Improvisando como humanos
Los brazos robóticos dominaron diversas tareas luego de ver un breve video instructivo y, lo más impresionante, sin un entrenamiento específico para cada tarea. Uno de los ejemplos más llamativos involucró a un robot al que se le ordenó barrer un bloque hacia un recipiente usando un recogedor y una escoba. Cuando se le retiró la escoba, el robot improvisó usando el recogedor como si fuera una escoba y lanzando el bloque al recipiente.
sentido intuitivo de la física que los humanos muestran desde una edad temprana. Eso podría contribuir a la capacidad del modelo para transferir a un escenario lo que ha aprendido en otro. Algunas de las demostraciones de la empresa me hicieron pensar en cómo los niños improvisan y experimentan cuando se les plantea una tarea. Los investigadores se han sorprendido frecuentemente por algo que el robot decide hacer. Uno, por ejemplo, optó por barrer objetos con un plátano cuando se lo colocaron delante. Esto puede parecer trivial, pero la inteligencia física es algo de lo que las máquinas siguen careciendo en gran medida; la forma en que los bebés aprenden de manera tan eficiente puede ofrecer importantes pistas a los investigadores en IA.Google DeepMind y Boston Dynamics en algunos de los modelos de hardware y robótica más avanzados que existen.Un robot general
Tradicionalmente, entrenar a un robot impulsado por IA para que realice diferentes tareas ha significado introducir miles de ejemplos en el modelo. Sin embargo, ese es un tipo de aprendizaje notoriamente imperfecto, y un robot tendrá dificultades con la tarea si se cambia algo tan simple como la iluminación.
Generalist y otras startups de robótica están invirtiendo fuertemente en un modelo robótico generalista entrenado por humanos. La empresa fabrica guantes especiales que se asemejan a pinzas robóticas y llevan cámaras incorporadas, que las personas utilizan para realizar diversas tareas domésticas. Vi una caja repleta de varios cientos de estas pinzas destinadas a trabajadores en México y otros lugares.
Florence y su equipo se muestran reservados sobre la fórmula exacta que utilizan para entrenar a los robots, pero aseguran que la empresa ya ha recopilado una enorme cantidad de datos de entrenamiento de alta calidad. A diferencia de otras compañías que persiguen robots más inteligentes, también han construido sus modelos de IA partiendo totalmente de cero, en lugar de basarse en un modelo de lenguaje de código abierto.
Danfei Xu, un especialista en robótica de Georgia Tech que conoce bien el trabajo de Generalist, cuenta que esta startup destaca entre las empresas que persiguen modelos robóticos más generales. “Han llevado esto al extremo y han hecho un trabajo realmente bueno en su ejecución”, indica Xu. Además de recopilar una enorme cantidad de datos de alta calidad, añade, “son excelentes especialistas en robótica y han llevado a cabo una labor científica realmente buena”.
Xu también señala que lo que Generalist ha mostrado hasta ahora sugiere que tienen la vista puesta en el despliegue de robots en entornos comerciales reales. “Son los que más se acercan a algo que se pueda implementar”, indica.
“El enfoque de Generalist en materia de datos consiste en recopilar datos de interacción física a gran escala sin vincularlos demasiado a un robot concreto”, explica Karen Liu, especialista en robótica de la Universidad de Stanford que también conoce la empresa. “Sus mejores resultados sugieren que esta apuesta podría estar dando sus frutos”.
Dicho esto, Generalist advierte que las capacidades de aprendizaje de sus modelos aún no son del todo fiables. Un robot solo es capaz de completar una tarea que se le ha enseñado aproximadamente el 59% de las veces, en promedio; lo ideal sería que su tasa de éxito superara el 99%. Tampoco está claro hasta qué punto estas habilidades se podrán generalizar a todas las tareas o entornos imaginables.
WIRED.com. Adaptado por Mauricio Serfatty Godoy.