar cómo las promesas de entrenamiento se convierten en resultados de operación. ¿Cuántas ciudades nuevas? ¿Qué estabilidad muestra el servicio cuando una flota crece? La simulación debería notarse ahí, en silencio, como una preparación más rápida para cada lugar nuevo.

Ideas prácticas para cerrar

Primero, trata la distancia simulada como una cifra de capacidad y no como un veredicto de seguridad por sí sola. Dice cuánta práctica puede generar un equipo. El juicio sigue dependiendo de cómo se diseña esa práctica y de cómo se contrasta con la conducción real.

Segundo, quédate con la idea multimodal si trabajas en cualquier campo de la inteligencia artificial. Entrenar con los mismos tipos de datos que el sistema verá en producción es una lección que viaja bien más allá de los coches, hacia la medicina, la logística y la atención al cliente, como se ve en nuestra cobertura sobre entregas con drones.

Tercero, espera presupuestos de simulación al alza. Cuando un operador puede generar unos tres años de práctica de conducción en un día, sus rivales sienten la presión de igualar ese ritmo o de encontrar una mezcla más inteligente de kilómetros reales y simulados.

Apollo World es, en el fondo, una apuesta clara: la manera más rápida de aprender el mundo real es construir una copia muy buena de ese mundo y practicar en ella sin pausa. Baidu tiene la flota para poner esa apuesta a prueba en público. Eso lo convierte en uno de los lanzamientos de inteligencia artificial con más base de la semana: un trabajo claro, una cifra clara y un sistema que ya está haciendo la tarea.

También publicado en: