Una startup de robótica china quiere construir la "receta" que otorga inteligencia general a los robots

Puntos clave

• X Square Robot, una empresa de IA encarnada china, lanzará su pila completa de IA para robótica como software de código abierto en 2025.
• La empresa afirma que su método de recopilación de datos alcanza un rendimiento comparable al de conjuntos de datos de robots enteros con un costo aproximadamente 20 veces menor.
• Su modelo mundial, WALL-WM, organiza el comportamiento de los robots alrededor de acciones nombradas como "alcanzar" o "agarrar" en lugar de ventanas de tiempo fijas.
• Su modelo de acción, Wall-OSS-0.5, está diseñado para funcionar en un robot real sin necesidad de ajuste fino específico para tareas, lo cual es raro en el campo.
• Todos los resultados principales hasta ahora provienen de los propios puntos de referencia de la empresa, lo que significa que las pruebas independientes aún no los han confirmado.

Si enseñas a un sistema de IA suficiente texto, algo útil emerge. Este concepto, llamado preentrenamiento con datos amplios, convirtió los grandes modelos de lenguaje, la tecnología detrás de chatbots como ChatGPT, en herramientas generales que millones de personas utilizan a diario.

La robótica no tiene un atajo equivalente. Un robot que dobla ropa no puede simplemente transferir esa habilidad a cargar un lavavajillas. Los sistemas que funcionan dentro de la mayoría de los robots hoy están construidos a partir de componentes separados y especializados que no suman nada general.

X Square Robot, una empresa china enfocada en lo que los investigadores llaman IA encarnada (es decir, IA que vive en un cuerpo físico y debe actuar en el mundo real), cree que ha encontrado la receta. Y, inusualmente para una startup de IA china, la está liberando para que cualquiera la use e inspeccione.

La apuesta de la empresa descansa en tres capas trabajando juntas: cómo los robots recopilan datos de aprendizaje, un modelo mundial que predice qué sucederá a continuación en el mundo físico, y un modelo de acción que convierte la percepción y el razonamiento en movimiento real.

¿Qué hace esto diferente de otros proyectos de IA para robots?

La parte más distintiva es cómo X Square Robot maneja los datos, los ejemplos de los que aprende un robot. Recopilar demostraciones de robots es costoso porque necesitas un robot real, un operador capacitado y horas de supervisión cuidadosa. X Square Robot construyó un arnés portátil con dos pinzas que una persona se coloca en las manos. Sin robot necesario. Eso reduce los costos de recopilación drásticamente.

Pero datos más baratos son inútiles si son incorrectos. La empresa agrega una verificación de calidad que es genuinamente inusual: una muestra de movimientos registrados se reproduce físicamente en un robot real, y solo se cuentan como válidos los movimientos que completan la tarea. Una pinza que se cierra una fracción de segundo demasiado pronto podría parecer un agarre exitoso en la grabación, pero el robot ha empujado el objeto. Esa trayectoria se descarta.

La empresa reporta que combinando estos datos de demostración humana más baratos con una pequeña cantidad de datos de robot real se alcanza un rendimiento comparable al de conjuntos de datos recopilados enteramente en robots, a aproximadamente una vigésima parte del costo. Esta es una afirmación sorprendente. La salvedad, como señaló IEEE Spectrum AI en su cobertura, es que estos números provienen de los propios robots y pruebas de X Square Robot. Los investigadores externos aún no los han confirmado independientemente.

El modelo mundial, llamado WALL-WM, adopta un enfoque diferente del tiempo. La mayoría de los sistemas de IA para robots dividen el movimiento en fragmentos de longitud fija, como una película dividida en fotogramas de igual duración. WALL-WM en cambio organiza el comportamiento alrededor de eventos significativos: alcanzar, agarrar, colocar. Cada evento termina cuando la acción se completa, no cuando suena un reloj. La idea es que los límites deben coincidir con lo que realmente está sucediendo, no con lo que es conveniente calcular.

El modelo de acción, Wall-OSS-0.5, es un modelo de visión-lenguaje-acción (software que lee imágenes de cámara, comprende instrucciones en lenguaje natural y produce movimiento físico). El requisito establecido por la empresa es que el modelo debe hacer algo útil en un robot real antes de que alguien lo entrene más para una tarea específica. Capacidad general preentrenada primero, especialización segundo. Este orden es el objetivo de todo el proyecto.

Para las personas ordinarias, nada de esto cambia nada hoy. Los robots domésticos de propósito general siguen estando años lejos. Pero si investigadores independientes pueden reproducir y extender estos resultados, el lanzamiento de código abierto podría acelerar el campo de formas que un sistema cerrado y propietario no puede.