Google DeepMind ha demostrado una técnica de entrenamiento en robótica en la que su modelo Gemini 4 Argon aprende una tarea física mirando un vídeo normal y luego transfiere el comportamiento aprendido a un robot humanoide real. En la demostración, publicada junto con el lanzamiento del modelo, el humanoide Apollo construido por Apptronik vio imágenes de una persona jugando al cornhole y luego realizó siete disparos consecutivos en una prueba del mundo real, según Robotics & Automation News.
Del vídeo sin formato al robot real Para más contexto sobre esta historia, consulta nuestra noticias de IA.
La demostración se centró en una única prueba interna. A Argon se le mostró un video sin editar de un humano jugando al cornhole, el juego de lanzamiento del patio trasero. Luego, el modelo analizó el entorno, mapeó sus coordenadas espaciales y calculó los movimientos de las articulaciones de todo el cuerpo necesarios para reproducir la tarea en una plataforma humanoide.
El paso notable es lo que vino después: en lugar de depender de ingenieros para construir manualmente una simulación física, Argon generó de forma autónoma el código de simulación. Luego, el comportamiento aprendido se transfirió de esa simulación autogenerada al humanoide Apolo de Apptronik, que lo ejecutó en el mundo físico.
Según Google DeepMind, Apollo posteriormente realizó siete disparos seguidos durante la prueba en el mundo real: una carrera limpia para una tarea que requiere que el robot coordine el equilibrio, la trayectoria del brazo y el tiempo de liberación.
Semanas de trabajo de simulación comprimidas en horas
Google DeepMind describe el enfoque como un proceso "Video-to-Sim-to-Real", y el discurso trata tanto del tiempo de ingeniería como de la capacidad.
"Este canal 'Video-to-Sim-to-Real' comprime semanas de modelado de simulación manual en unas pocas horas, transformando videos ordinarios en un campo de entrenamiento escalable e infinito para la robótica", dijo la compañía, según Robotics & Automation News.
Tradicionalmente, enseñar a un robot una nueva habilidad física a través de la simulación ha requerido que los especialistas modelen a mano el entorno, la física del objeto y el cuerpo del robot, un proceso que se mide en semanas para cada nueva tarea. Si el vídeo puede sustituir ese modelado manual, el cuello de botella para enseñar a los robots nuevas habilidades pasará del trabajo de ingeniería a la disponibilidad de imágenes de demostración, que en la práctica son ilimitadas en Internet.
¿Qué hace que Video-to-Sim-to-Real sea diferente?
La mayoría de los procesos de aprendizaje de robots en la industria utilizan una de dos rutas: teleoperación, donde los humanos demuestran manualmente tareas que el robot imita, o entrenamiento de simulación, donde los ingenieros construyen a mano entornos virtuales en los que las políticas de control practican millones de repeticiones antes de su implementación. Ambos funcionan y ambos escalan mal: la teleoperación requiere mucha mano de obra por tarea, y el modelado de simulación requiere mucha mano de obra por entorno.
La demostración de Cornhole está dirigida al segundo cuello de botella. En el relato de la prueba de DeepMind, ningún ingeniero construyó el entorno cornhole: Argon consumió el video sin editar, interpretó el diseño espacial de la escena, calculó las trayectorias de las articulaciones de todo el cuerpo que requería el lanzamiento y escribió el código de simulación. El papel humano en el bucle se redujo, de hecho, a haber filmado una vez a alguien jugando.
Cornhole es un caso de prueba deliberadamente bien elegido. Parece trivial, pero aterrizar una bolsa de frijoles sobre un objetivo elevado exige exactamente la combinación que los robots humanoides encuentran difícil: equilibrio estable de todo el cuerpo durante el movimiento, dinámica fina del brazo, liberación programada y tolerancia a la balística de un proyectil suelto. Siete éxitos consecutivos en el mundo real indican que la política transferida fue más sólida que afortunada, aunque una sola prueba interna es una base de evidencia limitada.
Resultados de las pruebas comparativas de razonamiento incorporado
Además de la demostración de cornhole, DeepMind probó Argon en el punto de referencia Embodied Reasoning (ERQA), que mide la capacidad de un modelo para razonar sobre problemas físicos y espaciales en entornos 3D. La compañía afirma que Argon logró una puntuación del 87% en el índice de referencia.
El razonamiento físico y espacial se considera ampliamente como una de las brechas que separan los modelos de lenguaje fronterizo de los sistemas que pueden operar de manera útil en el mundo físico, razón por la cual los puntos de referencia de robótica como ERQA han atraído cada vez más la atención de los principales laboratorios.
Parte del lanzamiento más amplio de Gemini 4 Argon
El trabajo de la robótica es una aplicación dentro de un lanzamiento más amplio. Google está posicionando Gemini 4 Argon como un modelo de frontera que combina razonamiento visual-semántico, comprensión física y generación autónoma de código, destinado a tareas complejas de ingeniería, científicas, de codificación y comerciales. La compañía dice que ya ha utilizado el modelo internamente en proyectos que van desde la optimización de grandes bases de código de software hasta la computación cuántica, la fusión nuclear y la investigación en ciencias biológicas.
El modelo está disponible a través de los productos de inteligencia artificial de Google y la API Gemini, y la demostración de robótica se presenta como evidencia de la comprensión física del modelo en lugar de como un producto de envío para los operadores de robots.
Por qué es importante para la industria humanoide
Para el creciente sector de robots humanoides, donde Apptronik es uno de los actores más destacados, el resultado apunta hacia una propuesta de valor específica a corto plazo: los modelos de IA de propósito general que pueden convertir videos pasivos en simulaciones entrenables podrían reducir drásticamente el costo de enseñar a los robots nuevas tareas, el principal obstáculo entre las impresionantes demostraciones actuales y la implementación económicamente útil a escala.
El propio marco de DeepMind enfatiza el mismo punto. La demostración, dice la compañía, muestra cómo los modelos de propósito general podrían reducir la cantidad de ingeniería manual necesaria para enseñar a los robots nuevas habilidades físicas.
Siete disparos de cornhole no moverán paquetes en un almacén. Pero el proceso que los produjo (ver un video, comprender la física, escribir la simulación, transferirlo al hardware) es la parte que las empresas de robótica y sus inversores estarán observando.
---
Mantente al Día con la IALas últimas noticias, análisis y avances de inteligencia artificial, en un solo lugar.
Leer más noticias de IA →
