Una startup de 17 personas con oficinas en París y San Francisco afirma haber dedicado los últimos 18 meses a enseñar a dos Tesla Model 3 equipados con cámaras a conducir utilizando una fracción de los datos, capital e infraestructura informática que requieren sus competidores más grandes. El 15 de diciembre, la empresa HyprLabs presentó formalmente HYPRDRIVE, una arquitectura de inteligencia artificial que aprende directamente del mundo real, posicionando el software como una ruta más rápida hacia vehículos autónomos seguros.
Apenas cinco años después del primer colapso de la industria, HyprLabs plantea un enfoque sin «prejuicios previos» que cree puede cerrar la brecha entre demostraciones de laboratorio e implementación comercial. Liderada por Tim Kentley-Klay, quien cofundó Zoox (adquirida por Amazon) antes de su partida en 2018, la empresa ha recaudado solo 5,5 millones de dólares desde 2022. Sin embargo, sus ejecutivos sostienen que su hardware compacto y régimen de entrenamiento novedoso podrían permitirles licenciar sistemas de conducción autónoma a fabricantes de automóviles y empresas de robótica que carecen de los miles de millones invertidos por los actores establecidos.
Los resultados iniciales apuntan a una hoja de ruta poco convencional. Los dos vehículos de HyprLabs, cada uno equipado con cinco cámaras adicionales y una supercomputadora del tamaño de la palma de la mano, han acumulado aproximadamente 4.000 horas de conducción supervisada por humanos en San Francisco, o cerca de 65.000 millas, según cifras internas. De ese total, 1.600 horas se utilizaron para entrenar el sistema en tiempo real, un proceso que la empresa denomina «aprendizaje en tiempo de ejecución». Al enviar solo fotogramas novedosos a sus servidores, HyprLabs evita los petabytes de almacenamiento y trabajo de anotación que pesan sobre competidores como Waymo y Cruise.
Conducción sin excesos
Al anunciar su salida del sigilo, HyprLabs afirmó que HYPRDRIVE «aprende directamente de la realidad», prescindir de reglas codificadas a mano o conjuntos de datos extensamente etiquetados previamente comunicado de prensa de Morningstar. La empresa sostiene que una red neuronal basada en transformers, inicializada con solo un modelo de inicio mínimo, puede adaptarse sobre la marcha cuando el automóvil encuentra nuevas situaciones. Kentley-Klay explicó a Wired que el aprendizaje en tiempo real permite iteración «ultrarrápida» y mantiene las demandas informáticas lo suficientemente bajas como para caber en un paquete de chip «irrazonablemente pequeño» Wired.
La arquitectura sitúa a HyprLabs en medio de una división filosófica de larga data en el diseño de vehículos autónomos. Un bando, encabezado por Tesla, depende casi exclusivamente de cámaras y redes neuronales de extremo a extremo. Otro, liderado por Waymo y Cruise, superpone lidar, radar y mapeo de alta definición sobre datos visuales anotados, argumentando que la redundancia es esencial para la seguridad. HyprLabs adopta la postura de prioridad de cámaras por razones de costo y peso, pero toma prestada de la escuela multisensorial la idea de que los modelos deben reconocer conceptos estructurados, como una bicicleta o un bordillo, antes de extraer conclusiones sobre cómo actuar.
Su innovación reclamada es permitir que el modelo forme esos conceptos mientras el automóvil ya está en movimiento. Durante conducciones supervisadas, el sistema registra lo que nunca ha visto, agrega ese fragmento de realidad a su dieta de entrenamiento y descarta el resto. «Es la diferencia entre mover una manguera de incendios y cargar una cantimplora», bromeó un ingeniero durante una demostración reciente.
Recursos frente a ambición
La presencia de HyprLabs es deliberadamente modesta: ocho empleados a tiempo completo, nueve colaboradores a tiempo parcial y oficinas en dos ciudades. Esa configuración ha obligado a tomar decisiones difíciles. La startup aún no realiza pruebas sin conductor de seguridad e impide que los automóviles naveguen el tráfico del centro sin asistencia. En cambio, los ingenieros pilotan los vehículos a través de circuitos controlados o corredores de tráfico ligero, observando errores que el modelo puede corregir posteriormente.
Aun así, Kentley-Klay es abierto sobre la magnitud del desafío que enfrenta. «No puedo afirmar con certeza que esto tendrá éxito, pero lo que tenemos es una base muy prometedora», comunicó al personal durante una reunión general en noviembre. El plan es expandir la flota en 2024, integrar radar de bajo costo para percepción de profundidad y buscar validación de terceros de un auditor de seguridad independiente. La empresa también está negociando sus primeros acuerdos de licencia, con la esperanza de suministrar HYPRDRIVE a empresas que construyen robots de entrega y equipos industriales.
Contexto de la industria
El debut de HyprLabs llega en un momento de optimismo cauteloso para vehículos autónomos. Los robotaxis ya reciben pagos en Phoenix, San Francisco y Los Ángeles, y BMW, Mercedes-Benz y Honda están implementando sistemas de carretera sin manos. Sin embargo, contratiempos recientes de alto perfil, como la suspensión del permiso de California de Cruise tras una colisión con peatones en octubre, han subrayado la dificultad de demostrar que el software puede superar a los conductores humanos en entornos urbanos caóticos.
La inversión de riesgo refleja esa ambigüedad. Los flujos de capital hacia startups estadounidenses de vehículos autónomos cayeron a 4.000 millones de dólares en 2023, desde un pico de 17.000 millones en 2021, según PitchBook. Las inversiones más pequeñas favorecen proyectos especializados: tractores de patio, remolques de almacén o herramientas de mapeo. La ronda semilla de 5,5 millones de dólares de HyprLabs se sitúa cuadrado en esa tendencia. Los partidarios ven una oportunidad para construir «cerebros» que otros puedan integrar; los escépticos señalan que los ingresos por licencias dependen de cumplir umbrales de seguridad rigurosos y aprobaciones regulatorias.
Enfoque técnico
Dentro de HYPRDRIVE, el modelo central es un transformer entrenado inicialmente en un conjunto de datos curado de escenarios viales comunes. Cada milla supervisada genera feeds de video a 30 fotogramas por segundo; el hardware en el borde realiza inferencia de primer paso para decidir si un fotograma es novedoso. Aproximadamente el 5 por ciento del metraje, según dicen los ingenieros de la empresa, se selecciona y se cifra para carga en la nube. Durante la noche, clusters en París reentrena el modelo; los pesos actualizados se envían de nuevo a los automóviles la mañana siguiente.
HyprLabs afirma que el sistema ahora maneja mantenimiento de carril, tráfico de parada y avance, y giros a la izquierda sin protección con «suavidad comparable a la humana» a velocidades de hasta 35 millas por hora en circuitos cerrados. El stack de software actual consume 30 vatios de potencia, lo suficientemente bajo, según Kentley-Klay, para ejecutarse en una batería de clase de dron. El objetivo eventual es una «plataforma robótica» de propósito específico descrita internamente como «la descendencia ilegítima de R2-D2 y Sonic»: compacta, rápida y capaz de navegación dentro y fuera de espacios cerrados. Se previsto revelar un prototipo el próximo año.
Ruta regulatoria
A diferencia de operadores completamente autónomos, HyprLabs puede iterar bajo las reglas convencionales de prueba de vehículos de California porque un humano permanece al volante. Pasar a operación sin asistencia requeriría un permiso separado e informes de desenganche integral. La empresa ha comenzado a redactar un caso de seguridad modelado en ISO 26262, la norma de seguridad funcional automotriz, pero los ejecutivos reconocen que auditorías formales están a al menos 12 meses de distancia.
Múnich podría convertirse en el primer banco de pruebas europeo de la empresa. La capital bávara planea permitir pilotos limitados en carretera de tranvías autónomos antes del Campeonato Europeo de Fútbol 2026. HyprLabs está explorando asociaciones con proveedores de primer nivel alemanes como forma de aprovechar los esfuerzos de homologación existentes.
Límites y competencia
Los escépticos argumentan que la austeridad de datos funciona solo hasta cierto punto: casos extremos raros, peatones en monociclos eléctricos, sirenas de vehículos de emergencia rebotando en edificios, pueden aparecer demasiado infrecuentemente para ser capturados por registro selectivo. Y aunque las arquitecturas de transformers han sobresalido en procesamiento de lenguaje, sus ventajas sobre redes convolucionales en tareas de visión críticas para la seguridad siguen siendo una cuestión abierta de investigación.
Los competidores también se están volviendo más ágiles. El último beta de «conducción completamente autónoma» de Tesla se ejecuta en una sola computadora de a bordo; Waymo está reduciendo costos de sensores fusionando lidar y cámaras en alojamientos compartidos. Si esas empresas pueden mantener su ventaja de escala mientras reducen gastos, HyprLabs puede encontrar que su ventaja se reduce.
Análisis: qué podría cambiar
Si HYPRDRIVE cumple con su promesa, las implicaciones se extienden más allá de automóviles de pasajeros. Almacenes, servicios de entrega de última milla y robótica agrícola enfrentan restricciones similares: datos de entrenamiento limitados, presupuestos de energía y capital. Un modelo ligero que se reentrana a sí mismo en el campo podría reducir la necesidad de mapeo 3D costoso o monitoreo remoto constante. Eso, a su vez, podría desbloquear nuevos modelos de negocios donde flotas de robots multiusos comparten un cerebro común y se actualizan mutuamente durante la noche.
Para las ciudades, iteraciones más rápidas podrían traducirse en mejoras de seguridad más aceleradas, pero también plantean dolores de cabeza regulatorios. Las autoridades necesitarán mecanismos para verificar que los sistemas que aprenden por sí solos no se degraden con el tiempo ni adopten comportamientos dañinos. Auditorías continuas y validación en tiempo real pueden volverse tan importantes como la certificación inicial.
Por ahora, HyprLabs ocupa el rol de startup ágil, apostando a que la simplicidad y la velocidad pueden superar los fondos profundos. Si dos Tesla blancas y una docena de ingenieros son suficientes para reescribir el manual de autonomía debería volverse más claro en 2024, cuando la empresa pase de millas supervisadas a sus primeros pilotos públicos. Si la apuesta da resultado, HYPRDRIVE podría demostrar que el próximo salto en tecnología de conducción autónoma no provendrá de conjuntos de datos cada vez más grandes, sino de aprender precisamente lo que cada nueva milla tiene para enseñar.
Fuentes
- https://www.morningstar.com/news/pr-newswire/20251215sf45758/hyprlabs-emerges-from-stealth-with-hyprdrive-a-no-priors-ai-architecture-learning-directly-from-reality
- https://www.wired.com/story/hyprlabs-wants-to-build-a-self-driving-robot-super-fast/
