Por Canuto  

La robótica enfrenta un límite menos visible que la arquitectura de sus modelos: la falta de datos físicos de calidad. Encord y Zander Labs prueban si las ondas cerebrales pueden aportar señales sobre error, intención y sorpresa para entrenar máquinas más capaces.

***

  • Encord recopila datos egocéntricos, teleoperados y anotados para entrenar modelos de robótica.
  • Zander Labs prueba sensores cerebrales para identificar estados mentales útiles durante tareas físicas.
  • Crear datos reales puede costar mucho más que recopilar texto de internet para entrenar modelos de lenguaje.

 

El avance de la inteligencia artificial (IA) física enfrenta un problema que no se resuelve únicamente con modelos más grandes. Las empresas de robótica necesitan enormes cantidades de datos sobre cómo las personas interactúan con objetos reales, pero ese material todavía es escaso, costoso y difícil de producir.

En un almacén de San Leandro, California, Encord intenta responder a ese desafío con una estrategia poco convencional. La empresa recopila datos para entrenar sistemas de inteligencia artificial y ahora prueba si las ondas cerebrales pueden revelar información útil durante tareas realizadas por operadores humanos.

La actividad cerebral como nueva fuente de datos

Andrew Ceja, uno de los llamados pilotos de Encord, retiraba cuidadosamente bloques de madera de una torre de Jenga mientras utilizaba un auricular con cámara. El dispositivo también medía sus ondas cerebrales mientras observaba y manipulaba la estructura inestable.

El experimento busca capturar algo que una cámara convencional no registra: los estados mentales asociados con una acción física. Entre las señales de interés aparecen el error, la intención y la sorpresa, conceptos que podrían ayudar a los modelos robóticos a interpretar mejor las decisiones humanas.

El auricular fue desarrollado por Zander Labs, una startup alemana especializada en neurociencia. La compañía considera que la actividad cerebral puede crear conjuntos de datos más completos para entrenar sistemas capaces de actuar en almacenes, fábricas y otros entornos físicos.

Lucas Gehrke, neurocientífico de Zander Labs encargado del trabajo, explicó que la cantidad de actividad cerebral durante una tarea puede ofrecer pistas sobre la dificultad de esa acción. Los modelos podrían usar esas señales para decidir cuándo necesitan aplicar procesos de razonamiento más exigentes.

La colaboración entre ambas empresas todavía se encuentra en fase de prueba. Encord quiere construir un conjunto inicial de datos etiquetados con ondas cerebrales, probarlo en modelos robóticos de clientes y medir si produce una mejora real antes de considerar una expansión.

El proyecto no plantea que los robots deban leer pensamientos de forma literal. Su objetivo es detectar patrones asociados con la forma en que una persona percibe una situación, anticipa un error o modifica su conducta frente a un objeto que no responde como esperaba.

El cuello de botella de la IA física

Vineeth Velmurugan, jefe de aprendizaje robótico de Encord, describió la experimentación con ondas cerebrales como la frontera actual del esfuerzo para resolver la falta de datos. Antes de incorporarse a la empresa, trabajó en el laboratorio de robots de OpenAI y en Berkshire Grey, una firma de automatización de almacenes.

Encord nació para ayudar a empresas de visión por computadora a etiquetar datos y evaluar modelos. Sin embargo, sus clientes comenzaron a utilizar aprendizaje de extremo a extremo para tareas de manipulación robótica, lo que obligó a la compañía a reconsiderar su negocio.

La empresa descubrió que sus clientes no solo necesitaban organizar los datos disponibles. También necesitaban producir el material que los modelos requerían para aprender movimientos, reacciones y habilidades en el mundo físico.

“Los datos simplemente no existen”, dijo Velmurugan, al resumir el problema. A diferencia del texto disponible en internet, las acciones físicas deben registrarse con cámaras, sensores, robots operados a distancia y trabajadores que repitan tareas específicas.

TechCrunch informó que Velmurugan estima que la industria podría necesitar un conjunto de datos equivalente a cinco veces el tamaño del corpus de video de YouTube para superar esta barrera. La magnitud de esa comparación ayuda a explicar por qué fabricar datos se convirtió en una actividad comercial.

Las empresas de vehículos autónomos ya recopilan grandes volúmenes de información del mundo real, pero ese proceso resulta difícil de escalar. El entrenamiento basado únicamente en video puede ser útil, aunque no siempre conserva la fidelidad necesaria para reproducir la interacción física.

La diferencia económica frente a la inteligencia artificial generativa resulta determinante. Los laboratorios que desarrollaron modelos de lenguaje pudieron extraer texto de sitios como Stack Overflow y de otros espacios de la web con costos relativamente bajos, mientras que los datos robóticos requieren trabajo humano especializado.

Cámaras, brazos robóticos y sensores musculares

Encord trabaja con dos fuentes principales de información para entrenar cerebros robóticos. La primera corresponde al video egocéntrico, capturado desde la perspectiva de un trabajador que lleva una cámara, a menudo combinado con otros ángulos y métricas.

La segunda fuente son los datos obtenidos mediante robots operados de forma remota. Encord utiliza ambas modalidades, extrae grabaciones de fábricas ubicadas en distintos lugares del mundo y experimenta en San Leandro con nuevas formas de capturar información.

Durante la visita al almacén, los pilotos usaban equipos de líder-seguidor. Se trata de dos brazos robóticos emparejados: el operador controla directamente uno y el segundo reproduce sus movimientos para registrar tareas concretas.

