Hormigas de energía: ¿por qué hay que entrenar desde cero el cerebro de un robot?

Toda la conferencia de comunicación, los medios convirtieron la misma pregunta en muchas variantes para insistir.

¿Qué tan lejos está la “mente” de los robots de entrar de verdad en el mundo físico para trabajar?

Las estimaciones dadas por el CEO de Ant Group LingBo, Zhu Xing, y el científico jefe, Shen Yujun, son mucho más mesuradas que el entusiasmo del mercado. Es posible que la “mente” robótica actual todavía no haya llegado al momento de GPT-1. La industria aún no ha entrado en un verdadero surgimiento de inteligencia, y la ruta tecnológica todavía no se ha consolidado.

En el último año, conceptos como VLA, world models y modelos de acciones de video han ido apareciendo uno tras otro. En esta ocasión, LingBo lanzó de golpe 6 modelos, pero las preguntas que busca responder son más específicas. ¿Los modelos grandes entrenados en el mundo digital pueden instalarse directamente en el cuerpo de un robot? ¿El mundo físico necesita una serie de modelos rediseñados desde la percepción, la predicción hasta la acción?

LingBo eligió partir de las restricciones del mundo físico y rehacer todo ese sistema de modelos.

01 Modelos grandes del mundo digital: por qué no se pueden “montar” en el cuerpo del robot

En el evento, Shen Yujun contó un ejemplo “directo al grano”.

Detrás de una puerta de vidrio opaca hay un gato. Un modelo de visión común puede identificar al gato detrás de la puerta y también describir con precisión la escena. Pero cuando el robot necesita moverse hacia el gato, “ver” no basta. Tiene que comprender que la puerta de vidrio constituye una barrera física: antes de que se abra la puerta, el gato está en un espacio al que el brazo mecánico no puede llegar.

Los modelos digitales se centran en lo que hay en la imagen; el robot además debe determinar distancia, obstáculos, relaciones de contacto y alcanzabilidad. El reconocimiento semántico puede ser correcto, pero eso solo completa el primer paso del objetivo físico.

Los modelos de video como YiMeng y WanXiang sirven para la creación de contenidos. El usuario aporta un texto o un guion, y el modelo puede basarse en una historia completa, usando más potencia de cómputo para obtener calidad de imagen y continuidad.

Los robots solo pueden vivir en un flujo de tiempo que va hacia adelante. Cuando atrapan una taza, no saben si alguien tocará la mesa en el segundo siguiente ni si la taza se deslizará. El modelo solo puede predecir el siguiente paso con base en el estado actual, y corregir la acción después de que los sensores devuelvan nueva información. Si la imagen es bonita no es lo importante: la predicción debe ser razonable y rápida, y además transformarse en acciones.

El equipo denomina esta ruta “nativo para lo embodied” y entrenó de cero LingBot-VA 2.0. Los artículos técnicos publicados muestran que el modelo usa diseños como preentrenamiento causal, MoE disperso y razonamiento asincrónico, orientados al control robótico de alta frecuencia y en bucle cerrado.

Esta elección incluso permite cierta deformación de la imagen al predecir. Cuando el brazo mecánico se prepara para levantar la taza, la taza generada por el modelo puede no ser lo suficientemente clara, siempre que la dirección de la acción sea correcta. Los sensores seguirán proporcionando la imagen real; el modelo luego se calibra de acuerdo con el estado más reciente.

VLA entiende más fácilmente la intención del lenguaje humano y consume menos recursos de razonamiento; es por eso que actualmente es una ruta más fácil de aterrizar. LingBo entra al escenario con VLA, valida los datos y, luego, usa VA para explorar modelado dinámico y predicción futura. Shen Yujun cree que las rutas tecnológicas separadas hoy están resolviendo cada una una pieza del rompecabezas, y en el futuro podrían ir integrándose en un solo modelo.

