Avances y Limitaciones de la Robótica
A pesar del impresionante progreso de la IA en los últimos años, los robots siguen siendo obstinadamente limitados. Los que se encuentran en fábricas y almacenes generalmente siguen rutinas coreografiadas de manera precisa, sin mucha capacidad para percibir su entorno o adaptarse sobre la marcha. Los pocos robots industriales que pueden ver y agarrar objetos solo pueden realizar un número limitado de tareas con mínima destreza, debido a la falta de inteligencia física general.
Necesidades de Habilidades Generales
Los robots más capaces podrían asumir una gama más amplia de tareas industriales, quizás después de demostraciones mínimas. También necesitarán habilidades más generales para enfrentar la enorme variabilidad y desorden de los hogares humanos. El entusiasmo general por los avances en IA ya se ha traducido en optimismo sobre grandes nuevos saltos en robótica. La empresa de automóviles de Elon Musk, Tesla, está desarrollando un robot humanoide llamado Optimus, y Musk sugirió recientemente que estará ampliamente disponible por entre $20,000 y $25,000 y será capaz de realizar la mayoría de las tareas para el año 2040.
Transferencia de Aprendizaje entre Robots
Los esfuerzos anteriores para enseñar a los robots a realizar tareas desafiantes se habían centrado en entrenar una sola máquina en una sola tarea, ya que se pensaba que el aprendizaje no era transferible. Sin embargo, algunos trabajos académicos recientes han mostrado que, con la escala y el ajuste adecuados, el aprendizaje puede transferirse entre diferentes tareas y robots. Un proyecto de Google de 2023 llamado Open X-Embodiment implicó compartir el aprendizaje de robots entre 22 robots diferentes en 21 laboratorios de investigación diferentes.
Desafíos y Estrategias de Aprendizaje
Un desafío clave con la estrategia que está persiguiendo Physical Intelligence es que no hay la misma escala de datos de robots disponibles para el entrenamiento como la que hay para los grandes modelos de lenguaje en forma de texto. Por lo tanto, la empresa debe generar sus propios datos y desarrollar técnicas para mejorar el aprendizaje a partir de un conjunto de datos más limitado. Para desarrollar π0, la empresa combinó modelos de lenguaje visual, que se entrenan en imágenes así como en texto, con modelado de difusión, una técnica tomada de la generación de imágenes por IA, para permitir un tipo de aprendizaje más general.
Para que los robots puedan asumir cualquier tarea que una persona les pida, dicho aprendizaje deberá escalarse significativamente. “Aún queda un largo camino por recorrer, pero tenemos algo que se puede considerar como andamiaje que ilustra lo que está por venir”, dice Levine.
Fuente y créditos: www.wired.com
Cats: Business
