Como alguien que disfruta bastante del Zen de ordenar, estaba muy feliz de tomar un recogedor, un cepillo y barrer algunos frijoles derramados sobre una mesa mientras visitaba el Laboratorio de Investigación Toyota en Cambridge, Massachusetts, el año pasado. La tarea fue más desafiante de lo habitual porque tuve que realizarla usando un par de robótico brazos con pinzas de dos dedos a modo de manos.
Mientras me sentaba frente a la mesa, usando un par de controladores como manijas de bicicleta con botones y palancas adicionales, podía sentir la sensación de agarrar objetos sólidos y también sentir su peso cuando los levantaba, pero todavía me tomó un tiempo acostumbrarme.
Después de varios minutos ordenando, continué mi recorrido por el laboratorio y me olvidé de mi breve paso como profesora de robots. Unos días más tarde, Toyota me envió un vídeo del robot que había operado barriendo un desastre similar por sí solo, usando lo que había aprendido en mis demostraciones combinado con algunas demostraciones más y varias horas más de práctica barriendo dentro de un lugar simulado. mundo.
La mayoría de los robots (y especialmente los que realizan trabajos valiosos en almacenes o fábricas) sólo pueden seguir rutinas preprogramadas que requieren experiencia técnica para planificarlas. Esto los hace muy precisos y confiables, pero totalmente inadecuados para realizar trabajos que requieren adaptación, improvisación y flexibilidad, como barrer o la mayoría de las otras tareas del hogar. Hacer que los robots aprendan a hacer cosas por sí mismos ha resultado un desafío debido a la complejidad y variabilidad del mundo físico y los entornos humanos, y a la dificultad de obtener suficientes datos de entrenamiento para enseñarles a afrontar todas las eventualidades.
Hay señales de que esto podría estar cambiando. Las espectaculares mejoras que hemos visto en los chatbots de IA durante el último año han llevado a muchos expertos en robótica a preguntarse si se podrían lograr avances similares en su propio campo. Los algoritmos que nos han dado chatbots y generadores de imágenes impresionantes también están ayudando a los robots a aprender de manera más eficiente.
El robot barredor que entrené utiliza un sistema de aprendizaje automático llamado política de difusión, similar a los que alimenta algunos generadores de imágenes de IA, para encontrar la acción correcta a tomar a continuación en una fracción de segundo, en función de las muchas posibilidades y múltiples fuentes de datos. La técnica fue desarrollado por Toyota en colaboración con investigadores dirigidos por Canción de Shuranprofesor de la Universidad de Columbia que ahora dirige un laboratorio de robots en Stanford.
Toyota está tratando de combinar ese enfoque con el tipo de modelos de lenguaje que sustentan a ChatGPT y sus rivales. El objetivo es hacer posible que los robots aprendan a realizar tareas viendo vídeos, convirtiendo potencialmente recursos como YouTube en potentes recursos de entrenamiento de robots. Presumiblemente se les mostrarán clips de personas haciendo cosas sensatas, no las maniobras dudosas o peligrosas que a menudo se encuentran en las redes sociales.
«Si nunca has tocado nada en el mundo real, es difícil comprenderlo simplemente viendo videos de YouTube», dice Russ Tedrake, vicepresidente de Investigación de Robótica en el Instituto de Investigación Toyota y profesor del MIT. La esperanza, dice Tedrake, es que una comprensión básica del mundo físico combinada con datos generados en simulación permita a los robots aprender acciones físicas viendo clips de YouTube. El enfoque de difusión “es capaz de absorber los datos de una manera mucho más escalable”, afirma.
