Por Canuto  

LiberAI presentó Liber-0, un modelo de IA física preentrenado con más de 2,2 millones de horas de experiencia humana, según la empresa. LiberAI busca que esa exposición, combinada con datos de guantes instrumentados y demostraciones robóticas, ayude a sus máquinas a generalizar habilidades de manipulación y reduzca la necesidad de enseñar cada tarea desde cero.
***

  • Liber-0 combina videos humanos, movimientos de manos capturados con guantes y demostraciones de robots para vincular lo que una máquina observa con las acciones físicas que puede ejecutar, según LiberAI.
  • En una evaluación de ocho tareas descrita por la compañía, una política con 25% de las demostraciones robóticas y el conjunto completo de datos de guantes obtuvo 75,6 puntos, frente a 72,8 con todos los datos robóticos.
  • LiberAI reportó 36% de éxito en una prueba de 60 tareas sin demostraciones robóticas específicas y también comparó el desempeño de sus plataformas LEO y Tianji.

LiberAI presentó Liber-0, un modelo de IA física que busca convertir la experiencia humana en habilidades de manipulación para robots de propósito general. La compañía afirma que el sistema fue preentrenado con más de 2,2 millones de horas de experiencia humana y combina videos, datos de guantes instrumentados y demostraciones robóticas.

Un modelo que conecta percepción y acción

LiberAI lanzó Liber-0 como un Modelo Mundo-Acción, una arquitectura que, según la compañía, intenta aprender cómo se relacionan lo que un sistema observa, los movimientos que realiza y los cambios que ocurren en su entorno. La startup, fundada en diciembre de 2025, plantea que esta combinación podría ayudar a que los robots aprendan tareas físicas de forma más general, en vez de depender únicamente de rutinas programadas para cada objeto o situación.

La propuesta parte de una diferencia importante entre el aprendizaje humano y el robótico. Las personas suelen abrir un cajón, tomar una taza o girar una tapa sin analizar de manera consciente cada movimiento, mientras que un robot necesita datos que conecten la percepción con acciones que su propio cuerpo pueda reproducir. LiberAI quiere aprovechar el amplio registro de interacciones humanas con objetos para construir esa conexión.

El preentrenamiento con más de 2,2 millones de horas no significa que operadores hayan pasado millones de horas enseñando manualmente tareas individuales a los robots. Buena parte de esa experiencia consiste en videos de actividad humana a gran escala, que exponen al modelo a diversos objetos, entornos e interacciones; las grabaciones más detalladas de manos y las demostraciones de robots agregan información sobre cómo se producen físicamente esos resultados, según la descripción de LiberAI.

La diferencia entre observar y ejecutar es central para el proyecto. Un video puede mostrar a una persona abriendo una botella, pero no necesariamente revela con precisión cómo colocó los dedos, cuánta fuerza aplicó o cómo rotó la muñeca. LiberAI sostiene que un modelo debe aprender tanto de la imagen final como de los movimientos que permiten alcanzarla, para que la experiencia visual pueda orientar acciones concretas.

Videos, guantes y datos de robots

El video humano ofrece variedad, pero las grabaciones de personas y las cámaras de un robot pueden mostrar la misma acción desde perspectivas muy distintas. Además, la estimación de la posición de las manos a partir de imágenes comunes puede fallar por oclusiones o problemas de profundidad, lo que deja incompleta la información sobre los movimientos precisos que el modelo debería aprender.

Para reducir esa brecha, LiberAI incorpora demostraciones humanas grabadas con guantes instrumentados. Los guantes registran las poses y trayectorias de las manos mientras una cámara en primera persona y dos cámaras montadas en las muñecas capturan la actividad simultáneamente, con el objetivo de asociar lo que aparece en pantalla con la manera en que se movieron las manos.

La compañía también configura esas cámaras para aproximarse a los puntos de vista de su plataforma robótica LEO y diseña los guantes para interferir lo menos posible con los movimientos naturales. Así, las grabaciones buscan servir de puente entre videos humanos, que aportan diversidad, y datos de robots, que muestran acciones ejecutables por una máquina determinada.

La recopilación con guantes no exige tener un robot presente en cada demostración, lo que podría facilitar la obtención de datos en más lugares y durante más actividades. En lugar de dedicar hardware y operadores a registrar cada ejemplo, una persona puede realizar tareas mientras el equipo captura sus movimientos y observaciones; aun así, esos datos no eliminan la necesidad de demostraciones robóticas, sino que aspiran a complementarlas.

Qué muestran las pruebas de LiberAI

En una evaluación de ocho tareas descrita por LiberAI, la compañía comparó una política entrenada con 25% del conjunto completo de demostraciones de robots y 100% de las demostraciones capturadas con guantes frente a otra entrenada con todos los datos robóticos. La primera alcanzó una puntuación de progreso de 75,6, mientras que la segunda obtuvo 72,8, aunque la comparación no implica que el volumen total de entrenamiento se redujera 75%: se incorporó una cantidad sustancial de datos humanos.

