El último modelo base físico (embodied foundation model) de Generalist, GEN-1, ahora soporta una amplia gama de efectores finales de robot. Según la empresa, GEN-1 es compatible desde manos de cinco dedos hasta herramientas especializadas con nuevos modos de actuación, y todo lo que hay en medio.
Al entrenar el modelo para trabajar con estas nuevas manos, Generalist afirma estar demostrando que un solo modelo base puede aprender políticas sensorimotoras que se transfieren entre formas radicalmente distintas de interactuar con el mundo físico.
Un modelo, muchas manos
GEN-1 se preentrena sobre el conjunto de datos de robótica propio de Generalist, que hoy abarca una gran variedad de efectores finales a lo largo de más de 500.000 horas de datos reales de interacción. Algunos efectores son formatos nuevos con sus propios esquemas de actuación y posiciones de cámara, varios inspirados en casos comerciales reales. Otros son herramientas de catálogo, piezas impresas o modificaciones a medida de las pinzas estándar de dos dedos de la compañía, cerca de 9.000 variantes hasta ahora, todas elegidas para exponer al modelo a un rango amplio de física de contacto.
Las manos cambian, la física no
Cada efector final es una interfaz sensorimotora distinta a través de la cual GEN-1 experimenta el mundo físico: una vía para aprender sobre geometría, contacto, fricción, fuerzas y dinámica. Escalar el preentrenamiento a través de miles de estas interfaces le enseña al modelo representaciones sensorimotoras universales, una especie de "sentido común físico" que se transfiere a manos nuevas y a nuevas maneras de agarrar, empujar, tirar o girar.
Cada mano es su propio vocabulario para actuar en el mundo. Los destornilladores eléctricos giran más rápido de lo que los dedos pueden igualar. Controlar un dispensador de cinta exige manejar tensión y colocación a la vez. Las pinzas de cocina introducen elasticidad y dinámica de resorte que cambian cómo se debe abordar un objeto. Las espátulas y raspadores metálicos trabajan contra una superficie en vez de rodear un objeto, lo que obliga a razonar sobre contacto distribuido y no sobre puntos únicos.
Tal como entrenar con múltiples idiomas produce modelos de lenguaje más capaces, aprender a través de muchas manos beneficiaría a la inteligencia física. Un modelo entrenado en varios cuerpos puede reunir conocimiento compartido y separar mejor lo que es específico de una herramienta de lo que es universal del mundo. No toda mano ayuda por igual: las pinzas de dos dedos de Generalist cargan más peso real que otras, así como el inglés domina hoy los modelos de lenguaje.
¿Cómo se mide que una mano es "nueva"?
Generalist puede analizar cuánto se desplazan los pesos del modelo durante el ajuste fino como señal cuantitativa de cuán novedoso es realmente un efector. Comparando el GEN-1 preentrenado con el mismo modelo tras ajustarlo a una herramienta nueva, tratan la diferencia como una "actualización de tarea" y la descomponen entre procesamiento de sensores, razonamiento y actuación.
Esto revela qué efectores aportan más información nueva y dónde cae esa novedad en la arquitectura. Los batidores, por ejemplo, desplazan los pesos de procesamiento de sensores mucho más que los peladores, probablemente porque el modelo debe percibir la geometría de alambre fino del batidor. Eso apunta directo a una intervención de datos: recolectar más herramientas finas y visualmente escasas para reforzar ese subsistema.
Cambiar de mano a mitad de tarea
¿Qué pasa si se cambia la mano en plena tarea? Con el modelo a mitad de ejecución, Generalist intercambió físicamente el efector y dejó correr el mismo modelo. Este percibe la herramienta nueva, se condiciona a lo que ve y encuentra una nueva trayectoria y estrategia de contacto para alcanzar la misma meta. Funciona porque el entrenamiento con datos mixtos obliga al modelo a condicionar su conducta según la mano que tiene delante, en vez de memorizar un conjunto fijo de estrategias.
Hacia una explosión cámbrica de formatos
La naturaleza no convergió en una sola solución para manipular el mundo físico, sino en millones: desde el pico de un ave hasta la trompa de un elefante, desde las ventosas de un pulpo hasta las cestas de polen de una abeja. A diferencia de los humanos, los robots pueden intercambiar manos mecánicas con facilidad, y los cambiadores de herramientas ya son comunes en automatización.
El futuro de las manos robóticas, dice la empresa, no se parecerá a las de Generalist, sino a una caja de herramientas con mil manos: aumentadas, recombinadas y escaladas. Si se logra construir una inteligencia que entienda la física de la interacción, la forma de la mano pasa a segundo plano frente a la inteligencia que la controla. Una ventosa, una pinza, una brocha o una boquilla de soldadura por plasma serían solo interfaces distintas para que la misma inteligencia reconfigure el mundo físico.
