Ondas cerebrales y músculos prestados: las grjas de datos inusuales que entrenan los robots del mañana

Puntos clave

• Encord, una empresa de herramientas de datos con sede en San Leandro, California, está recopilando lecturas de ondas cerebrales de trabajadores humanos para crear datos de entrenamiento más completos para robots.
• Los sensores de ondas cerebrales provienen de Zander Labs, una startup de neurociencia alemana, y el proyecto es actualmente una prueba piloto para verificar si los datos realmente mejoran el rendimiento de los robots.
• El jefe de aprendizaje robótico de Encord estima que se necesitaría un conjunto de datos aproximadamente cinco veces mayor que toda la biblioteca de videos de YouTube para avanzar significativamente en la IA física.
• Generar datos de entrenamiento físico cuesta dinero real, a diferencia del raspado de texto casi gratuito que construyó los modelos de IA de chatbots actuales.
• Un número creciente de startups ahora trata la creación de datos de entrenamiento como un negocio en sí mismo, no solo como un problema de investigación.

Andrew Ceja está sacando bloques de madera de una torre de Jenga. Esa parte suena simple. El auricular que lleva no lo es.

Ceja trabaja en Encord, una empresa que crea herramientas para entrenar modelos de inteligencia artificial. Su título de trabajo es "piloto", que es la palabra de Encord para un entrenador robótico, una persona cuyos movimientos y decisiones se convierten en lecciones para el software robótico. El auricular en su cabeza registra lo que ve. También lee sus ondas cerebrales.

¿Por qué alguien querría rastrear las ondas cerebrales de un trabajador?

La idea es proporcionar al software robótico pistas más ricas sobre cómo se siente realmente una tarea desde adentro. Un video estándar de alguien sacando un bloque de una torre le dice a un robot qué hizo la mano. Los datos de ondas cerebrales del mismo momento pueden indicarle a un modelo cuándo el trabajador se sintió incierto, cometió un error mental o fue sorprendido.

El auricular fue creado por Zander Labs, una startup de neurociencia alemana. Lucas Gehrke, un neurocientífico de Zander que supervisa el proyecto, dice que el nivel de actividad cerebral en cualquier momento durante una tarea puede ayudar a los constructores de modelos a decidir cuándo su software necesita trabajar más. Encord llama a este esfuerzo una prueba piloto: crear un conjunto de datos inicial etiquetado con ondas cerebrales, probarlo en modelos robóticos reales y ver si marca una diferencia antes de ampliarlo.

¿Cuál es el problema real que estas empresas están tratando de resolver?

La IA robótica está atrapada en una escasez de datos. La IA de chatbot que conoces de herramientas como ChatGPT fue entrenada en esencialmente todo internet, miles de millones de páginas de texto recopiladas con costo casi nulo. La IA física, el tipo que enseña a un brazo robótico a verter café o desconectar un cable, no puede hacer lo mismo. No puedes raspar un almacén de la web.

Vineeth Velmurugan, jefe de aprendizaje robótico de Encord y antiguo miembro del laboratorio de robots de OpenAI, plantea la brecha en términos crudos. Estima que alcanzar un avance real en IA física requeriría un conjunto de datos aproximadamente cinco veces más grande que toda la biblioteca de videos de YouTube. "Los datos simplemente no existen", le dijo a TechCrunch AI.

Para construirlo, Encord opera una instalación en San Leandro donde los trabajadores usan brazos robóticos acoplados, pares de brazos robóticos donde un brazo es controlado por un humano y el otro copia cada movimiento, para generar grabaciones de tareas como verter café y apilar fichas de póker. Los estantes de almacenamiento contienen flores falsas, verduras de plástico, bolsas de cables y bandejas de arena para gatos: accesorios para enseñar a los brazos robóticos el tipo de trabajo doméstico y de almacén que la gente quiere automatizar.

Encord también utiliza sensores de lectura muscular colocados en los antebrazos de los trabajadores. El video de las manos manipulando objetos a menudo pierde parte de la mano. Los sensores del antebrazo leen las señales eléctricas que producen los músculos y permiten que Encord construya una imagen tridimensional de dónde está la mano en cada momento.

Cada clip de video recibe una etiqueta escrita que describe exactamente qué está sucediendo, por ejemplo "la mano derecha aprieta el perno". Velmurugan dice que ese tipo de anotación detallada vale cien veces más que grabaciones sin etiquetar para entrenar habilidades específicas, y cuesta solo veinte veces más de producir. En teoría, eso es un buen negocio. En la práctica, aún cuesta dinero real, que es el punto donde la comparación entre la IA robótica y la IA de chatbot se desmorona completamente.

¿Qué significa esto para la gente común?

Nada alarmante hoy. Pero los trabajadores en estas instalaciones, como Ceja y su colega Sofia Infante, están haciendo algo que no existía como trabajo hace cinco años: fabricar la materia prima de la que aprende el software robótico. A medida que ese software mejora, los robots que entrena manejarán más de las tareas físicas actualmente realizadas por personas en almacenes, centros de datos y eventualmente hogares.

Por ahora, observa la brecha entre lo que los robots pueden hacer en una demostración y lo que pueden hacer de manera confiable en un edificio real. Esa brecha es un problema de datos, y empresas como Encord están tratando de cerrarla.