La paradoja de Moravec es una observación formulada en los años 80 por el robotista Hans Moravec (y, en paralelo, por Marvin Minsky y otros): para la inteligencia artificial es relativamente fácil dominar las cosas que las personas consideran exigentes —la lógica, el ajedrez, los cálculos complejos—, pero enormemente difícil dominar lo que cualquier niño pequeño hace sin pensar: caminar, ver, reconocer un objeto y agarrarlo con destreza.
La explicación es evolutiva. La naturaleza perfeccionó las habilidades sensoriales y motoras durante cientos de millones de años, de modo que las llevamos incorporadas, son automáticas y parecen «sencillas». El razonamiento abstracto, en cambio, es evolutivamente joven y lo hacemos despacio y con esfuerzo, por lo que nos parece el rendimiento más exigente. Pero precisamente esas capacidades antiguas y «fáciles» son las computacionalmente más complejas y las más difíciles de programar.
Para la robótica humanoide esta paradoja es, en esencia, el problema fundacional del campo. Explica por qué tenemos una IA que compone un poema o resuelve una ecuación, pero construir un robot que ordene de forma fiable cualquier cocina o agarre con suavidad una fruta blanda sigue sin resolverse. Especialmente exigente es sobre todo la manipulación diestra —véase mano diestra— y el mantenimiento del equilibrio al caminar, por lo que surgen robots como el Atlas, el Figure 03 o el Phoenix.
La paradoja de Moravec es también la razón por la que el enfoque actual se apoya más en el aprendizaje a partir de datos (aprendizaje por imitación) que en la programación manual: las habilidades físicas son difíciles de describir mediante reglas, pero se pueden mostrar. Es la columna vertebral teórica del concepto de embodied AI y un antídoto útil contra el bombo: el avance en los modelos de lenguaje no significa automáticamente que el robot vaya a dominar el mundo que nos rodea.