HOST y GEN-1.5: robots que aprenden nuevas habilidades viendo un solo vídeo

Cómo funciona HOST

HOST —siglas en inglés de Human-to-robot One-Shot Skill AcquisiTion— no intenta convertir directamente cada movimiento de la mano humana en una trayectoria idéntica para el robot. En su lugar, emplea el vídeo como una referencia condicionada por el progreso de la tarea.

El sistema estima en qué fase de la demostración se encuentra, observa el estado actual del robot y predice cómo debería verse el resultado desde la perspectiva del robot. A partir de esa predicción, calcula las acciones necesarias para avanzar. Esto permite que el robot no dependa de que su cuerpo, cámara o entorno sean idénticos a los de la persona que aparece en el vídeo.

El resultado ofrece la evidencia académica más concreta de los dos enfoques. En 50 tareas de manipulación no vistas durante el entrenamiento, HOST obtuvo un 62 % de éxito medio, con 20 intentos por tarea. Las pruebas incluían diferentes objetos, herramientas y tipos de movimiento.

El sistema también conservó buena parte de ese rendimiento ante variaciones de iluminación, objetos, escena e interferencias humanas. Las pérdidas comunicadas fueron del 1 %, 4 %, 6 % y 9 %, respectivamente, frente a su referencia del 62 %.

Aun así, un 62 % deja claro que la técnica está lejos de ser infalible. Puede adquirir una habilidad con rapidez, pero todavía no garantiza una ejecución fiable en cualquier entorno o ante cualquier tarea.

Qué aporta GEN-1.5

GEN-1.5 aborda el problema desde la perspectiva de un modelo fundacional físico: un sistema multimodal entrenado con una gran cantidad de experiencia de interacción. La demostración se introduce en una ventana de contexto, como una instrucción temporal, en vez de transformarse en una nueva política entrenada específicamente para esa tarea.

Según Generalist AI, una demostración de entre 3 y 12 segundos puede bastar para que el modelo intente abrir un tarro, abrir una bolsa, barrer un objeto hasta un recipiente o ejecutar otras manipulaciones breves. La compañía también afirma capacidades de imitación de humano a robot, combinación de comportamientos indicados por separado, transferencia de vídeos de simulación al mundo físico y uso improvisado de herramientas.

El modelo ofrece además una segunda vía. Si la indicación de un solo ejemplo no funciona, puede realizar una adaptación de pocos ejemplos mediante entre 1 y 10 pasos de gradiente con unos minutos de datos. Por tanto, «sin entrenamiento» describe el modo de una sola demostración, no todos los escenarios de uso de GEN-1.5.

La empresa informa de un 59 % de éxito medio en 10 tareas diversas con un solo ejemplo, pero las tareas son breves y sencillas, y los detalles públicos no permiten compararlas directamente con la evaluación de HOST.

El cambio de paradigma: enseñar mostrando

La importancia de estos trabajos va más allá de sus porcentajes. Ambos apuntan a una interfaz de enseñanza más cercana a la humana: mostrar una acción en lugar de programar cada paso, diseñar una función de recompensa o recopilar cientos de demostraciones del propio robot.

La demostración cumple varias funciones a la vez. Indica qué objeto manipular, cuál es el objetivo, qué procedimiento seguir y qué interacciones son relevantes. El modelo preentrenado aporta el conocimiento físico general; el vídeo especifica la nueva situación.

Por eso, la eficiencia anunciada no significa que el robot aprenda desde cero en unos segundos. El coste se desplaza hacia el preentrenamiento, que se realiza antes y se amortiza entre muchas tareas. Para el usuario final, la promesa es sustituir una larga fase de optimización específica por una breve observación. HOST expresa esa ventaja con sus 29 segundos de adquisición y su aumento de velocidad declarado de 507 veces.

Límites que conviene tener presentes

• HOST procede de una evaluación controlada. Es un trabajo académico en formato de prepublicación, probado en 50 tareas seleccionadas y con un 62 % de éxito medio. Todavía no demuestra fiabilidad general en hogares, fábricas, tareas largas, situaciones críticas o entornos no controlados.

• La evidencia de GEN-1.5 es más difícil de auditar. Las afirmaciones sobre el modelo, los ocho meses de entrenamiento, la ausencia de datos de simulación, la duración de las demostraciones y la adaptación proceden principalmente de Generalist AI o de anuncios relacionados con la empresa.

• No hay un punto de comparación público equivalente. Para GEN-1.5 no se dispone de un protocolo independiente estandarizado con el mismo número de tareas, número de intentos, líneas base, publicación de modelo y datos, o reproducción por terceros. Sus demostraciones son indicios de capacidad, pero todavía no establecen una frontera de rendimiento verificada.

En conjunto, HOST aporta evidencia de que un robot puede adquirir, durante la inferencia y sin cambiar sus parámetros, habilidades nuevas a partir de un único vídeo humano dentro de un conjunto definido de tareas. GEN-1.5 sugiere que un preentrenamiento físico suficientemente amplio puede convertir ese comportamiento en una capacidad emergente de un modelo generalista.

La dirección es prometedora, pero la conclusión debe ser prudente: el aprendizaje robótico por observación está avanzando, aunque todavía no sustituye la validación específica de cada tarea, la ingeniería de seguridad ni la adaptación necesaria en entornos abiertos.