Ondas cerebrales y músculos prestados: las granjas de datos inusitadas que entrenan a 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 construir datos de entrenamiento más ricos 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 desempeño de los robots.
• El jefe de aprendizaje robótico de Encord estima que se necesitaría un conjunto de datos aproximadamente cinco veces más grande 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 chatbot 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. El casco que lleva no hace que eso sea simple.

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

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

La idea es darle 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 indicar cuándo el trabajador se sintió inseguro, cometió un error mental o fue sorprendido.

El casco fue construido 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 esto una prueba piloto: construir un conjunto de datos inicial etiquetado con ondas cerebrales, probarlo en modelos robóticos reales, ver si marca una diferencia antes de escalar.

¿Cuál es el problema actual que estas empresas intentan resolver?

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

Vineeth Velmurugan, jefe de aprendizaje robótico de Encord y exmiembro del laboratorio de robots de OpenAI, expone claramente la brecha. Estima que lograr un avance real en la 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 gestiona una instalación en San Leandro donde los trabajadores utilizan sistemas de seguimiento líder-seguidor, brazos robóticos pareados donde un humano controla uno y el otro copia cada movimiento, para generar metraje de tareas como verter café y apilar fichas de póker. Bastidores de almacenamiento contienen flores falsas, vegetales de plástico, bolsas de cables para entrenar robots en trabajo doméstico y de almacén.

Encord también equipa a los trabajadores con sensores de lectura muscular en los antebrazos. El video de manos manipulando objetos a menudo pierde parte de la mano; los sensores del antebrazo leen señales eléctricas que producen los músculos y permiten a Encord construir una imagen tridimensional de la posición de la mano en cada momento.

Cada clip de video obtiene una etiqueta escrita: "la mano derecha aprieta el perno", por ejemplo. Velmurugan dice que ese tipo de anotación detallada vale cien veces más que metraje sin etiquetar para entrenar habilidades específicas, y cuesta solo veinte veces más de producir. Un buen trato en papel. En la práctica sigue costando dinero real, que es exactamente donde se rompe la comparación entre la IA robótica y la IA de chatbot.

Hemos estado observando este problema de escasez de datos acumularse en 103 historias de robótica en los últimos 30 días, y el hallazgo consistente es que el hardware y la arquitectura del modelo están por delante de los datos necesarios para impulsarlos.

¿Deberías preocuparte?

No hoy. Pero Ceja y su colega Sofia Infante están haciendo algo que no existía como trabajo hace unos años: manufactura la materia prima de la que aprende el software robótico. A medida que ese software mejora, los robots que entrena asumirán más del trabajo físico realizado por personas en almacenes, centros de datos o hogares.

El juicio honesto de este beat: el ángulo de las ondas cerebrales es genuinamente interesante y probablemente subestimado, pero la historia más grande es económica. Construir datos de entrenamiento físico a escala cuesta órdenes de magnitud más de lo que el raspado de texto jamás hizo. Quienquiera que resuelva ese problema de costo, no solo el técnico, tendrá la verdadera ventaja sobre hacia dónde va la IA física a continuación.