Visto desde este ángulo, el lanzamiento de 6 modelos por parte de LingBo se parece más a descomponer problemas puntuales que aún no están resueltos en la “mente” del robot. En el futuro, el número de modelos incluso podría disminuir.

02 El costo principal de entrenar de cero: una larga marcha de datos

Elegir nativo para lo embodied plantea de inmediato un segundo problema: ¿de dónde salen los datos?

Este problema se repitió una y otra vez en el sitio. ¿Sirven 100 mil horas? ¿Una producción de 1 millón de horas puede provocar un surgimiento de inteligencia? ¿Se alcanza el “momento de ChatGPT” para robots con 10 millones de horas?

La respuesta de Zhu Xing fue directa: 10 millones de horas quizá tampoco alcancen.

El auto conducido enfrenta reglas de tráfico y tareas de conducción relativamente claras. Los robots generalistas necesitan entrar en fábricas, almacenes y hogares, interactuar con objetos de diferentes materiales, adaptarse a diferentes cuerpos y además gestionar estados de fallo que no se pueden definir de antemano; la distribución de datos es mucho más compleja que la de una tarea de conducción única.

Los artículos publicados muestran que los datos de preentrenamiento de LingBot-VLA 2.0 ya crecieron desde unas 20 mil horas de la primera generación hasta 60 mil horas, incluyendo 50 mil horas de trayectorias del robot y 10 mil horas de videos de humanos en primera persona, cubriendo 20 configuraciones de robot de 17 empresas. El espacio de acciones también se amplió desde brazos dobles hasta cabeza, cintura, base móvil y manos hábiles.

60 mil horas siguen siendo solo el punto de partida. LingBo valora más la velocidad y la calidad de un ciclo de datos cerrado.

Los datos reales también incluyen procesos de operación humana registrados mediante UMI, Ego y otras modalidades, que pueden ampliar los datos de comportamiento con un costo más bajo. La siguiente etapa debe incorporar modalidades como tacto y sensación de fuerza, y alinearlas con los videos de primera persona.

El equipo necesita responder continuamente varios problemas de ingeniería. ¿Qué datos realmente entran al entrenamiento? ¿En qué tipo de tareas falla el modelo? ¿Las nuevas tareas de recolección pueden cubrir rápidamente los vacíos de capacidad? ¿Cuánto tiempo tarda toda la cadena desde la recolección, el procesamiento, el entrenamiento hasta la retroalimentación?

Cuando el volumen de datos aumenta, el equipo también debe filtrar muestras de alto valor. La conducción autónoma ya atravesó un cambio similar: al principio se buscaba aumentar volumen; más tarde se pasó a encontrar, de entre muchísimos frames, unas pocas muestras que mejoran más el modelo. Los datos de anomalías y fallos del robot son especialmente caros y, además, determinan con mayor probabilidad si el modelo puede manejar los “long tails”.

LingBo admite 20 configuraciones. Después de que los fabricantes se integren, todavía hay que hacer un postentrenamiento alrededor de tareas concretas. La función del preentrenamiento es permitir que el modelo haya visto con anticipación distintos cuerpos.

Lo que realmente se ahorra con “una mente para muchos robots” es el costo de entrenar desde cero cada vez que se cambia de configuración del robot o se añade un nuevo escenario.

03 Comercialización de la “mente” robótica: primero pasar por la barrera de la tasa de éxito

En el sitio, un medio mencionó un caso de almacén. En operaciones de carga y descarga, el humano con montacargas puede tardar solo 30 segundos, mientras que el robot necesita 1 minuto o incluso más; y cuando se topa con una situación nueva, podría detenerse y volver a juzgar.

Zhu Xing puso la tasa de éxito antes que la velocidad. Aunque el robot actúe rápido, después de fallar varias veces seguidas, la empresa sigue teniendo que asignar personal para intervención, y el despliegue difícilmente generará valor económico. Cuando la tasa de éxito es estable, entonces la empresa calcula más adelante el ritmo, la eficiencia de inferencia y el costo unitario.