Según la empresa, los conjuntos completos de demostraciones de robots y de guantes contenían el mismo número de ejemplos. El resultado sugiere que las capturas humanas pueden hacer más útil una colección relativamente pequeña de datos específicos de robots, pero no demuestra que los datos humanos puedan sustituir por completo la experiencia recogida directamente con una máquina.

LiberAI también midió si las demostraciones con guantes podían ampliar el repertorio de una política más allá de las tareas presentes en sus ejemplos robóticos. Cuando esos ejemplos solo cubrían acciones de recoger y colocar, el sistema obtuvo 2,2 puntos de progreso en otros tipos de manipulación; al añadir datos humanos con acciones distintas, la puntuación subió a 47,5, y con un conjunto de guantes más amplio llegó a 54,6, de acuerdo con las cifras reportadas por la compañía.

La referencia Teleop All, basada en demostraciones de teleoperación, alcanzó 56,3 puntos en esa comparación. La cercanía entre ambos resultados respalda, según LiberAI, la posibilidad de que los datos humanos ayuden a introducir comportamientos que faltan en las demostraciones robóticas, aunque las cifras pertenecen a las evaluaciones de la compañía y no equivalen por sí solas a una validación independiente en hogares.

El cuerpo del robot también importa

Trasladar una habilidad entre una persona y una máquina implica más que registrar una secuencia de movimientos: sus cuerpos no tienen la misma geometría ni las mismas capacidades. Para abordar esa brecha de embodiment, Liber-0 utiliza una Representación Unificada de Embodiment que, según la empresa, incorpora información sobre altura, longitud de brazos, configuración corporal, geometría de las manos y capacidades de movimiento del robot.

La idea es que el modelo no suponga que todos los cuerpos deben ejecutar una tarea de forma idéntica. Una persona alta, otra de menor estatura y un robot pueden abrir el mismo cajón con movimientos distintos, por lo que la representación del cuerpo funcionaría como contexto para que el sistema prediga una acción adecuada a quien la realiza.

El diseño de LEO también intenta facilitar esa transferencia mediante manos diestras, muñecas articuladas y una cintura ajustable, además de cámaras colocadas para ofrecer perspectivas más cercanas a las de las grabaciones humanas. LiberAI utiliza como ejemplos tareas cotidianas como girar el pomo de una puerta, tirar de un cajón o coordinar la muñeca y los dedos para desenroscar una botella.

En pruebas con grabaciones de guantes coincidentes y cantidades iguales de datos de teleoperación para cada plataforma, LEO obtuvo 91,3 puntos al girar un pomo, 80,0 al colocar zapatillas y 100,0 al abrir un cajón. Tianji registró 76,3, 35,0 y 75,0, respectivamente; las puntuaciones promedio reportadas por LiberAI fueron 90,4 para LEO y 62,1 para Tianji.

De las tareas conocidas a la manipulación general

Liber-0 también utiliza distintas etapas de entrenamiento, desde la predicción visual amplia con videos de actividades humanas hasta la combinación de observaciones futuras y predicciones de acciones. Una fase posterior pone más énfasis en movimientos precisos y en interacciones físicas sostenidas, y LiberAI afirma que el esquema completo logró el mejor desempeño general de manipulación entre las configuraciones que evaluó.

La empresa exploró además la manipulación zero-shot, es decir, tareas para las que el modelo evaluado no recibió demostraciones robóticas recogidas específicamente. En una evaluación separada de 60 tareas, divididas entre actividades de recoger y colocar, otras formas de manipulación y tareas más largas, LiberAI reportó una tasa de éxito de 36%; el material de la compañía identifica esas tareas como propuestas por GPT-6.

Para probar una adaptación posterior en simulación, LiberAI entrenó la política con 100 horas de teleoperación simulada. Después, los usuarios podían introducir objetos propios y observar intentos de manipulación en el entorno virtual sin entrenamiento adicional específico para esos objetos, una prueba que apunta a la adaptación, aunque sigue limitada a la simulación descrita por la empresa.

En tareas largas, Liber-0 puede trabajar con un agente de IA de nivel superior que divide un objetivo en metas intermedias, mientras el modelo convierte esas metas en acciones físicas y utiliza nuevas observaciones como retroalimentación. La compañía también identifica el contacto y la fuerza como áreas pendientes: medirlos con mayor riqueza podría ser importante para insertar objetos, fijar piezas o manipular materiales deformables.

La ambición de LiberAI es llevar robots de propósito general a la vida cotidiana, donde una máquina tendría que desenvolverse entre objetos y diseños domésticos difíciles de anticipar uno por uno. La empresa considera que ampliar la captura de movimientos humanos a distintos hogares y actividades podría aportar diversidad, pero los resultados publicados describen avances experimentales, no una demostración de que un robot ya pueda resolver de manera confiable cualquier tarea nueva.


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