La oficina de Danijar Hafner en el distrito SoMa de San Francisco permanece casi vacía. Su flamante startup todavía está en modo sigiloso y ni siquiera tiene su nombre en la puerta. El día de mi visita, solo hay otra persona allí y apenas mobiliario. Pero lo que le falta en decoración, lo compensa con robots. Humanoides de diversas formas y tamaños cuelgan como marionetas de unas estructuras que recorren el centro del amplio espacio diáfano.
Aunque Hafner, de 31 años, no quiere revelar demasiado sobre su nueva empresa por el momento, la describe como una continuación de su trabajo de larga trayectoria para permitir que la IA navegue por ento os que no ha encontrado en su entrenamiento. Los humanoides, que importa de China, son la siguiente evolución de este trabajo —y su materialización física—. Su capacidad para reaccionar en escenarios previamente no probados será clave para introducir robots en espacios humanos. Porque si, por ejemplo, quieres enviar un robot al hogar de una persona, necesita ser capaz de desenvolverse con un plano y un mobiliario que nunca antes haya visto.
Para lograr esto, Hafner se basa en lo que se conoce como aprendizaje por refuerzo basado en modelos. Desarrolla modelos del mundo —modelos de IA diseñados para emular la realidad física— y entrena agentes dentro de ellos. El agente trata esencialmente el modelo como una simulación del mundo real y aprende a actuar en ella. Luego utiliza esas experiencias para hacer predicciones (para soñar o imaginar, como diría Hafner) sobre resultados futuros. Esto permite a los agentes —o a los robots en los que están integrados— navegar por situaciones desconocidas en el mundo real.
“Tengo la oportunidad de interactuar con muchas personas muy inteligentes en investigación en Google, y él se sitúa fácilmente en la mitad superior del 1%.”
Timothy Lillicrap, Google DeepMind
A diferencia de otros enfoques, la técnica de Hafner permite a los agentes y a los robots que controlan ejecutar tareas enormemente complejas sin el entrenamiento de ensayo y error en el mundo real que se ha utilizado tradicionalmente en robótica.
Hafner creció en un pueblo rural del noreste de Alemania, donde sus padres eran ambos músicos clásicos. Aprendió programación de un vecino y, en el instituto, empezó a tomar cursos en línea sobre IA, lo que rápidamente se convirtió en una pasión. «Siempre me fascinó cómo funciona el pensamiento», dice. La IA le ofrecía una forma de emularlo en un ordenador.
En 2015, como estudiante de segundo año de ingeniería en el Hasso Plattner Institute de Potsdam, obtuvo un puesto como investigador estudiantil en Google Brain. Desde allí, realizó una docena de prácticas y ocupó otros puestos en la compañía, incluyendo estancias con Google Brain y Google DeepMind (las dos se fusionaron posteriormente bajo DeepMind) en el Reino Unido, Canadá y Estados Unidos. Trabajó con leyendas del sector como Geoffrey Hinton, a menudo considerado uno de los "padres" de la IA, y Ashish Vaswani, coautor del innovador artículo de investigación “Attention Is All You Need”, que describió la tecnología transformer utilizada por los grandes modelos de lenguaje actuales.
Uno de los antiguos gerentes y coautores de Hafner en Google, Timothy Lillicrap, lo describe como un sobresaliente entre los sobresalientes. “Tengo la oportunidad de interactuar con muchas personas realmente inteligentes en la investigación de Google, y él se sitúa fácilmente en el 0,5 % superior,” dice Lillicrap. “En muchos casos, él construiría, por sí solo, cosas que requerirían equipos enteros de ingenieros para construirlas.”
A lo largo de los años, Hafner ha perfeccionado y probado su enfoque enfrentando a agentes entrenados dentro de sus modelos de mundo contra videojuegos populares. Su primer gran avance fue PlaNet, un modelo que permitía a los agentes ejecutar acciones planificando con antelación. Su Dreamer 2 fue el primer agente en alcanzar un rendimiento de nivel humano jugando a los juegos de Atari 2600 utilizando un modelo de mundo. Dreamer 3 fue el primero en resolver el desafío Minecraft Diamond —minando con éxito gemas dentro del juego por sí solo. Y Dreamer 4 fue un paso más allá al aprender a extraer diamantes de un conjunto de datos offline de vídeos de partidas grabadas, sin interactuar directamente con el juego.
Más recientemente, ha empezado a migrar sus agentes del mundo virtual a la realidad física. Su proyecto DayDreamer utilizó el algoritmo Dreamer para permitir que los robots funcionen de forma autónoma en ento os novedosos y reaccionen a nuevas experiencias (como ser empujados) sin entrenamiento específico.
Hoy, Hafner está trabajando en su nueva startup, para cuya creación dejó Google DeepMind en otoño de 2025. Aunque se muestra reservado sobre sus próximos pasos, es evidente que tiene grandes aspiraciones: «Me interesaba resolver un problema», insinúa, «que cambiaría el mundo».