Por Canuto  

Skild AI presentó S1, un modelo de robótica que, según la startup, permite enseñar tareas físicas a distintos robots mediante la observación de un solo video humano, aunque sus resultados todavía muestran una brecha importante frente a las exigencias industriales.
***

  • S1 utiliza Skild Brain, una arquitectura jerárquica que combina planificación visual con control motor preciso.
  • La compañía afirma que el modelo puede aprender una habilidad con menos de una hora de datos robóticos específicos.
  • Las pruebas reportan tasas de ejecución exitosa de entre 60% y 80% después de unas horas de recolección inicial de datos.

Skild AI presentó S1, un modelo de robótica diseñado para que las máquinas aprendan tareas físicas observando a una persona realizar una demostración. La startup sostiene que el sistema puede incorporar nuevas habilidades a partir de un solo video, sin ajustes finos ni adaptaciones específicas para cada plataforma de hardware, una propuesta que busca reducir uno de los mayores costos del desarrollo robótico.

Durante años, enseñar a un robot a doblar ropa, tomar una taza o manipular una pieza exigió programación especializada, miles de demostraciones y equipos de ingenieros dedicados a cada tarea. S1 intenta cambiar ese proceso al aprovechar conocimientos físicos previamente adquiridos, de modo que el robot no comience desde cero cuando recibe una nueva instrucción visual.

Cómo funciona el modelo S1

La tecnología central de Skild AI se denomina Skild Brain y utiliza una arquitectura jerárquica dividida en dos niveles. Una política de alto nivel interpreta la escena, identifica la tarea que debe completarse y define una estrategia general, mientras una capa inferior convierte esa intención en movimientos concretos para el robot.

El controlador de bajo nivel debe resolver detalles que resultan decisivos en el mundo físico, como los ángulos de las articulaciones, la trayectoria de una extremidad y la fuerza aplicada por una pinza. Esa combinación permite que una máquina intente cerrar la mano alrededor de una taza sin aplastarla, porque la planificación abstracta se conecta con instrucciones motoras específicas.

Según la información divulgada por la empresa, Skild Brain se entrena mediante simulaciones basadas en física y videos de acciones humanas disponibles en internet. La compañía afirma que este proceso genera miles de millones de ejemplos sintéticos. Cuando S1 analiza una demostración nueva, relaciona las imágenes con conocimientos previos sobre objetos, movimientos y consecuencias físicas, en lugar de aprender cada habilidad como un caso completamente aislado.

La startup afirma que el modelo necesita menos de una hora de datos robóticos específicos para aprender una habilidad a partir de la observación de un video. La promesa no significa que el robot alcance una ejecución perfecta de inmediato, pero sí plantea una reducción considerable del trabajo de recopilación y etiquetado que normalmente acompaña el entrenamiento de sistemas especializados.

Resultados iniciales y límites prácticos

En pruebas realizadas con robots reales, Skild AI reportó tasas de ejecuciones exitosas de entre 60% y 80% después de unas horas de recolección inicial de datos. La cifra ofrece una señal de progreso para el aprendizaje robótico, aunque también deja claro que el sistema falla en una proporción relevante de los intentos y todavía requiere validación antes de operar en entornos críticos.

Una tasa de éxito del 80% puede resultar llamativa en una demostración de laboratorio, pero adquiere otra dimensión en una fábrica o un almacén. Si una tarea se repite muchas veces, uno de cada cinco intentos fallidos puede traducirse en daños, interrupciones, desperdicio de materiales o la necesidad de supervisión humana permanente.

El desafío es mayor cuando el robot debe manipular componentes delicados, ejecutar movimientos de alta precisión o trabajar cerca de personas. La cifra reportada deja abierta una brecha entre las capacidades actuales de estos modelos y los niveles de confiabilidad que suelen exigir las operaciones empresariales.

Por ahora, los resultados deben entenderse como afirmaciones de la compañía y no como una certificación independiente de desempeño en todos los escenarios. La utilidad comercial de S1 dependerá de que esas tasas se mantengan al cambiar el entorno, el objeto, la iluminación, la posición del robot y las condiciones de seguridad.

Causas de movimientos recientes

El movimiento observado alrededor de la empresa parece estar vinculado, de forma plausible, con el interés de grandes inversores por la inteligencia artificial aplicada a la robótica y con la divulgación de capacidades de Skild Brain. La evidencia disponible no permite confirmar un catalizador único para una variación concreta.

