Xiaomi-Robotics-1: más datos vencen a modelos más grandes

Xiaomi presentó un modelo de inteligencia artificial para robots que sigue el mismo patrón de escalado que los grandes modelos de lenguaje: su rendimiento mejora a medida que entrena con más datos. Lo llamativo es el atajo que usó para construir ese conjunto de datos, ya que evitó en gran parte el uso de robots físicos durante la recolección.

La IA para robots enfrenta un problema de datos que los modelos de lenguaje no tienen. Un modelo de lenguaje puede entrenar con buena parte de internet, pero los datos útiles sobre movimiento robótico son escasos. Los robots suelen aprender desde cero cómo tomar, levantar y guardar objetos, y el método estándar consiste en que una persona guíe a distancia cada movimiento del robot, un proceso lento, caro y que genera datos repetitivos.

¿Cómo entrenó Xiaomi sin usar robots?

Para saltarse ese cuello de botella, el equipo recurrió a pinzas de mano portátiles con cámaras que una persona simplemente toma y opera con la mano. Ese esquema permite registrar tareas de manipulación en cocinas, oficinas, tiendas, plantas industriales y espacios exteriores sin que haya un robot presente. El resultado fueron más de 100.000 horas de grabaciones de movimiento, recogidas con el método UMI a lo largo de más de 1.700 entornos distintos.

Un dataset tan grande crea otro problema, porque cada grabación necesita una descripción que el modelo pueda aprender. Etiquetar todo a mano no era viable, así que Xiaomi usó otro modelo de IA para describir en texto cada segmento de movimiento. Según la compañía, etiquetó el conjunto completo en cerca de dos semanas.

Xiaomi trasladó luego ese entrenamiento a robots físicos, incluidos modelos con ruedas y sistemas de doble brazo, ajustando las diferencias entre una pinza de mano y un brazo robótico. Para el post-entrenamiento combinó sus propias grabaciones en departamentos reales con datasets de robots de código abierto y datos UMI anotados.

¿Por qué más datos vencen a modelos más grandes?

Las pruebas mostraron que un modelo más grande mejoraba el rendimiento, pero que sumar más datos de entrenamiento producía ganancias mucho mayores que sumar más cómputo. Los investigadores sostienen que el progreso de la IA robótica dependerá sobre todo de recolectar conjuntos de datos más grandes y variados.

El mismo patrón apareció con robots físicos. A medida que Xiaomi aumentó el volumen de entrenamiento, la tasa de éxito del modelo en entornos desconocidos subió de cerca de un 25% a un 75%, y el equipo dice que todavía no llegó al punto en que más datos dejan de aportar mejoras.

Xiaomi afirma que Xiaomi-Robotics-1 obtuvo los mejores resultados hasta la fecha en los benchmarks estándar de IA robótica. En una demostración, un robot habría hecho una maleta sin ayuda humana, una tarea que tomó más de diez minutos y exigió desplazarse por toda una habitación.

¿Qué tan bien se adapta a tareas nuevas?

Un modelo fundacional es más útil cuando se adapta rápido a tareas inéditas. Xiaomi probó el sistema en cuatro tareas: empacar un teléfono, cargar ropa en una lavadora, alimentar papel a una impresora y guardar objetos en una caja. Con menos de diez horas de datos por tarea, el modelo alcanzó una tasa de éxito promedio del 75%, frente al 40% que logró un modelo competidor de Physical Intelligence en la misma prueba. Xiaomi dice que su modelo rindió especialmente bien con materiales blandos y deformables, como el papel, y en tareas que obligaban a moverse por la habitación.

En el ranking RoboCasa365, Xiaomi-Robotics-1 encabeza por un amplio margen, sobre todo en tareas compuestas no vistas antes. En el benchmark RoboDojo puntúa alrededor de un 58% por encima del segundo lugar, aunque las tasas de éxito absolutas siguen siendo bajas.

Un campo con estrategias enfrentadas

El dato robótico es un foco central de la investigación actual y los equipos siguen caminos muy distintos. Una revisión de mayo sobre World Action Models analizó cerca de 100 estudios y concluyó que los datos de teleoperación son precisos pero costosos y limitados a pocos escenarios, justo el límite que buscan superar las pinzas de mano de Xiaomi.

Nvidia, la Universidad Carnegie Mellon y UC Berkeley usaron el proyecto ENPIRE para que agentes de IA enseñaran de forma autónoma a una flota de ocho robots a agarrar objetos, mientras Nvidia apuesta a convertir el problema de datos de la robótica en un problema de cómputo mediante datos sintéticos. El instituto chino BAAI toma la ruta opuesta: su modelo de mundo Orca aprende de 125.000 horas de video sin etiquetas de acción y aun así iguala al modelo especializado pi0.5 en cinco tareas de manipulación.

Xiaomi planea publicar el modelo y el código en GitHub y Hugging Face. El mismo equipo ya había liberado antes Xiaomi-Robotics-0 como código abierto, con foco en la operación rápida en tiempo real, y la apuesta encaja con sus planes más amplios: al presentar sus modelos MiMo-V2 en marzo, la empresa dijo que esos agentes podrían llegar a controlar robots.