Entre los ejercicios aparecían verter café desde una jarra hacia varias tazas y apilar fichas de póker. Velmurugan aseguró que las empresas de robots humanoides han solicitado ese tipo de piezas de entrenamiento para mejorar sus sistemas.

Los estantes del lugar incluían flores artificiales en jarrones, libros, verduras de plástico, bandejas de arena para gatos, cucharas, bolsas y paquetes de cables. Ese inventario funciona como material de práctica para enseñar a los robots a manipular objetos presentes en tareas domésticas y comerciales.

En otra estación, Sofía Infante manejaba brazos robóticos para conectar y desconectar cables Ethernet en la parte trasera de un servidor. La tarea representa un posible caso de automatización en centros de datos, pero exige una precisión que las máquinas todavía no dominan.

La dificultad se vuelve evidente al comparar las pinzas robóticas con una mano humana. Los dispositivos tienen menos destreza, menos grados de libertad y una capacidad limitada para ajustar el movimiento cuando el objeto cambia de posición.

Encord también desarrolla un sistema de sensores sujetos al antebrazo para detectar señales eléctricas de los músculos. Velmurugan espera utilizar esa información para construir una representación tridimensional más sólida de la posición de la mano durante la manipulación.

El video de una persona utilizando sus manos no siempre muestra todos los movimientos relevantes. Los sensores del brazo podrían aportar información adicional sobre la trayectoria y la postura, incluso cuando una parte de la mano queda fuera del encuadre.

El costo de fabricar datos de alta calidad

Los conjuntos de datos de Encord incluyen anotaciones físicas sobre lo que ocurre en cada video. Una descripción como “la mano derecha aprieta el tornillo” permite que los modelos basados en grandes modelos de lenguaje relacionen la imagen con una acción específica.

Velmurugan calcula que una anotación densa de ese tipo puede valer 100 veces más que los datos egocéntricos de baja calidad para entrenar una tarea concreta. Sin embargo, también estima que producirla cuesta 20 veces más.

La relación podría parecer favorable para una empresa que busca mejorar el rendimiento de sus robots. Aun así, multiplicar por 20 el costo de producción representa una diferencia importante frente a los métodos utilizados para construir modelos de lenguaje.

La industria no puede limitarse a descargar información disponible en línea. Debe contratar operadores, preparar estaciones de trabajo, diseñar tareas, registrar movimientos, revisar errores y etiquetar cada acción con suficiente precisión para que el modelo pueda aprender.

Esta estructura cambia la economía de la inteligencia artificial física. La comparación con los chatbots resulta atractiva por el potencial de la tecnología, pero no elimina las diferencias entre aprender de texto y aprender a mover objetos en un entorno impredecible.

La generación sintética de datos podría aliviar parte del problema, aunque la fuente no presenta ese método como una solución definitiva. Los equipos todavía necesitan comprobar que los datos fabricados reflejen las condiciones, fricciones y errores del mundo real.

TechCrunch señaló que Encord observa programas de distintas empresas para identificar qué técnicas de datos producen mejores resultados. Esa posición le permite comparar tendencias entre startups y laboratorios avanzados antes de que un cliente individual detecte cuáles métodos tienen mayor impacto.

La empresa espera que esa visión transversal se convierta en una ventaja comercial. Si una modalidad mejora el desempeño en varias plataformas, Encord podría ampliarla y ofrecerla a fabricantes que no cuentan con sus propias instalaciones de recopilación.

Una fuerza laboral para entrenar máquinas

El almacén de San Leandro cuenta con doce o más pilotos dedicados a construir los componentes de entrenamiento para redes neuronales. Su trabajo combina habilidades manuales, disciplina operativa y comprensión de las tareas que los robots deben aprender.

Infante y Ceja forman parte de una fuerza laboral creciente vinculada con la anotación y creación de datos para inteligencia artificial. Ambos habían trabajado anteriormente en Scale, otra empresa dedicada a los datos de entrenamiento, antes de incorporarse a Encord.

La experiencia de Ceja muestra cómo pueden converger la tecnología y los empleos operativos. Antes de llegar a Encord, trabajó en una empresa de gestión de residuos, donde terminó a cargo del mantenimiento de un clasificador de basura robótico.

Ahora participa en experimentos que incluyen Jenga, sensores cerebrales y tareas de manipulación. Cuando la torre se desmoronó durante la demostración, Ceja describió el trabajo como un desafío de resolución constante y afirmó que cada día trae una tarea nueva.

La presencia de operadores humanos seguirá siendo relevante mientras los robots no alcancen la precisión y flexibilidad de las personas. Incluso los sistemas más avanzados necesitan ejemplos sobre cómo reaccionar cuando un objeto se atasca, se derrama o aparece en una posición inesperada.

Para los fabricantes de robots humanoides y de almacén, la disponibilidad de esos ejemplos puede determinar el ritmo de desarrollo. Una arquitectura sofisticada no garantiza resultados si carece de suficientes experiencias físicas para conectar sus predicciones con el entorno.

Las ondas cerebrales podrían convertirse en una nueva capa de información dentro de ese proceso, pero todavía deben demostrar que aportan mejoras medibles. El experimento entre Encord y Zander Labs tendrá que comparar el desempeño de los modelos antes y después de incorporar esas señales.

El resultado también definirá si la neurotecnología puede convertirse en un producto escalable para la robótica. Por ahora, la apuesta permanece abierta, en un momento en que la industria busca desesperadamente datos capaces de convertir las promesas de la IA física en movimientos confiables.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA.

 


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados