Los robots están aprendiendo a ejecutar tareas a partir de videos, gracias a un nuevo modelo de inteligencia artificial de Skild.
El sistema permite a los robots adquirir habilidades observando videos de humanos y realizando tareas como abrir puertas, regar plantas, ensamblar cajas e incluso cocinar, con menos de una hora de datos de entrenamiento específicos para robots.
Según la empresa, su Skild Brain es resistente a las perturbaciones, se generaliza a nuevos hogares sin reentrenamiento y funciona con diferentes tipos de robots, desde humanoides con ruedas hasta configuraciones bímanos.
En las pruebas, puede ensamblar múltiples carcasas de AirPods en fila con precisión. Skild Brain atribuye su éxito al aprendizaje en contexto y planea expandir sus capacidades aún más.
Robótica de cerebro compartido
En la carrera por desarrollar una robótica de propósito general verdaderamente funcional, la industria se ha topado con un obstáculo familiar: el cuello de botella de los datos. Mientras que los modelos de lenguaje grandes prosperaron con vastos conjuntos de datos extraídos de Internet, la robótica carecía de un “Common Crawl” equivalente. Los enfoques tradicionales dependen en gran medida de la teleoperación, en la que los humanos guían manualmente a los robots para ejecutar secuencias precisas de torque motor. Sin embargo, la empresa de robótica argumenta que este método por sí solo no puede escalar al nivel de los modelos fundacionales.
La teleoperación enfrenta dos limitaciones clave. Primero, la diversidad: los datos se restringen a laboratorios controlados o implementaciones específicas, perdiendo la variabilidad caótica de los entornos del mundo real. Segundo, la escala: recopilar billones de secuencias de acción en tiempo real, incluso con una fuerza laboral global, es prácticamente imposible.
Según la empresa, a diferencia de los modelos de IA convencionales diseñados para tipos de robots específicos, su modelo fundacional es omnicuerpo, capaz de controlar cualquier robot (humanoides, cuadrúpedos, brazos de mesa y manipuladores móviles) sin conocimiento previo de su forma exacta.
El Skild Brain de la compañía permite a los robots realizar tareas cotidianas como limpiar, cargar lavavajillas y cocinar, así como actividades físicamente exigentes como navegar por terrenos resbaladizos o irregulares.
Inteligencia robótica adaptativa
Fundada en 2023 por expertos en robótica auto supervisada y adaptativa, Skild AI está desarrollando un modelo fundacional escalable que sirve como un cerebro compartido en diversas encarnaciones de robots. La compañía aborda un desafío importante en la robótica: la ausencia de un “Internet de la robótica”. A diferencia de los modelos de lenguaje o video, la robótica históricamente ha dependido de conjuntos de datos limitados recopilados a través de teleoperación o implementaciones aisladas. Para superar esto, la compañía preentrena su Skild Brain utilizando videos de humanos de Internet y simulaciones basadas en la física, lo que permite la adquisición de habilidades sin una gran cantidad de datos específicos del robot.
El Skild Brain es omnicuerpo, capaz de operar en múltiples morfologías de robots, incluidos humanoides, cuadrúpedos, manipuladores móviles y brazos de mesa. Se adapta en tiempo real a condiciones impredecibles como la pérdida de extremidades, ruedas atascadas, cargas aumentadas o cuerpos completamente nuevos, sin reentrenamiento ni ajuste fino. El modelo enfatiza la adaptación sobre la memorización, creando un ciclo de aprendizaje continuo que mejora el rendimiento con cada implementación, independientemente del hardware del robot o la tarea en cuestión, según The Robot Report.
El enfoque se inspira en el aprendizaje humano, donde las habilidades se adquieren a través de la observación y la intención en lugar de fuerzas o movimientos precisos. Los videos, desde las cámaras frontales en primera persona hasta millones de clips instructivos en línea, ofrecen un conjunto de datos vasto y previamente inexplorado para la robótica. Al cerrar la brecha de la encarnación, el Skild Brain mapea las acciones humanas en diferentes formas de robots y compensa la falta de datos táctiles o de fuerza.
Según Skild, al aprender de demostraciones en video complementadas con datos mínimos del robot, el modelo supera fundamentalmente el cuello de botella de los datos de la robótica, lo que permite un aprendizaje de tareas de propósito general y escalable.