Últimamente he estado pensando mucho en una pregunta: cuando el Physical AI llegue a su etapa final, ¿lo que de verdad marcará la diferencia no será quién tenga el modelo más grande o el hardware más potente, sino quién consiga que el robot acumule experiencia más rápido a partir de la práctica?
Al fin y al cabo, los robots no son exactamente como la IA convencional.
Los modelos pueden probarse una y otra vez en entornos digitales, pero al final los robots tienen que salir al mundo real. Agarrar un objeto o completar un desplazamiento parecen acciones sencillas, pero los desvíos de posición en el mundo real, los cambios en los objetos y toda clase de interferencias inesperadas pueden hacer que una estrategia bien diseñada deje de funcionar.
Que algo funcione en simulación no significa que necesariamente vaya a salir bien en el mundo real.
Por eso, cuando últimamente he seguido a @axisrobotics, lo que más me ha interesado es el ciclo de entrenamiento que implica: desde la demostración humana, pasando por la generación de la estrategia, hasta la ejecución del robot y, finalmente, la corrección continua mediante retroalimentación.
Creo que lo más digno de reflexión aquí es que cada vez que un robot ejecuta una tarea, no debería limitarse a registrar simplemente un resultado.
Si tiene éxito, se puede analizar qué estrategias fueron eficaces; si falla, también debería identificarse dónde estuvo el problema. Si esa experiencia puede filtrarse, consolidarse y realmente aplicarse a la siguiente ronda de entrenamiento, entonces cada ejecución habrá generado un valor adicional.
Pongo un ejemplo sencillo: supongamos que un robot completa 1000 pruebas, de las cuales 200 fallan; la tasa de error sería del 20%. Tras una ronda de optimización, si las fallas se reducen a 150, la tasa baja al 15%.
Este es solo un caso hipotético, no son datos oficiales de Axis. Pero al menos deja clara una cosa: el valor del entrenamiento no está solo en cuántas pruebas se hacen, sino en si una misma tarea puede resolverse cada vez mejor.
Si quisiera juzgar si un sistema de entrenamiento ha mejorado de verdad, me fijaría más en varios indicadores prácticos: si ha aumentado la tasa de éxito de las tareas, si se ha reducido el tiempo de ejecución, si ha disminuido la intervención humana y si, al cambiar de objeto o de entorno, el robot sigue manteniendo el mismo rendimiento.
Especialmente en este último punto. Al fin y al cabo, lograr que un robot complete una tarea en un entorno familiar es solo el primer paso; lo que realmente muestra el valor acumulado del entrenamiento es que también pueda responder adecuadamente ante escenarios desconocidos.
Esa es también la razón por la que veo con buenos ojos la idea del flywheel de datos de Axis.
Si cada ejecución puede dejar una retroalimentación útil y cada ronda de retroalimentación puede ayudar a optimizar la siguiente estrategia, entonces, a medida que las tareas y la experiencia se acumulan, el sistema tendrá la oportunidad de mejorar gradualmente su eficiencia de entrenamiento, en lugar de empezar de cero cada vez que aparece un problema nuevo.
Claro está, tener muchos datos no significa necesariamente ser más capaz, ni que un ciclo en marcha garantice buenos resultados.…
Citando a @Skiffccc: antes solíamos evaluar a los robots fijándonos sobre todo en cuántos movimientos podían realizar, si su desplazamiento era fluido o cuán potente era su hardware. Pero, en mi opinión, eso solo es la parte visible; lo que de verdad determina el futuro de un robot es si puede seguir mejorando en el proceso de ejecutar tareas una y otra vez. Porque el mundo real es muchísimo más complejo que el laboratorio.…
Al fin y al cabo, los robots no son exactamente como la IA convencional.
Los modelos pueden probarse una y otra vez en entornos digitales, pero al final los robots tienen que salir al mundo real. Agarrar un objeto o completar un desplazamiento parecen acciones sencillas, pero los desvíos de posición en el mundo real, los cambios en los objetos y toda clase de interferencias inesperadas pueden hacer que una estrategia bien diseñada deje de funcionar.
Que algo funcione en simulación no significa que necesariamente vaya a salir bien en el mundo real.
Por eso, cuando últimamente he seguido a @axisrobotics, lo que más me ha interesado es el ciclo de entrenamiento que implica: desde la demostración humana, pasando por la generación de la estrategia, hasta la ejecución del robot y, finalmente, la corrección continua mediante retroalimentación.
Creo que lo más digno de reflexión aquí es que cada vez que un robot ejecuta una tarea, no debería limitarse a registrar simplemente un resultado.
Si tiene éxito, se puede analizar qué estrategias fueron eficaces; si falla, también debería identificarse dónde estuvo el problema. Si esa experiencia puede filtrarse, consolidarse y realmente aplicarse a la siguiente ronda de entrenamiento, entonces cada ejecución habrá generado un valor adicional.
Pongo un ejemplo sencillo: supongamos que un robot completa 1000 pruebas, de las cuales 200 fallan; la tasa de error sería del 20%. Tras una ronda de optimización, si las fallas se reducen a 150, la tasa baja al 15%.
Este es solo un caso hipotético, no son datos oficiales de Axis. Pero al menos deja clara una cosa: el valor del entrenamiento no está solo en cuántas pruebas se hacen, sino en si una misma tarea puede resolverse cada vez mejor.
Si quisiera juzgar si un sistema de entrenamiento ha mejorado de verdad, me fijaría más en varios indicadores prácticos: si ha aumentado la tasa de éxito de las tareas, si se ha reducido el tiempo de ejecución, si ha disminuido la intervención humana y si, al cambiar de objeto o de entorno, el robot sigue manteniendo el mismo rendimiento.
Especialmente en este último punto. Al fin y al cabo, lograr que un robot complete una tarea en un entorno familiar es solo el primer paso; lo que realmente muestra el valor acumulado del entrenamiento es que también pueda responder adecuadamente ante escenarios desconocidos.
Esa es también la razón por la que veo con buenos ojos la idea del flywheel de datos de Axis.
Si cada ejecución puede dejar una retroalimentación útil y cada ronda de retroalimentación puede ayudar a optimizar la siguiente estrategia, entonces, a medida que las tareas y la experiencia se acumulan, el sistema tendrá la oportunidad de mejorar gradualmente su eficiencia de entrenamiento, en lugar de empezar de cero cada vez que aparece un problema nuevo.
Claro está, tener muchos datos no significa necesariamente ser más capaz, ni que un ciclo en marcha garantice buenos resultados.…
Citando a @Skiffccc: antes solíamos evaluar a los robots fijándonos sobre todo en cuántos movimientos podían realizar, si su desplazamiento era fluido o cuán potente era su hardware. Pero, en mi opinión, eso solo es la parte visible; lo que de verdad determina el futuro de un robot es si puede seguir mejorando en el proceso de ejecutar tareas una y otra vez. Porque el mundo real es muchísimo más complejo que el laboratorio.…