La firma de robótica e inteligencia artificial Generalist AI ha presentado un modelo llamado GEN-1.5 capaz de intentar una nueva tarea tras observar una única demostración de entre tres y 12 segundos. Lo llaman «physical prompting«: hacer con los robots algo parecido a lo que hacemos con los LLM cuando les ponemos un ejemplo en el prompt.
Bastan apenas 10 segundos. La idea detrás de GEN-1.5, el nuevo modelo robótico de Generalist AI, es la de enseñarle algo al modelo robótico en lugar de «programárselo». Si le pedimos hacer algo nuevo para él, el robot observa una demostración física de entre 3 y 12 segundos y después intenta reproducirla. Por ejemplo, abrir un bote, bajar una cremallera o sacar un billete de una cartera. No hay por tanto que crear un nuevo conjunto de datos de entrenamiento ni hacer ajuste fino (fine tuning).
Un prompt basado en el movimiento. Un modelo de IA generativa de texto puede tratar de resolver una tarea desconocida si le damos un prompt adecuado con uno o varios ejemplos que muestran cómo queremos que la resuelva. Aquí el prompt no son palabras, sino un vídeo con los movimientos que queremos que el robot aprenda. El modelo observa el estado inicial, cómo se manipula un objeto y eso sirve como contexto para deducir qué tiene que hacer. El mundo físico se convierte así en el conjunto de datos de aprendizaje.
Hay experimentos llamativos. La empresa mostraba cómo puede concatenar dos demostraciones distintas para que el robot complete por sí mismo los movimientos que faltan entre ambas. Se puede también utilizar una demostración realizada en un simulador para controlar el robot real, incluso si el robot no ha sido preentrenado con simulaciones. De hecho, a veces ni siquiera necesita observar a otro robot: si una persona realiza la tarea con sus propias manos delante de sus cámaras, GEN-1.5 intenta trasladar esos movimientos a sus pinzas. No se limita a memorizar una trayectoria exacta, sino que trata de interpretar qué objetivo persigue ese vídeo de partida.
Prometedor, pero en pañales. Generalist probó el sistema con diez tareas de manipulación sencillas y relativamente cortas, y la tasa de éxito para esas tareas fue de media del 59%. O lo que es lo mismo: falla cuatro de cada 10 veces. En Wired pudieron ver los robots funcionando y destacaron esa inconsistencia, que los responsables de la empresa confirmaron: las funciones adquiridas mediante contexto no son tan «sólidas» de momento como las adquiridas mediante entrenamiento.
Si entrena un poco más, mucho mejor. Generalist puede, a partir de ese aprendizaje inicial, modificar el modelo, y ahí se necesita un entrenamiento adicional ínfimo. Con unos cinco minutos de datos —unas 50 demostraciones de una tarea sencilla— y solo 10 actualizaciones del modelo, la tasa de éxito sube al 83%, mientras que los pesos del modelo cambian menos del 0,15%. Para los expertos de Generalist AI, con esos ajustes lo que se logra es que el modelo «reorganice» y ajuste conocimientos generales que ya poseía.
Un logro prometedor. DeepMind y Generalist son dos buenos ejemplos de empresas que están intentando crear modelos generales que puedan reutilizar lo aprendido entre tareas al manipular todo tipo de escenarios y objetos. Es algo similar a lo que ya vimos en la IA generativa de texto: pasar de modelos especializados para cada problema a un gran modelo de base al que luego le indicamos lo que queremos. En Generalist afirman haber preentrenado sus modelos con más de medio millón de horas de interacción física, y su apuesta es que suficiente experiencia previa haga que cada vez sea más barato aprender la siguiente interacción.
Imagen | Generalist AI
–
La noticia
Hasta ahora había que entrenar a un robot para cada tarea nueva. La nueva idea es mucho más simple: que te mire unos segundos
fue publicada originalmente en
Xataka
por
Javier Pastor
.
