Generalist AI ha presentado GEN-1.5, un innovador modelo robótico capaz de aprender nuevas tareas con solo observar una demostración física de entre 3 y 12 segundos. Este enfoque, denominado "physical prompting", elimina la necesidad de un extenso entrenamiento o ajuste fino, permitiendo a los robots reproducir acciones como abrir un bote o bajar una cremallera tras una breve observación. La propuesta busca simplificar drásticamente la enseñanza robótica, pasando de la programación a la imitación directa.
La empresa de robótica e inteligencia artificial Generalist AI ha desvelado un modelo denominado GEN-1.5. Este modelo tiene la capacidad de intentar una tarea nueva tras observar una única demostración que dura entre tres y doce segundos. A este método lo han llamado "physical prompting": es similar a lo que se hace con los grandes modelos de lenguaje (LLM) cuando se les proporciona un ejemplo en el prompt.
La premisa fundamental de GEN-1.5, el nuevo modelo robótico de Generalist AI, consiste en mostrarle al robot lo que debe hacer en lugar de programarlo. Si se le solicita realizar una acción desconocida, el robot observa una demostración física de 3 a 12 segundos y, posteriormente, intenta replicarla. Ejemplos de estas tareas incluyen abrir un bote, bajar una cremallera o extraer un billete de una cartera. De esta manera, no es necesario crear un nuevo conjunto de datos de entrenamiento ni realizar un ajuste fino (fine tuning).
Un prompt basado en el movimiento. Un modelo de inteligencia artificial generativa de texto puede intentar resolver una tarea desconocida si se le proporciona un prompt adecuado con uno o varios ejemplos que ilustren cómo se espera que la resuelva. En este contexto, el prompt no está compuesto por palabras, sino por un vídeo que muestra los movimientos que se desea que el robot aprenda. El modelo observa el estado inicial y cómo se manipula un objeto, lo que sirve como contexto para deducir la acción a realizar. Así, el mundo físico se convierte en el conjunto de datos de aprendizaje.
Existen experimentos notables. La compañía mostró cómo es posible concatenar dos demostraciones distintas para que el robot complete de manera autónoma los movimientos intermedios que faltan. También se puede emplear una demostración realizada en un simulador para controlar un robot real, incluso si este no ha sido preentrenado con simulaciones. De hecho, en ocasiones ni siquiera necesita observar a otro robot: si una persona ejecuta la tarea con sus propias manos frente a las cámaras, GEN-1.5 intenta traducir esos movimientos a sus pinzas. El sistema no se limita a memorizar una trayectoria exacta, sino que busca interpretar el objetivo que persigue el vídeo de partida.
Prometedor, pero en una fase inicial. Generalist evaluó el sistema con diez tareas de manipulación sencillas y relativamente breves. La tasa de éxito promedio para estas tareas fue del 59%. En otras palabras, falla cuatro de cada diez veces. En Wired pudieron observar los robots en funcionamiento y destacaron esta inconsistencia, la cual fue confirmada por los responsables de la empresa: las funciones adquiridas mediante contexto no son, por el momento, tan "sólidas" como las obtenidas a través de un entrenamiento formal.
Si se entrena un poco más, los resultados mejoran significativamente. A partir de ese aprendizaje inicial, Generalist puede modificar el modelo, requiriendo un entrenamiento adicional mínimo. Con aproximadamente cinco minutos de datos (unas 50 demostraciones de una tarea sencilla) y solo diez actualizaciones del modelo, la tasa de éxito asciende al 83%, mientras que los pesos del modelo cambian menos del 0,15%. Para los expertos de Generalist AI, estos ajustes permiten que el modelo "reorganice" y adapte los conocimientos generales que ya poseía.
Un avance prometedor. DeepMind y Generalist son dos ejemplos destacados de empresas que están trabajando en la creación de modelos generales capaces de reutilizar lo aprendido en distintas tareas al interactuar con una amplia variedad de escenarios y objetos. Esto es similar a lo que ya se ha observado en la inteligencia artificial generativa de texto: se pasa de modelos especializados para cada problema a un gran modelo base al que posteriormente se le indica la acción deseada. En Generalist afirman haber preentrenado sus modelos con más de medio millón de horas de interacción física, y su apuesta es que una experiencia previa suficiente hará que el aprendizaje de cada nueva interacción sea cada vez más eficiente.