La visión de una plataforma general

Skild AI sostiene que un mismo modelo fundacional podría controlar humanoides, manipuladores, plataformas móviles y otros tipos de robots sin reentrenarse desde cero cada vez que cambie la máquina. La idea sigue una lógica similar a la de los modelos generales de inteligencia artificial, que buscan transferir capacidades entre tareas en lugar de construir un sistema separado para cada uso.

La transferencia entre plataformas constituye uno de los puntos más ambiciosos de la propuesta. Un modelo capaz de interpretar una demostración humana y traducirla a diferentes configuraciones mecánicas podría acelerar el despliegue de robots, especialmente cuando las empresas utilizan flotas heterogéneas o modifican sus equipos para procesos distintos.

Sin embargo, los robots no comparten las mismas articulaciones, sensores, rangos de movimiento ni capacidades de carga. Por eso, la afirmación de que S1 puede adaptarse a distintos dispositivos deberá evaluarse en condiciones operativas concretas, donde pequeñas diferencias de hardware pueden alterar el equilibrio, el agarre o la forma correcta de ejecutar una acción.

El enfoque también plantea una cuestión de seguridad: observar una conducta humana no garantiza que el robot comprenda todos los riesgos asociados con ella. Una demostración puede omitir restricciones, excepciones o decisiones contextuales que una persona resuelve de manera intuitiva, por lo que el aprendizaje visual deberá complementarse con controles y supervisión adecuados.

Una startup con respaldo financiero

Skild AI fue fundada en mayo de 2023 por Deepak Pathak y Abhinav Gupta, investigadores de la Universidad Carnegie Mellon. Ambos identificaron una oportunidad para desarrollar un cerebro de propósito general para robots, en contraste con los sistemas específicos de tareas que han dominado buena parte de la industria durante décadas.

La empresa recaudó una Serie A de USD $300 millones a mediados de 2024, en una ronda que la valoró en USD $1.500 millones. La compañía anunció posteriormente una Serie C de USD $1.400 millones liderada por SoftBank, con una valoración superior a USD $14.000 millones.

La ronda también incluyó a NVIDIA y otros inversionistas. El respaldo financiero permite a Skild AI continuar entrenando modelos, desarrollar sistemas de prueba y enfrentar el costoso proceso de convertir una demostración técnica en un producto confiable. La información disponible no basta para confirmar que Amazon haya participado en esa ronda específica.

El salto de valoración refleja el entusiasmo del capital privado por los modelos fundacionales aplicados a la robótica, pero no elimina los riesgos de ejecución. La empresa todavía debe demostrar que puede convertir sus resultados experimentales en rendimiento consistente, contratos empresariales duraderos y operaciones seguras a una escala que justifique esa expectativa financiera.

Qué significa para la industria

La propuesta de S1 apunta a un problema central de la robótica: cada nueva tarea suele exigir datos, programación y ajustes específicos para el entorno donde se ejecutará. Si la observación de un solo video realmente reduce esas exigencias, las empresas podrían experimentar con más aplicaciones sin asumir desde el comienzo el costo de construir un sistema completamente nuevo.

El impacto potencial abarcaría desde labores domésticas simples hasta procesos industriales que requieren manipulación flexible. Aun así, doblar ropa y manejar componentes de precisión no representan el mismo nivel de dificultad, porque la tolerancia al error, la velocidad y las consecuencias de una falla pueden cambiar radicalmente entre una aplicación y otra.

La cifra de éxito de 60% a 80% funciona, por tanto, como una medida de avance y como una advertencia. Skild AI parece contar con una arquitectura capaz de aprender con pocos datos específicos, pero la industria necesitará mejoras adicionales antes de confiar en robots que actúen sin intervención humana en tareas repetitivas y económicamente sensibles.

El próximo paso será comprobar si el modelo conserva sus capacidades cuando abandona las demostraciones controladas y enfrenta variaciones imprevisibles. La respuesta determinará si S1 se convierte en una plataforma de propósito general con impacto real o si permanece como otra promesa destacada dentro de la carrera por construir robots capaces de aprender.

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 y revisado por un editor humano para garantizar calidad y precisión.


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