De ahí surge la división del trabajo entre modelo base y postentrenamiento.

Zhu Xing comparó el preentrenamiento con formar a un estudiante universitario con buen nivel base. Cuando el estudiante entra al banco para hacer contabilidad, todavía necesita formación profesional. El modelo base embodied eleva el límite de capacidad; el postentrenamiento, en cambio, convierte el modelo en una herramienta de producción.

Para fabricantes de robots y clientes de escenarios, el postentrenamiento incluye recolección de datos, etiquetado, adaptación del modelo, despliegue y optimización de inferencia. Cada etapa se convierte en costo. Cuanto más inteligente sea el modelo base y más configuraciones y tareas haya visto, menos “lecciones” faltarán para el postentrenamiento.

El valor comercial de una “mente generalista para robots” consiste en reducir la inversión de desarrollar modelos por separado para cada escenario. Un robot de fábrica que atornilla no necesita aprender a lavar platos; el hotel y el almacén también escogerán distintos cuerpos. El escenario determina el cuerpo; la mente general necesita abarcar más cuerpos.

LingBo ya ha expresado que está avanzando con fabricantes de cuerpos para llevar la industrialización y explora diferentes métodos de cobro como compra única, suscripción y personalización. Sin embargo, en el sitio no se revelaron casos de clientes que el público pueda verificar, el tamaño de ingresos y un modelo de costos. En esta fase, lo que el mercado puede confirmar son la ruta tecnológica y la posición en el ecosistema; el ciclo comercial cerrado a escala aún requiere esperar más datos de proyectos.

04 Por qué LingBo quiere hacer este asunto “pesado”

Entrenar de cero la “mente” robótica requiere inversión a largo plazo. Ya sea el preentrenamiento, la infraestructura de datos, la validación en máquina real o la adaptación del cuerpo, cualquier componente es difícil de completar rápidamente solo con un equipo pequeño.

Los recursos clave que Ant Group aporta a LingBo incluyen capital, talento, infraestructura de entrenamiento, capacidad de procesamiento de datos y ecosistema de escenarios. Sobre esta base, LingBo construyó un sistema de modelos de extremo a extremo, desde percepción espacial, generación de video, modelado del mundo interactivo hasta VLA y VA, y luego valida la capacidad de producción en conjunto con socios de cuerpos.

Esta disposición también refleja el juicio de Ant Group sobre la estructura de la industria. La inteligencia embodied todavía está en una etapa temprana similar a la “guerra de los cien modelos”; en el futuro podría converger hacia unos pocos proveedores de modelos base generalistas. Todavía queda mucho para que los robots entren a gran escala en los hogares; compararlo ahora con Windows o Android es todavía demasiado pronto.

Al observar LingBo 2.0, los parámetros del modelo y las listas de clasificación son solo una parte. Lo más importante es si puede mejorar de manera continua la tasa de éxito entre tareas, escenarios y configuraciones, y si puede reducir el costo del postentrenamiento a un nivel que los clientes estén dispuestos a pagar.

Los agentes del mundo digital se expanden rápidamente cuando aumentan las capacidades del modelo base; la inteligencia embodied también podría atravesar un desborde similar de capacidad. La diferencia es que el mundo físico añade una capa de restricciones inevitables: cada juicio que haga el modelo, al final, debe ser ejecutado por un cuerpo real.

LingBo eligió rehacer esta gran “mente” con anticipación. Hasta dónde puede llegar la ruta, al final depende de si los robots realmente pueden ponerse a trabajar.

Aviso de riesgos y cláusula de exención de responsabilidad

        Hay riesgos en el mercado; invierte con cautela. Este artículo no constituye asesoramiento de inversión personal, y tampoco considera objetivos de inversión específicos, situación financiera o necesidades particulares de usuarios individuales. Los usuarios deben considerar si cualesquiera opiniones, puntos de vista o conclusiones de este artículo se ajustan a su situación específica. Invertir con base en esto es de tu exclusiva responsabilidad.